Bounding Omitted Variable Bias Using Auxiliary Data: With an Application to Estimate Neighborhood Effects¶
作者: Yujung Hwang
来源: Journal of Business & Economic Statistics
主题: 因果推断
相关性: 7/10
机构绿灯: Johns Hopkins University(US News 前 50,免分进入精读)
链接: https://doi.org/10.1080/07350015.2025.2606063
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是利用辅助数据(auxiliary data)进行部分识别(partial identification),具体而言是:当研究者关心的完整回归模型 \(y = \alpha + \beta_x x + \beta_z z + \beta_w w + \varepsilon\) 中,协变量 \((x,z,w)\) 的联合分布无法从任何一个单一数据源中完全观测到时,如何利用两个互补的数据源来界定(bound)而非点识别完整回归系数 \(\beta = (\beta_x, \beta_z, \beta_w)\)。该方向的核心统计问题是数据融合(data fusion)下的识别问题:每个数据源只识别完整联合分布的一个边际或条件子集,目标是在不施加强参数假设的前提下,给出目标量的识别区间。这个方向的成熟度属于中等偏成熟——部分识别理论自 Manski (2003) 以来已有系统框架,但"数据分割于多个来源"这一具体设定下的系统性方法仍在发展中,尤其是结合线性投影(linear projection)而非结构因果模型的处理方式。
发展脉络¶
- 奠基工作:部分识别理论的框架性工作可追溯至 Manski (2003, Partial Identification of Probability Distributions),其核心思想是:当点识别失败时,不放弃推断,而是给出目标量的识别集合。本文的"超集估计"(superset estimation)直接继承这一传统——不追求点识别,而是构造一个保证包含真实系数的集合。
- 主要进展——遗漏变量偏差的界定:Oster (2019, Journal of Business & Economic Statistics) 提出基于系数移动比(coefficient movement ratio)和 \(R_{\max}\) 的遗漏变量偏差敏感性分析,成为实证经济学中处理遗漏变量问题的标准工具。本文的 framing 与 Oster 形成直接对话:Oster 需要假设可观测协变量与不可观测混杂的比例关系,而本文不需要这种比例假设,转而要求存在一个辅助数据源能识别部分联合分布。
- 主要进展——数据融合与匹配:Ridder & Moffitt (2007, Handbook of Econometrics) 系统讨论了数据融合(data combination)问题,包括两个独立样本分别识别不同变量子集时的识别条件。本文的设定(一个数据源识别 \((y,z,w)\),另一个识别 \((x,z)\))正是 Ridder & Moffitt 框架的一个具体实例,但本文的贡献在于不假设两个数据源可精确匹配(即不假设存在记录链接),而是利用分布层面的信息。
- 主要进展——部分识别下的线性投影:Beresteanu, Molchanov & Molinari (2011, Econometrica) 用随机集理论刻画了部分识别问题的识别集合,为线性投影系数的部分识别提供了数学工具。本文的"超集"构造可视为该理论框架的一个具体化——在数据分割设定下,用可识别的矩条件来约束不可识别的回归系数。
- 当前 frontier 与本文位置:当前该方向的前沿问题是如何在数据融合设定下收紧识别区间,以及如何将部分识别方法与现代高维/非参数工具结合。本文的位置是:在线性投影这一相对简单的设定下,给出一个可操作、可计算的超集构造方法,并以邻里效应这一经典应用场景作为演示。本文不追求识别区间的最紧性(tightness),而是追求有效性(validity,即保证覆盖真实值)和可计算性。
子线索聚类¶
被引文献大致落在三条子线索上:
- 遗漏变量偏差的敏感性分析(Oster 2019; Altonji, Elder & Taber 2005):这类工作关注的是"如果存在不可观测混杂,点估计会偏多少",通常需要某种关于可观测与不可观测关系的假设。本文与这条线索的对话最直接——本文声称可以在不假设可观测与不可观测比例关系的情况下给出有效界,代价是需要辅助数据。
- 数据融合与多源数据的识别(Ridder & Moffitt 2007; Graham, Pinto & Egel 2016):这类工作关注"两个数据源各自识别了什么、合并后能识别什么"。本文的设定完全落在这条线索内,贡献在于给出一个具体的线性投影超集构造算法。
- 部分识别与集合估计(Manski 2003; Beresteanu et al. 2011; Chernozhukov, Lee & Rosen 2013):这类工作提供部分识别问题的通用框架和推断方法。本文的超集估计可视为该框架的一个应用,但本文没有讨论推断(inference)问题——即没有给出超集的置信区域构造方法,这是一个明显的缺口。
这个方向在追问的核心问题¶
- 识别问题:当完整联合分布不可观测时,目标量(线性投影系数)的识别集合是什么?如何用可观测的矩条件来刻画?
