跳转至

Long-term Causal Inference Under Persistent Confounding via Data Combination

讲者: Yuhao Wang
会场: Data Integration and Surrogate Endpoint for Causal Inference
报告题目: Long-Term Causal Inference under Persistent Confounding via Data Combination
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：如何估计一个干预（如职业培训、教育项目、网页设计）的长期因果效应，当随机实验（A/B测试）的时长不足以观测到长期结果，而观测数据虽然包含长期结果却受未观测混杂（unobserved confounding）污染时。 核心挑战是“持久混杂”（persistent confounding）：未观测混杂因子不仅影响短期结果，也影响长期结果，从而同时破坏了基于观测数据的因果识别和基于实验数据的简单外推。当前该方向的成熟度处于“方法快速涌现但核心假设仍很严格”的阶段，本文是第一个系统性地利用短期结果内部时序结构来处理持久混杂的工作。

发展脉络（history）

  1. 奠基工作：潜在结果框架与随机实验的黄金标准
  2. Rubin [1974]：奠定了潜在结果框架，明确了随机化在因果推断中的核心地位。这是所有后续工作的语言基础。

  3. Prentice [1989]：提出“统计替代指标”（statistical surrogate）准则，要求长期结果与处理条件独立于替代指标。这是早期用短期结果替代长期结果的核心假设，但该准则极易被违反（如持久混杂存在时）。

  4. 主要进展：数据融合与替代指标方法

  5. Athey et al. [2019]（The Surrogate Index）：开创性地提出结合短期实验数据（无长期结果）和长期观测数据（有长期结果）来估计长期效应。其核心假设是“潜在无混杂”（latent unconfoundedness）：Y(a) ⊥ A | S(a), X, G=O。该假设排除了持久混杂（因为持久混杂会导致A和Y(a)通过U相连，而S(a)无法阻断该路径）。本文的定位：Athey et al. [2019] 是本文最直接的竞争路线，但本文明确指出其假设在持久混杂下不成立。
  6. Athey et al. [2020]：在相同设定下（实验数据无长期结果，观测数据有长期结果），假设“潜在无混杂”并给出识别公式。本文的定位：Athey et al. [2020] 是本文最直接的基准方法，但本文在数值实验中展示其因无法处理持久混杂而表现更差。

  7. Battocchi et al. [2021]、Yang et al. [2020a]：将Athey et al. [2019]的框架扩展到动态处理或最优策略学习，但同样依赖替代指标准则，无法处理持久混杂。

  8. 当前Frontier：近端因果推断（Proximal Causal Inference）与代理变量方法

  9. Miao et al. [2016]：开创性地证明，利用两种不同类型的代理变量（负控制结果和负控制处理）可以在存在未观测混杂时识别因果效应。这是近端因果推断的奠基工作。本文的定位：本文的桥函数方法在数学形式上与Miao et al. [2016]的“结果桥函数”有类比，但本文的代理变量（S1, S3）都受处理影响，不满足Miao et al. [2016]的“负控制”条件，因此需要新的识别策略。
  10. Miao and Tchetgen [2018]、Kallus et al. [2021]：进一步发展了桥函数的估计方法（如GMM、minimax学习）。本文的定位：本文的桥函数估计直接借鉴了这些方法，但本文的识别策略是全新的（利用了实验数据）。

  11. Ghassami et al. [2022a]（并发工作）：提出“近端数据融合”（proximal data fusion）策略，使用额外的代理变量（Z）来缓解长期因果推断中的潜在混杂。本文的定位：本文与Ghassami et al. [2022a]在识别策略上有密切联系（当Z=S1, M=S3且条件于S2时等价），但本文独特地证明了短期结果本身（无需额外变量）足以处理持久混杂，并提供了完整的估计与推断理论。

  12. 本文的位置：本文是第一个系统性地利用短期结果内部的时序结构（将短期结果分为S1, S2, S3三组，并假设S2阻断S1与(S3, Y)之间的路径）来处理持久混杂的工作。它填补了Athey et al. [2019, 2020]无法处理持久混杂的缺口，同时将近端因果推断的桥函数方法从单一观测数据推广到“实验+观测”数据融合场景。

子线索聚类

  1. 替代指标（Surrogate）线索：以Prentice [1989]为起点，Athey et al. [2019, 2020]为核心，Battocchi et al. [2021]、Yang et al. [2020a]为扩展。核心假设是“替代指标能完全阻断处理与长期结果之间的依赖”。瓶颈：无法处理持久混杂（处理对长期结果有直接效应，或短期与长期结果共享未观测混杂）。

