Unconfoundedness as an Information Constraint¶
作者: Christoph Breunig
主题: 因果推断
相关性: 8/10
链接: https://arxiv.org/abs/2611.03550
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因果推断中的识别理论,具体而言:在观察性研究中,当"无混杂性"(unconfoundedness / ignorability)这一核心识别假设不成立时,我们能否用更弱、更可解释的信息约束来刻画选择机制,并判断在什么条件下这些约束足以恢复因果效应的识别。该方向的核心张力在于:完全的无混杂性(\(Y^d \perp\!\!\!\perp D \mid X\))在实证中往往过于强,而完全放弃它则导致识别失败;因此研究者试图在"允许一定程度的不可观测选择"与"仍能识别因果参数"之间寻找中间地带。该方向当前处于活跃发展阶段,但尚未形成统一框架——不同论文用不同的偏离度量(如选择比、偏误放大因子、信息论量)来参数化"偏离无混杂性的程度"。
发展脉络¶
- 奠基工作:倾向得分与无混杂性。Rosenbaum and Rubin (1983, 1984) 建立了无混杂性下基于倾向得分的识别与估计框架,这是整个方向的基准。本文引用其作为"标准假设"的起点,并明确指出自己的目标是允许偏离这一假设。
- 敏感性分析传统:当无混杂性被质疑时,实证研究者通常转向敏感性分析。本文引言中提到的 Altonji, Elder, and Taber (2005) 和 Oster (2019) 代表了一条重要线索:用"选择关于可观测变量的强度"来推断"选择关于不可观测变量的强度",从而评估结论的稳健性。Oster (2019) 的核心贡献是将系数移动与 R² 移动联系起来,构造偏误的显式表达式。这条线索的局限在于:它假设可观测与不可观测选择的比例关系,而非从信息论角度刻画选择机制本身。
- 部分识别与信息论界限:另一条线索是用信息论量来界定因果效应。Janzing, Balduzzi, and Schölkopf (2013) 提出用信息流度量因果强度;Jung and Kang (2026) 建立无混杂性下基于 f-散度的因果效应界限。本文与后者的区别在于:Jung-Kang 用信息论量做部分识别(给出效应区间),而 Breunig 用信息论约束做点识别(在约束下恢复无混杂性)。
- 工具变量与内生选择:d'Haultfœuille (2010) 用工具变量处理内生选择,其识别策略基于工具与选择指标的独立性。本文在 IV 扩展部分(第 4.3 节)直接对话这条线索,用互信息约束替代工具变量的完全外生性。
- 本文的位置:Breunig 的贡献在于用条件互信息(CMI)作为偏离无混杂性的度量,并证明了一个双向等价:CMI 约束 ⇔ 处理概率的乘法分解。这既统一了上述多条线索(敏感性分析、部分识别、IV),又给出了一个可检验的充分条件(倾向得分的秩条件)使得弱约束等价于强识别。
子线索聚类¶
- 基于倾向得分的识别与估计(Rosenbaum-Rubin 1983/1984; Hirano-Imbens 2004; Imbens 2004):核心是"给定 X 后处理分配与潜在结果独立",方法上依赖倾向得分的估计与加权/分层/匹配。本文的乘法分解直接推广了这一框架——当无混杂性失败但 CMI 约束成立时,倾向得分仍可分解为"潜变量部分 × 协变量部分"。
- 基于选择可观测性的敏感性分析(Altonji-Elder-Taber 2005; Oster 2019; Chernozhukov et al. 2026):核心是"用可观测选择强度推断不可观测选择强度",产出是偏误的界限或校正估计量。本文的 CMI 约束提供了一种非参数的替代:不假设比例关系,而是假设"潜在结果关于处理的信息不超过潜在异质性关于处理的信息"。
- 信息论因果度量与界限(Ay-Polani 2008; Janzing et al. 2013; Jung-Kang 2026):核心是用互信息、f-散度等量度量因果强度或界定效应。本文的独特之处在于用信息论约束做等价性刻画(而非界限),即 CMI 约束在秩条件下等价于无混杂性。
- 工具变量与内生选择识别(d'Haultfœuille 2010; Abadie 2003; Imbens-Angrist 1994):核心是用工具变量排除不可观测混淆。本文第 4.3 节将 CMI 框架扩展到 IV 设定,用互信息约束替代工具外生性。