- 有效性 vs. 紧致性:构造的识别区间是否保证覆盖真实值(有效性)?是否尽可能小(紧致性)?两者往往不可兼得。
- 数据融合的代价:利用辅助数据收紧识别区间,需要付出什么代价?是需要额外的分布假设,还是需要辅助数据满足特定的可观测性条件?
- 推断问题:识别区间估计出来后,如何构造其置信区域?这在部分识别文献中是一个活跃话题(如 Chernozhukov et al. 2013),但本文未涉及。
已知瓶颈:主流方法(如 Oster 2019)依赖较强的比例假设;数据融合方法(如 Ridder & Moffitt 2007)通常需要精确匹配或强可忽略性假设;而本文的方法虽然放松了比例假设,但要求辅助数据能识别 \((x,z)\) 的联合分布,这在很多实际场景中未必成立。
⚠️ 作者的 framing(这是作者的说法)¶
作者在引言中将缺口 frame 为:"现有处理遗漏变量偏差的方法(如 Oster 2019)需要假设可观测与不可观测协变量的关系,而本文利用辅助数据,在更弱的假设下给出有效界。" 作者淡化的竞争路线包括:(1) 工具变量法——IV 需要存在有效的工具变量,本文的方法不需要,但代价是只能给出区间而非点估计;(2) 代理变量法——用代理变量控制不可观测混杂,本文的方法不需要代理变量的有效性假设,但需要辅助数据的存在。明显该被引却没出现在 intro 里的:Manski (1990) 关于非参数回归中遗漏变量界的经典文章、以及 Blackwell (2014) 关于部分识别与敏感性分析的衔接工作——前者是部分识别遗漏变量问题的起点,后者是近年来将敏感性分析与部分识别统一的重要尝试。这是一个值得研究者去查的线索。
张力¶
未见明显对立引用。Oster (2019) 与本文的假设条件不同(比例假设 vs. 辅助数据存在性),但二者并非逻辑矛盾,而是不同场景下的替代工具。Ridder & Moffitt (2007) 与本文的设定兼容,本文可视为其框架的一个特例。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据¶
符号(逐个点名):
- \(y\):结果变量(标量,随机变量),如"是否居住于族裔聚居区"。
- \(x\):研究者关心的核心协变量(可为向量),如"童年是否在族裔聚居区长大"。
- \(z\):两个数据源都能观测到的协变量(可为向量),如年龄、性别。
- \(w\):仅第一个数据源(主数据)能观测到的协变量(可为向量),如详细的居住史。
- \(u\):不可观测的混杂变量(标量或向量),如个人偏好、文化认同——这是导致遗漏变量偏差的根源。
- \(\beta = (\beta_x, \beta_z, \beta_w)\):完整线性投影系数(目标参数,estimand),定义为 \(y\) 对 \((x,z,w)\) 的线性投影(population linear projection)的系数。
- \(\tilde{\beta} = (\tilde{\beta}_x, \tilde{\beta}_z)\):短回归(省略 \(w\))的线性投影系数——这是研究者实际能一致估计的量(因为主数据没有 \(w\) 的信息?不,主数据有 \(w\),但辅助数据没有——关键在于完整回归需要 \((x,z,w)\) 的联合分布,而没有任何单一数据源能提供)。
- \(\Sigma_{ab}\):变量 \(a\) 与 \(b\) 的协方差矩阵(或交叉矩),如 \(\Sigma_{xx}\)、\(\Sigma_{xz}\) 等。
- \(\gamma\):\(w\) 对 \((x,z)\) 的线性投影系数(辅助参数,nuisance parameter),用于刻画 \(w\) 与 \((x,z)\) 的相关结构。
- \(\delta\):\(y\) 对 \(w\) 的偏回归系数(给定 \((x,z)\) 后),即完整回归中 \(w\) 的系数 \(\beta_w\)——这是遗漏变量偏差的"罪魁祸首"。
模型(数据生成机制):
- 完整线性投影模型:\(y = \alpha + \beta_x x + \beta_z z + \beta_w w + \varepsilon\),其中 \(\varepsilon\) 与 \((x,z,w)\) 正交(这是线性投影的定义,不是结构因果模型——作者明确不假设 \(w\) 是唯一混杂或 \(\varepsilon\) 与 \(x\) 独立)。