  2. 近端因果推断（Proximal Causal Inference）线索：以Miao et al. [2016]为起点，Miao and Tchetgen [2018]、Kallus et al. [2021]、Shi et al. [2020]等为发展。核心工具是“桥函数”（bridge function），通过代理变量（负控制）来识别因果效应。瓶颈：通常要求代理变量不受处理影响（负控制），且仅使用单一观测数据。

  3. 数据融合（Data Combination）线索：以Athey et al. [2019]为起点，Kallus and Mao [2020]、Colnet et al. [2020]等为发展。核心思想是结合实验和观测数据的互补优势。瓶颈：要么依赖替代指标假设（无法处理持久混杂），要么假设两个数据集都满足无混杂（如Kallus and Mao [2020]）。

这个方向在追问的核心问题

  1. 如何放松“替代指标”或“潜在无混杂”假设，以允许持久混杂的存在？
    当前主流方法（Athey et al. [2019, 2020]）的识别依赖于这些假设，而持久混杂会系统性地违反它们。本文的答案是：利用短期结果的时序结构（S1, S2, S3）和桥函数。

  2. 如何将近端因果推断的桥函数方法从单一观测数据推广到“实验+观测”数据融合场景？
    近端因果推断通常需要“负控制”代理变量（不受处理影响），而本文的代理变量（S1, S3）都受处理影响。本文的答案是：利用实验数据的随机化来“锚定”桥函数的外推。

  3. 如何为基于桥函数的估计量建立渐近理论（特别是当桥函数估计涉及病态逆问题时）？
    桥函数由条件矩方程定义，估计它涉及病态逆问题。本文的答案是：区分“弱度量”（weak metric，条件矩方程的违反程度）和“强度量”（strong metric，函数值本身的误差），并证明双重稳健估计量只需要“一个弱度量×另一个强度量”的乘积速率条件。

⚠️ 作者的Framing

  • 作者把缺口frame成什么：作者将现有文献（Athey et al. [2019, 2020]）的缺口明确归结为“无法处理持久混杂”（persistent confounding）。作者声称，本文是第一个利用短期结果内部时序结构来处理该问题的工作。作者将本文定位为“显然的下一步”：既然持久混杂是普遍存在的，而现有方法无法处理，那么本文提出的新方法就是必要的。
  • 哪些竞争路线被他淡化或回避了：
  • Ghassami et al. [2022a]（并发工作）：作者在Remark 6中承认了与Ghassami et al. [2022a]的密切联系（当Z=S1, M=S3且条件于S2时等价），但强调本文“uniquely shows that short-term outcomes alone suffice”并提供了“many additional extensions”。这实际上淡化了Ghassami et al. [2022a]的贡献。
  • 工具变量（IV）方法：本文完全没有讨论使用工具变量来处理持久混杂的可能性。例如，如果存在一个只影响处理而不直接影响结果的工具变量，IV方法可能也能识别长期效应。作者回避了这条路线。
  • 什么明显该被引/该存在、却没出现在intro里？
  • 关于“控制函数”（control function）的文献：本文在Section 6.2中提出了一个控制函数方法，但intro中完全没有提及该方法的文献基础（如Nagasawa [2018]只在Section 6.2才被引用）。这可能是intro的一个小疏漏。
  • 关于“双重稳健估计”在病态逆问题中的通用理论：作者在Remark 4中提到了Bennett et al. [2022, 2023b]等，但intro中没有提及这些更通用的理论框架。这可能是为了保持intro的简洁性。

张力

  • 未见明显对立引用。被引工作之间没有彼此矛盾或在略不同条件下得相反结论的情况。Athey et al. [2019, 2020]与Miao et al. [2016]等近端因果推断工作处理的是不同设定（前者假设替代指标，后者假设负控制代理变量），本文试图在它们之间架桥。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：
  • A ∈ {0, 1}：二元处理变量（1=处理组，0=对照组）。
  • Y ∈ ℝ：长期结果（如20个季度后的就业状态）。
  • S = (S1, S2, S3)：短期结果向量，按时间顺序分为三组。S1（最早）、S2（中间）、S3（最晚）。
  • X ∈ ℝ^d：预处理协变量。
  • U：未观测混杂因子（可以是高维的）。
  • G ∈ {E, O}：数据来源指示变量（E=实验数据，O=观测数据）。
  • Y(a), S(a)：潜在结果（当处理被设为a时的结果）。
  • τ = µ(1) - µ(0)：目标参数，观测数据总体上的平均处理效应（ATE），其中µ(a) = E[Y(a) | G=O]。
  • n_E, n_O：实验和观测数据的样本量。
  • h0(S3, S2, A, X)：结果桥函数（outcome bridge function），一个从观测数据中学习的函数，用于“翻译”短期结果和长期结果之间的关系。