这个方向在追问的核心问题¶
- 偏离无混杂性的程度如何度量? 现有答案包括:选择比(AET 2005)、偏误放大因子(Oster 2019)、f-散度界限(Jung-Kang 2026)。本文的答案是:条件互信息 \(I(Y^d; D \mid X)\)。
- 在什么条件下,弱约束足以恢复点识别? 本文的答案是:倾向得分向量的二阶矩矩阵满秩(对多元处理),或倾向得分非常数(对二元处理)。
- 这些约束是否可检验? 本文的答案是:秩条件只涉及可观测的 \((D, X)\) 联合分布,可用 Chen-Fang (2019) 的秩检验评估(附录 B 做了模拟)。
⚠️ 作者的 framing(这是作者的说法)¶
作者将 CMI 约束 \(I(Y^d; D \mid X) \le I(U^d; D)\) 框定为"允许内生选择,但要求潜在结果关于处理的信息不超过潜在异质性关于处理的信息"。他声称这一约束"在允许内生选择的模型中"成立,且"尽管 CMI 限制允许内生选择,但当处理概率随协变量变化足够丰富时,该限制等价于无混杂性"。注意:作者将 CMI 约束与无混杂性的等价性作为核心卖点,但这一等价性依赖于两个关键假设:(i) 潜在结果的可加/可乘表示 \(Y^d = m^d(X, U^d)\) 且 \(U^d \perp\!\!\!\perp X\);(ii) 秩条件(倾向得分向量二阶矩满秩)。作者淡化了 (i) 中 \(U^d \perp\!\!\!\perp X\) 这一假设的强度——它本身就是一个排除工具变量与协变量相关的约束。值得研究者去查的问题:如果 \(U^d\) 与 \(X\) 相关(例如,潜在异质性本身受协变量影响),CMI 约束是否还能推出乘法分解?作者在第 4.1 节用 \(W\) 条件化部分回应了这一点,但 \(U^d \perp\!\!\!\perp X \mid W\) 仍然是一个强假设。
张力¶
- 未见明显对立引用:本文引用的工作之间没有直接矛盾。但存在一个隐含张力:Oster (2019) 和 Chernozhukov et al. (2026) 的敏感性分析框架允许研究者显式地参数化不可观测选择,而本文的 CMI 约束是一个非参数约束。前者更灵活但依赖参数假设,后者更一般但可能难以在实证中验证(互信息的估计需要密度估计)。这个张力值得研究者注意:CMI 约束的可检验性(通过秩条件)是间接的——它检验的是"倾向得分是否足够变化",而非"CMI 约束本身是否成立"。
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¶
符号清单(逐个点名):
| 记号 | 含义 | 类型 |
|---|---|---|
| \(D\) | 处理变量,取值于 \(\mathcal{D} = \{0, 1, \ldots, K\}\) | 可观测随机变量 |
| \(Y^d\) | 潜在结果(potential outcome),\(d \in \mathcal{D}\) | 潜在(反事实)量 |
| \(Y\) | 观测结果,\(Y = \sum_{d \in \mathcal{D}} \mathbf{1}\{D = d\} Y^d\) | 可观测随机变量 |
| \(X\) | 协变量向量 | 可观测随机变量 |
| \(U^d\) | 潜在异质性(latent heterogeneity),\(U^d \perp\!\!\!\perp X\) | 潜在(不可观测)量 |
| \(m^d(x, u)\) | 潜在结果的确定性函数,\(Y^d = m^d(X, U^d)\) | 结构函数(未知) |
| \(p(X) = (P(D=0 \mid X), \ldots, P(D=K \mid X))^\top\) | 倾向得分向量 | 由可观测分布识别 |
| \(I(V; R)\) | 互信息 | 信息论量 |
| \(I(V; R \mid X)\) | 条件互信息 | 信息论量 |
| \(I^d(V; R)\) | \(d\)-specific 互信息(对 \(D=d\) 条件化) | 信息论量 |
模型(数据生成机制):
-