- 短回归(省略 \(w\)):\(y = \tilde{\alpha} + \tilde{\beta}_x x + \tilde{\beta}_z z + \tilde{\varepsilon}\)。经典遗漏变量偏差公式:\(\tilde{\beta}_x = \beta_x + \beta_w \cdot \gamma_x\),其中 \(\gamma_x\) 是 \(w\) 对 \(x\)(给定 \(z\))的线性投影系数。
- 关键结构:\(w\) 对 \((x,z)\) 的线性投影:\(w = \gamma_x x + \gamma_z z + \eta\),其中 \(\eta\) 与 \((x,z)\) 正交。
可观测数据:
- 数据源 A(主数据,如微观人口普查):观测 \((y, z, w)\),但不观测 \(x\)。即:能识别 \(y\) 与 \((z,w)\) 的联合分布。
- 数据源 B(辅助数据,如横截面调查):观测 \((x, z)\),但不观测 \(y\) 和 \(w\)。即:能识别 \(x\) 与 \(z\) 的联合分布。
- 关键点:没有任何单一数据源能同时观测 \((y, x, z, w)\) 的完整联合分布。因此完整回归系数 \(\beta\) 不可点识别。但两个数据源合起来能识别哪些量?——能识别 \(\Sigma_{xz}\)(来自 B)、\(\Sigma_{yz}, \Sigma_{yw}, \Sigma_{zz}, \Sigma_{ww}\)(来自 A),以及 \(E[y], E[x], E[z], E[w]\)(分别来自 A 和 B)。不能识别的是 \(\Sigma_{xy}\)(\(x\) 与 \(y\) 的协方差,因为没有任何数据源同时观测 \(x\) 和 \(y\))和 \(\Sigma_{xw}\)(\(x\) 与 \(w\) 的协方差)。
第二步:最小内核¶
最小内核:假设所有变量均为标量(\(x, z, w, y \in \mathbb{R}\)),且均值为零(去中心化),并暂时假设 \(z\) 不存在(即只有 \(x\) 和 \(w\) 两个协变量)。此时:
- 完整回归:\(y = \beta_x x + \beta_w w + \varepsilon\)。
- 短回归(省略 \(w\)):\(y = \tilde{\beta}_x x + \tilde{\varepsilon}\)。
- 遗漏变量偏差公式:\(\tilde{\beta}_x = \beta_x + \beta_w \cdot \gamma_x\),其中 \(\gamma_x = \text{Cov}(x,w)/\text{Var}(x)\)。
可观测量:数据源 A 给出 \(\text{Var}(y), \text{Var}(w), \text{Cov}(y,w)\);数据源 B 给出 \(\text{Var}(x)\)。不可观测量:\(\text{Cov}(x,y)\) 和 \(\text{Cov}(x,w)\)。
核心困难:\(\beta_x\) 的表达式为 \(\beta_x = \frac{\text{Cov}(x,y)\text{Var}(w) - \text{Cov}(x,w)\text{Cov}(y,w)}{\text{Var}(x)\text{Var}(w) - \text{Cov}(x,w)^2}\)。分子分母都涉及不可观测的 \(\text{Cov}(x,y)\) 和 \(\text{Cov}(x,w)\)。因此 \(\beta_x\) 不可点识别。
本文的核心思想:不试图点识别 \(\beta_x\),而是构造一个超集(superset)\(S\),使得 \(\beta_x \in S\) 必然成立,且 \(S\) 可以用可观测量来刻画。具体做法是:
- 注意到 \(\beta_x = \tilde{\beta}_x - \beta_w \gamma_x\)(由遗漏变量偏差公式)。
- \(\tilde{\beta}_x\) 可观测(由数据源 A 的短回归给出,因为 A 有 \((y,w)\),可以回归 \(y\) 对 \(w\)——等等,这里需要小心:短回归是 \(y\) 对 \(x\) 的回归,但 A 没有 \(x\)。所以 \(\tilde{\beta}_x\) 其实也不可直接观测。修正:本文的实际做法更微妙——利用两个数据源的矩条件来约束 \(\beta\) 的可行集)。