潜在结果表示:对每个 \(d \in \mathcal{D}\),\(Y^d = m^d(X, U^d)\),其中 \(U^d \perp\!\!\!\perp X\)。这个表示总是可以通过条件秩变换(conditional rank transform)得到:取 \(U^d = F_{Y^d \mid X}(Y^d \mid X)\),则 \(U^d \sim \text{Unif}(0,1)\) 且 \(U^d \perp\!\!\!\perp X\),\(Y^d\) 可由 \(m^d(x, u) = F^{-1}_{Y^d \mid X}(u \mid x)\) 恢复。注意:这个表示是"无成本的"——它不施加任何可检验的约束,只是重新参数化。
-
技术条件 (2.2):\(U^d \perp\!\!\!\perp D \mid (Y^d, X)\)。这个条件要求:给定潜在结果和协变量后,潜在异质性不再提供关于处理的额外信息。在 \(m^d(x, \cdot)\) 几乎处处单射的条件下,这等价于 \(U^d \perp\!\!\!\perp D \mid (Y^d, X)\) 与 \(Y^d\) 可逆,此时 \(U^d\) 可由 \((Y^d, X)\) 恢复。
-
CMI 约束:\(I(Y^d; D \mid X) \le I(U^d; D)\)。在模型 (2.1)–(2.2) 下,由 Lemma A.1,\(I(Y^d; D \mid X) = I(U^d; D \mid X)\),因此 CMI 约束等价于 \(I(U^d; D \mid X) \le I(U^d; D)\),即条件互信息不超过无条件互信息。
可观测数据:研究者观测到 \((Y, D, X)\) 的 \(n\) 个独立同分布样本。不可观测:\(U^d\)(对所有 \(d\))、\(Y^d\)(对 \(d \neq D\))。
目标 estimand:平均处理效应 \(\text{ATE} = \mathbb{E}[Y^1 - Y^0]\),或条件平均处理效应 \(\text{CATE}(x) = \mathbb{E}[Y^1 - Y^0 \mid X = x]\)。
第二步:最小内核¶
核心命题(最小版本):考虑二元处理 \(D \in \{0, 1\}\),潜在结果 \(Y^d = m^d(X, U^d)\),\(U^d \perp\!\!\!\perp X\),且 \(U^d \perp\!\!\!\perp D \mid (Y^d, X)\)。假设倾向得分 \(p(X) = P(D=1 \mid X)\) 不是常数。则 CMI 约束 \(I(Y^d; D \mid X) \le I(U^d; D)\) 成立当且仅当 \(Y^d \perp\!\!\!\perp D \mid X\)(即无混杂性)。
为什么这个命题成立? 关键在于 Lemma A.2 的等价链:
- 由 Lemma A.1,在模型 (2.1)–(2.2) 下,\(I(Y^d; D \mid X) = I(U^d; D \mid X)\)。
- 因此 CMI 约束 \(I(Y^d; D \mid X) \le I(U^d; D)\) 等价于 \(I(U^d; D \mid X) \le I(U^d; D)\)。
- 由互信息的性质,\(I(U^d; D) - I(U^d; D \mid X) = I(U^d; D; X)\)(三变量交互信息)。交互信息可正可负。
- 但由 \(U^d \perp\!\!\!\perp X\)(模型假设),\(I(U^d; X) = 0\)。由交互信息的对称性,\(I(U^d; D; X) = I(U^d; X) - I(U^d; X \mid D) = -I(U^d; X \mid D) \le 0\)。
- 因此 \(I(U^d; D \mid X) \le I(U^d; D)\) 恒成立,且等号当且仅当 \(I(U^d; X \mid D) = 0\),即 \(U^d \perp\!\!\!\perp X \mid D\)。
- 结合 \(U^d \perp\!\!\!\perp X\) 和 \(U^d \perp\!\!\!\perp X \mid D\),可得 \(U^d \perp\!\!\!\perp (X, D)\),从而 \(U^d \perp\!\!\!\perp D \mid X\)。
- 由于 \(Y^d = m^d(X, U^d)\),\(U^d \perp\!\!\!\perp D \mid X\) 蕴含 \(Y^d \perp\!\!\!\perp D \mid X\),即无混杂性。
为什么需要"倾向得分非常数"? 在步骤 6 中,从 \(U^d \perp\!\!\!\perp X\) 和 \(U^d \perp\!\!\!\perp X \mid D\) 推出 \(U^d \perp\!\!\!\perp (X, D)\) 需要 \(D\) 与 \(X\) 相关(否则 \(X \mid D\) 的条件分布与 \(X\) 的无条件分布相同,无法提供额外信息)。这正是秩条件/非常数倾向得分的作用。直观理解:如果倾向得分是常数,那么 \(D\) 与 \(X\) 独立,条件化于 \(D\) 不会改变 \(X\) 的分布,因此 \(U^d \perp\!\!\!\perp X \mid D\) 不提供任何关于 \(U^d\) 与 \(D\) 独立性的信息。
这个最小内核揭示了什么? 论文的核心数学贡献是:一个看似允许内生选择的弱信息约束(CMI),在倾向得分足够变化的条件下,实际上等价于无混杂性。换句话说,CMI 约束并没有真正"放松"无混杂性——它只是用信息论语言重新表述了它。这是一个负结果(在好意义上):它告诉我们,仅靠"信息不超过潜在异质性"这类约束,无法在不假设无混杂性的情况下识别因果效应;必须要么加强约束(如状态特定约束),要么放弃点识别(转向部分识别)。
最小内核的推广方向(论文第 3、4 节): - 状态特定约束(Theorem 3.3):只对特定处理状态 \(d'\) 施加 CMI 约束,允许其他状态存在任意选择。此时边界支撑条件(\(P(D=d' \mid X)\) 可以任意接近 1)取代秩条件,给出状态特定的外生性。 - 连续处理(第 4.2 节):用条件密度的完备性条件取代秩条件。 - 工具变量(第 4.3 节):将 CMI 约束施加在工具变量 \(Z\) 与潜在结果之间,而非处理与潜在结果之间。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在允许内生选择的潜在结果模型中,一个基于条件互信息(CMI)的弱信息约束——"潜在结果关于处理的条件信息不超过潜在异质性关于处理的信息"——在什么条件下等价于无混杂性,从而保证因果效应的点识别。
- 核心工具/方法:交互信息(interaction information)的对称性分解、乘法因子分解定理(Theorem 3.1)、秩条件(倾向得分向量二阶矩满秩)与边界支撑条件。
- 主要结论:在模型 (2.1)–(2.2) 下,CMI 约束等价于处理概率的乘法分解;当倾向得分向量二阶矩满秩时(多元处理)或倾向得分非常数时(二元处理),CMI 约束等价于无混杂性;状态特定 CMI 约束在边界支撑条件下给出状态特定的外生性;连续处理和 IV 设定有相应推广。
关键设定与假设¶
- 模型 (2.1):\(Y^d = m^d(X, U^d)\),\(U^d \perp\!\!\!\perp X\)。这是潜在结果的结构表示,总是可行(通过条件秩变换),不施加可检验约束。
- 技术条件 (2.2):\(U^d \perp\!\!\!\perp D \mid (Y^d, X)\)。这要求潜在异质性在给定潜在结果和协变量后不提供额外处理信息。相比无混杂性 \(Y^d \perp\!\!\!\perp D \mid X\),这是一个更弱的条件——它允许 \(D\) 与 \(Y^d\) 相关,只要这种相关性完全通过 \(X\) 和 \(U^d\) 中可被 \(Y^d\) 捕捉的部分传导。
- CMI 约束:\(I(Y^d; D \mid X) \le I(U^d; D)\)。这是论文的核心假设,允许 \(Y^d\) 与 \(D\) 在给定 \(X\) 后仍然相关,但要求这种相关性不超过 \(U^d\) 与 \(D\) 的无条件相关性。
- 秩条件(Assumption 1):\(E[p(X)p(X)^\top]\) 满秩。对二元处理,等价于 \(P(D=1 \mid X)\) 不是常数。相比已有文献:这是对倾向得分的变化性要求,与重叠条件(overlap)不同——重叠要求 \(0 < P(D=d \mid X) < 1\),而秩条件只要求倾向得分随 \(X\) 变化。
- 边界支撑条件(Theorem 3.3):\(P(P(D=d' \mid X) > 1-\varepsilon) > 0\) 对所有 \(\varepsilon > 0\)。这允许倾向得分任意接近 1,但不要求达到 1。
主要结果¶
-