- 更准确地说,本文构造的可行集是:所有满足"与两个数据源可观测的矩条件一致"的完整数据联合分布所对应的 \(\beta\) 值。这个集合是一个超集(因为真实分布必然满足这些矩条件,所以真实 \(\beta\) 必然在集合内),但可能不是最紧的(因为还存在其他矩条件未利用)。
为什么成立:因为 \(\beta\) 是完整联合分布的确定性函数(线性投影系数),而真实联合分布必然属于"与可观测矩条件一致"的分布族,所以真实 \(\beta\) 必然属于该分布族对应的 \(\beta\) 值集合。为什么不是点识别:因为存在多个不同的完整联合分布,它们与所有可观测矩条件一致,但产生不同的 \(\beta\) 值。
最小内核的数学表述:设 \(\Theta\) 为所有与可观测矩条件一致的 \(( \Sigma_{xx}, \Sigma_{xw}, \Sigma_{xy} )\) 的可行集(注意 \(\Sigma_{xx}\) 可观测,\(\Sigma_{xw}, \Sigma_{xy}\) 不可观测但受约束)。则超集 \(S = \{ \beta(\Sigma) : \Sigma \in \Theta \}\),其中 \(\beta(\Sigma)\) 是由完整协方差矩阵 \(\Sigma\) 计算出的线性投影系数。本文的核心贡献是给出 \(\Theta\) 的一个显式刻画(利用半正定约束和可观测矩条件),从而 \(S\) 可计算。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:当完整协变量集 \((x,z,w)\) 的联合分布被分割在两个独立数据源中(一个观测 \((y,z,w)\),另一个观测 \((x,z)\))时,如何界定完整线性投影系数 \(\beta\) 的识别集合。
- 核心工具/方法:利用两个数据源可识别的矩条件(均值、方差、协方差),结合协方差矩阵的半正定约束,构造包含真实 \(\beta\) 的超集 \(S\);该超集通过求解一个半定规划(SDP)问题来计算。
- 主要结论:超集 \(S\) 是有效的(保证包含真实 \(\beta\)),且在特定条件下(如 \(w\) 与 \(x\) 的相关性有界)可以比传统的遗漏变量敏感性分析(如 Oster 2019)给出更紧的界;应用于邻里效应估计时,发现族裔聚居区对居住选择的传递效应显著,但对其他文化同化结果无显著影响。
关键设定与假设¶
- 设定:线性投影模型(非结构因果模型),\(y\) 对 \((x,z,w)\) 的线性投影系数 \(\beta\) 是目标量。两个独立数据源 \(A\) 和 \(B\),\(A\) 观测 \((y,z,w)\),\(B\) 观测 \((x,z)\)。样本量分别为 \(n_A\) 和 \(n_B\)。
- 假设 1(可观测性):数据源 \(A\) 随机抽样自总体,识别 \(P(y,z,w)\);数据源 \(B\) 随机抽样自同一总体,识别 \(P(x,z)\)。两个样本独立。
- 假设 2(矩条件):所有变量的二阶矩存在且有限。
- 假设 3(无精确匹配):两个数据源不能记录链接(no record linkage),只能利用分布层面的信息。
- 相比已有文献的放宽/强化:相比 Oster (2019),本文不需要假设可观测协变量与不可观测混杂的比例关系(\(R_{\max}\) 和 \(\delta\) 的设定);相比 Ridder & Moffitt (2007) 的完全识别条件,本文不要求两个数据源的变量集合覆盖完整协变量集,而是接受部分识别。强化在于:本文要求知道 \(w\) 与 \((x,z)\) 的哪些矩不可观测(即明确知道数据分割的边界),且要求辅助数据 \(B\) 恰好观测 \(x\) 和 \(z\)(而非其他变量组合)。
主要结果¶
- 定理 1(超集的有效性):构造的集合 \(S\) 满足 \(\beta \in S\),即 \(S\) 是真实系数的有效超集。证明思路:\(S\) 定义为所有与可观测矩条件一致的协方差矩阵对应的 \(\beta\) 值集合,而真实协方差矩阵必然满足这些矩条件。
- 定理 2(超集的刻画):\(S\) 可以表示为 \(\{ \beta : \exists \Sigma \succeq 0, \text{满足线性矩约束}, \beta = \text{线性投影}(\Sigma) \}\),且该集合是凸的(或至少是半代数集),可通过 SDP 求解。证明思路:将 \(\beta\) 的表达式代入矩约束,利用 Schur 补引理将半正定约束转化为线性矩阵不等式(LMI)。