Theorem 3.1(乘法分解):在模型 (2.1)–(2.2) 下,CMI 约束等价于 \(P(D=d' \mid U^d, X) = g_{d,d'}(U^d) h_{d'}(X)\),即处理概率分解为潜变量部分和协变量部分的乘积。证明路线:由 Lemma A.1 将 CMI 约束转化为 \(I(U^d; D \mid X) \le I(U^d; D)\),再由 Lemma A.2 等价于 \(I(U^d; X \mid D) = 0\)(利用 \(U^d \perp\!\!\!\perp X\)),最后通过条件密度的乘法分解得到结论。关键技巧:交互信息的对称性——\(I(U^d; D; X) = I(U^d; D) - I(U^d; D \mid X) = I(U^d; X) - I(U^d; X \mid D)\),结合 \(I(U^d; X) = 0\) 将 CMI 约束转化为条件独立性。
-
Theorem 3.2(等价于无混杂性):在模型 (2.1)–(2.2) 和 Assumption 1 下,CMI 约束等价于 \(Y^d \perp\!\!\!\perp D \mid X\)。证明路线:由乘法分解和秩条件,利用 \(E[p(X)p(X)^\top]\) 满秩推出 \(g_{d,d'}(U^d) = 1\) 几乎必然,从而 \(P(D=d' \mid U^d, X) = P(D=d' \mid X)\),即 \(D \perp\!\!\!\perp U^d \mid X\),进而 \(Y^d \perp\!\!\!\perp D \mid X\)。难点:从乘法分解到 \(g=1\) 的步骤需要秩条件——如果 \(p(X)\) 不满秩,则存在非零向量 \(a\) 使得 \(a^\top p(X) = 0\) 几乎必然,无法识别 \(g\)。
-
Theorem 3.3(状态特定约束):在模型 (2.1)–(2.2) 下,若 CMI 约束只对状态 \(d'\) 成立,且 \(P(D=d' \mid X)\) 可以任意接近 1,则 \(Y^d \perp\!\!\!\perp \mathbf{1}\{D=d'\} \mid X\)。证明路线:利用 \(I^{d'}(Y^d; D \mid X) \le I^{d'}(U^d; D)\) 和边界支撑条件,通过类似 Lemma A.2 的论证得到 \(U^d \perp\!\!\!\perp \mathbf{1}\{D=d'\} \mid X\)。与 Theorem 3.2 的区别:这里不需要秩条件,但需要边界支撑——直观上,如果某个协变量组中 \(D=d'\) 几乎必然发生,那么在这个组内 \(D\) 不提供关于 \(U^d\) 的信息。
-
Theorem 4.2(连续处理):在连续处理下,若 \(Y^d\) 有界、\(r^d(\cdot, u) - 1 \in H\)、点态相关性和 Lipschitz 条件成立,则 \(E[Y^d \mid X] = E[Y \mid D=d, X]\)。证明路线:利用乘法分解的连续版本和点态相关性条件,通过条件期望的展开和 Lipschitz 控制误差项。技术技巧:将离散处理的秩条件替换为连续处理的完备性条件(点态相关性),用 Lipschitz 条件控制 \(D\) 接近 \(d\) 时的近似误差。
真实例子与应用¶
- Example 2.4(选择可观测与不可观测):一个三状态处理(不参与、培训类型 1、培训类型 2)的例子。参与决策基于潜变量 \(U^d\),类型分配基于协变量 \(X\)。该例子说明 CMI 约束允许"参与选择"但排除"类型选择"中的不可观测混杂。
- Example 3.1(ATT):用 CMI 约束识别平均处理效应(ATT)。核心逻辑:只需对未处理状态施加 CMI 约束,结合边界支撑条件(\(P(D=1 \mid X)\) 可以任意接近 0),即可识别 \(E[Y^0 \mid D=1]\)。
- Example 3.2(Roy 模型):三部门 Roy 模型,说明状态特定 CMI 约束如何排除基于比较优势的选择,同时允许基于绝对优势的选择。
- 附录 B(模拟):用 Chen-Fang (2019) 秩检验评估 Assumption 1 的有限样本表现。设计:\(D \in \{0,1,2\}\),\(X\) 离散(3 个取值)或连续(正态),\(\theta\) 控制选择机制。结果:离散设计在 \(n=500\) 时秩检验过度拒绝(拒绝率 0.087–0.193),\(n=5000\) 时接近名义水平;连续设计在所有样本量下表现良好。这个模拟说明:秩条件的检验在离散协变量和小样本下可能不可靠,需要谨慎解释。