- 定理 3(紧致性条件):在 \(w\) 与 \(x\) 的偏相关性有已知上界(如 \(|\text{Corr}(x,w|z)| \leq \rho\))的条件下,超集 \(S\) 的宽度随 \(\rho\) 单调递减,且当 \(\rho \to 0\) 时 \(S\) 收缩到点 \(\tilde{\beta}_x\)(短回归系数)。证明思路:利用遗漏变量偏差公式 \(\beta_x = \tilde{\beta}_x - \beta_w \gamma_x\),将 \(\gamma_x\) 的界转化为 \(\beta_x\) 的界。
- 推论(与 Oster 2019 的比较):在特定参数化下,本文的超集 \(S\) 包含 Oster (2019) 的识别区间,但通常更紧(因为利用了辅助数据的信息)。证明思路:Oster 的界对应 \(\gamma_x\) 的某个特定取值范围,而本文的 \(S\) 允许 \(\gamma_x\) 在更广但受矩约束的范围内变化。
证明路线与技术技巧¶
整体路线(3-5 步主干):
- 写出完整协方差矩阵 \(\Sigma = \text{Var}(y,x,z,w)\),并分解为可观测块(来自 \(A\) 和 \(B\))与不可观测块(\(\Sigma_{xy}, \Sigma_{xw}\))。
- 利用半正定约束:\(\Sigma \succeq 0\) 等价于 Schur 补条件,将不可观测块与可观测块联系起来。
- 将 \(\beta\) 表示为 \(\Sigma\) 的函数:\(\beta = \Sigma_{xx}^{-1} \Sigma_{xy}\)(分块形式),其中 \(\Sigma_{xx}\) 是 \((x,z,w)\) 的协方差矩阵。
- 消除不可观测块:将 \(\beta\) 的表达式代入矩约束和半正定约束,得到关于 \(\beta\) 的可行性条件(LMI)。
- 求解 SDP:对每个目标方向(如 \(\beta_x\) 的最小/最大值),求解一个 SDP 来得到超集的端点。
关键跳跃点:
- 跳跃 1(从矩约束到 LMI):难点在于将"存在 \(\Sigma \succeq 0\) 满足矩约束"这一条件转化为关于 \(\beta\) 的显式约束。作者用 Schur 补引理将 \(\Sigma \succeq 0\) 转化为 \(A - B C^{-1} B' \succeq 0\) 形式,其中 \(A, B, C\) 是 \(\beta\) 的仿射函数。这一步是技术核心。
- 跳跃 2(超集的凸性):作者证明 \(S\) 是凸集(或至少每个坐标方向的端点可通过凸优化求得)。这需要验证可行性条件关于 \(\beta\) 是凸的——利用 LMI 的凸性。
- 跳跃 3(与 Oster 2019 的比较):作者将 Oster 的识别区间嵌入本文的框架,证明 Oster 的假设(比例关系)对应本文矩约束的一个特例,从而本文的 \(S\) 包含 Oster 的区间。这一步需要仔细的参数对应。
技术技巧点名:
- Schur 补引理:用于将半正定约束转化为 LMI。
- 半定规划(SDP):用于计算超集的端点。
- 遗漏变量偏差公式:\(\tilde{\beta}_x = \beta_x + \beta_w \gamma_x\),用于连接短回归与完整回归。
- 部分识别框架:Manski (2003) 的集合估计思想。
真实例子与应用¶
- 数据:美国人口普查微观数据(主数据,含居住史但缺偏好)与 Current Population Survey(辅助数据,含偏好但缺居住史)。
- 场景:估计"童年居住于族裔聚居区"(\(x\))对"成年后居住于族裔聚居区"(\(y\))的效应,控制变量包括年龄、性别、教育(\(z\))和详细居住史(\(w\))。\(w\) 在主数据中可观测,但辅助数据中不可观测;\(x\) 在辅助数据中可观测,但主数据中不可观测(或反之)。
- 方法应用:用本文的超集方法构造 \(\beta_x\) 的识别区间。
- 结果:发现 \(\beta_x\) 的识别区间完全位于正数区域,即"童年居住于族裔聚居区显著提高成年后居住于族裔聚居区的概率";但对其他文化同化结果(如语言使用、婚姻选择),识别区间包含零,即无显著效应。
- 例子想说明什么:①方法在真实数据上可计算(SDP 求解可行);②识别区间虽然宽于点估计,但仍能提供有意义的结论(如正效应);③与 Oster (2019) 的敏感性分析相比,本文的区间更紧(因为利用了辅助数据的信息)。
🔎 结论是否比证明窄¶
- 定理 1 的声明:作者声称 \(S\) 是"超集"(superset),但证明中只验证了 \(S\) 包含真实 \(\beta\),未证明 \(S\) 是最紧的(即未证明 \(S\) 等于所有与矩约束一致的 \(\beta\) 的集合)。作者在文中承认"\(S\) 可能不是最紧的,因为未利用所有可能的矩条件"(见原文 Section 3 末尾的讨论)。这是一个声明比证明宽的地方——作者在摘要和引言中用"superset"一词,但未强调其非紧致性。
- 定理 3 的声明:作者声称"当 \(\rho \to 0\) 时 \(S\) 收缩到 \(\tilde{\beta}_x\)",但证明中假设 \(\beta_w\) 有界且 \(\gamma_x\) 的界是紧的。若 \(\beta_w\) 无界或 \(\gamma_x\) 的界不紧,收缩速度可能更慢。作者未讨论这些边界情况。
- 应用部分的因果解释:作者在应用部分将 \(\beta_x\) 解释为"邻里效应",但线性投影系数并不等同于因果效应(除非施加额外的无混杂假设)。作者在文中承认这一点("I do not interpret these coefficients as causal effects"),但在摘要中使用了"effects"一词,存在轻微的不一致。
四、开放问题¶
-
紧致性(tightness)问题:本文的超集 \(S\) 是否是最紧的?即是否存在一个更小的集合 \(S' \subset S\),使得 \(S'\) 仍然包含所有与矩约束一致的 \(\beta\)?作者未证明 \(S\) 的紧致性,也未给出反例。扎根于:原文 Section 3 末尾"\(S\) may not be tight"的讨论。要确认这是否为真 gap,可去读 Beresteanu et al. (2011) 和 Chernozhukov et al. (2013) 近期关于部分识别紧致性的工作。
-
推断问题:本文只给出了超集 \(S\) 的点估计(通过 SDP 求解),但未给出 \(S\) 的置信区域(confidence region)。如何在两个独立样本下构造 \(S\) 的一致置信区域?这需要处理 SDP 解的不确定性传播。扎根于:原文未提及推断,这是明显的空白。可参考 Chernozhukov et al. (2013) 关于部分识别推断的通用方法。
-
非线性/高维推广:本文的线性投影设定是核心简化。能否将超集方法推广到非线性模型(如 Logit/Probit)或高维协变量(\(p > n\))?在高维下,半正定约束和 SDP 的规模会急剧增长,需要新的计算技巧。扎根于:原文假设所有变量二阶矩存在且有限,且未讨论高维情形。这与你的高维统计和随机矩阵理论背景直接相关——例如,能否用随机矩阵理论刻画高维下 \(S\) 的渐近宽度?
-
与 Oster (2019) 的深层比较:本文声称 \(S\) 包含 Oster 的识别区间,但未给出何时 \(S\) 严格小于 Oster 区间的充分条件。能否刻画"辅助数据的信息量"(即 \(B\) 数据源对 \((x,z)\) 的覆盖程度)与 \(S\) 宽度之间的解析关系?扎根于:原文推论部分的比较分析。这与你的 semiparametric efficiency 背景相关——辅助数据的信息量本质上是一个效率问题。
-
数据分割的内生性:本文假设两个数据源是独立随机样本。如果数据源 \(A\) 和 \(B\) 的抽样概率依赖于 \((x,z,w,y)\) 的值(如行政数据偏向特定人群),超集 \(S\) 是否仍然有效?扎根于:原文假设"两个数据集随机抽样自同一总体",但未讨论抽样偏差。这与你的 causal inference 背景中的 selection bias 问题直接相关。
提醒:要确认上述哪条是真正的 gap,建议去读该子领域近期约 5 篇论文的引言(如 Journal of Business & Economic Statistics 和 Journal of Econometrics 上关于数据融合与部分识别的文章)。如果多篇都指向同一问题(如紧致性或推断),那很可能是共识性 gap;如果各篇互相矛盾,那可能是机会所在。
Maintained by 陈星宇 · Homepage · Source on GitHub