🔎 结论是否比证明窄¶
- Theorem 3.2 的陈述是"CMI 约束等价于无混杂性",但证明依赖于模型 (2.1)–(2.2),特别是 \(U^d \perp\!\!\!\perp X\) 和 \(U^d \perp\!\!\!\perp D \mid (Y^d, X)\)。作者在引言中声称"CMI 约束允许内生选择",但 Theorem 3.2 表明在秩条件下它不允许——这是一个值得注意的落差。具体语句:Theorem 3.2 的陈述是"Then CMIR(d) is equivalent to \(Y^d \perp\!\!\!\perp D \mid X\)",但证明中使用了 Lemma A.2,而 Lemma A.2 的证明依赖于 \(U^d \perp\!\!\!\perp X\)。如果 \(U^d\) 与 \(X\) 相关(例如,潜在异质性受协变量影响),则 CMI 约束不再等价于无混杂性。
- Theorem 3.3 的陈述是"状态特定 CMI 约束 + 边界支撑 ⇒ 状态特定外生性",但证明中假设了 \(P(D=d' \mid X)\) 可以任意接近 1。这个边界支撑条件在实证中可能难以验证——它要求存在协变量组使得处理状态几乎必然发生。作者在讨论中承认这一点,但没有提供检验边界支撑的方法。
- Theorem 4.2 的陈述是"连续处理下 CMI 约束 + 点态相关性 ⇒ 条件均值识别",但证明中假设了 Lipschitz 条件和 \(r^d(\cdot, u) - 1 \in H\)。这些条件在实证中难以验证,且 \(H\) 的选择会影响结论。作者没有讨论 \(H\) 的选择如何影响识别结果。
四、开放问题¶
-
CMI 约束的可检验性(扎根于 Theorem 3.2 和附录 B):作者证明了 CMI 约束在秩条件下等价于无混杂性,但秩条件本身(Assumption 1)只涉及可观测的 \((D, X)\) 分布,可以用 Chen-Fang (2019) 检验。然而,CMI 约束本身是否可检验?作者没有给出直接检验 CMI 约束的方法——他检验的是秩条件,而非 CMI 约束。如果 CMI 约束不可检验,那么它在实证中的价值就仅限于"理论上的合理性论证"。
-
\(U^d \perp\!\!\!\perp X\) 的稳健性(扎根于模型 (2.1)):这个假设是 Lemma A.2 的关键,但作者没有讨论如果 \(U^d\) 与 \(X\) 相关会怎样。在实证中,潜在异质性几乎必然与协变量相关(例如,能力与教育相关)。一个值得探索的问题:如果 \(U^d\) 与 \(X\) 相关,CMI 约束是否仍然有界?能否推导出识别偏误的界限?
-
边界支撑条件的验证(扎根于 Theorem 3.3):作者证明了边界支撑条件下状态特定 CMI 约束等价于状态特定外生性,但没有提供检验边界支撑的方法。在实证中,如何判断是否存在协变量组使得处理状态几乎必然发生?这可能需要新的检验方法。
-
连续处理的完备性条件(扎根于 Assumption 2 和 Theorem 4.2):作者用完备性条件取代秩条件,但完备性条件在实证中更难验证。一个开放问题:能否用更弱的条件(如近似完备性)替代?近似完备性条件下的识别偏误有多大?
-
信息论约束与参数模型的衔接(扎根于引言中的文献综述):CMI 约束是非参数的,但实证研究者通常使用参数模型(如 Logit/Probit 倾向得分模型)。一个值得探索的问题:在参数模型中,CMI 约束对应什么参数约束?能否用似然比检验来验证?
给研究者的提醒:要确认上述哪一条是真正的 gap,建议去读以下论文的引言和结论部分,看它们是否已经解决了这些问题:(i) Jung and Kang (2026) 的 f-散度界限是否已经隐含了 CMI 约束的可检验版本;(ii) d'Haultfœuille (2010) 的 IV 方法是否已经处理了 \(U^d\) 与 \(X\) 相关的情形;(iii) 最近 5 年关于敏感性分析的论文(如 Chernozhukov et al. 2026)是否已经给出了边界支撑条件的检验方法。如果这些论文都没有解决上述问题,那么它们就是值得深入的方向。
Maintained by 陈星宇 · Homepage · Source on GitHub