  • q0(S2, S1, A, X)：选择桥函数（selection bridge function），一个从观测数据中学习的函数，用于调整实验和观测数据之间的分布差异。

  • 模型：

  • 观测数据：(Y(a), S(a)) ⊥ A | U, X, G=O（给定U和X，处理分配与潜在结果独立）。这意味着U和X一起解释了所有混杂。
  • 实验数据：(Y(a), S(a), U, X) ⊥ A | G=E（处理完全随机分配）。
  • 外部效度：(S(a), U, X) ⊥ G（实验和观测数据中，潜在短期结果、混杂因子和协变量的联合分布相同）。

  • 时序结构：(Y(a), S3(a)) ⊥ S1(a) | S2(a), U, X, G=O（给定S2、U和X，S1与Y和S3独立）。这等价于说S2阻断了S1对Y和S3的所有影响路径（除了通过U的路径）。

  • 可观测数据：

  • 实验数据：(X, A, S1, S2, S3)。Y不可观测。
  • 观测数据：(X, A, S1, S2, S3, Y)。U不可观测。
  • 想要但观测不到的量：Y(a)（所有单位的反事实长期结果），U（混杂因子）。

第二步：讲最小内核

本文的核心思想可以用一个离散、低维的特例来理解。

最简特例：假设所有变量都是二值的：A ∈ {0,1}, S1, S2, S3 ∈ {0,1}, U ∈ {0,1}, X为空。观测数据中，我们观测到(A, S1, S2, S3, Y)；实验数据中，我们观测到(A, S1, S2, S3)，但Y缺失。

核心困难：在观测数据中，A和Y的关系被U混杂（例如，U=1的人更可能接受处理A=1，也更可能有好的长期结果Y=1）。在实验数据中，A是随机化的，但Y缺失。

关键想法：利用S1和S3作为U的“代理变量”。时序结构(Y, S3) ⊥ S1 | S2, U意味着，一旦我们知道了S2和U，S1就不再提供关于Y和S3的额外信息。这允许我们通过S1来“学习”U，然后通过S3来“翻译”U对Y的影响。

结果桥函数方法（Theorem 1的核心）： 1. 在观测数据中，学习一个函数h0(S3, S2, A)，使得E[Y | S2, S1, A] = E[h0(S3, S2, A) | S2, S1, A]。这相当于说，h0是Y的“最佳预测”，但只能通过S3、S2和A来预测，而不能直接使用S1。由于S1是U的代理，这个条件迫使h0捕捉了U对Y的影响。 2. 在实验数据中，计算E[h0(S3, S2, A) | A=a]。由于实验数据中A是随机化的，这个条件期望就等于µ(a)。

为什么这个特例能工作？ - 在离散二值情况下，h0的存在性等价于一个线性方程组有解。具体来说，对于每个(s2, a)，我们需要解： P(S3 | s2, a, U) * z = E[Y | s2, a, U]，其中z是h0在不同S3取值上的值。如果P(S3 | s2, a, U)是满秩的（即S3与U足够相关），那么解z存在。 - 一旦h0被找到，E[h0(S3, S2, A) | A=a, G=E]就等于E[Y(a) | G=O]。这是因为： - 在实验数据中，A与(S3, S2, U)独立，所以E[h0(S3, S2, A) | A=a, G=E] = E[h0(S3, S2, a) | G=E]。 - 由外部效度，(S3, S2, U)的分布在实验和观测数据中相同，所以E[h0(S3, S2, a) | G=E] = E[h0(S3, S2, a) | G=O]。 - 由桥函数的定义，E[h0(S3, S2, a) | S2, U, G=O] = E[Y | S2, A=a, U, G=O]。 - 最后，E[E[Y | S2, A=a, U, G=O] | G=O] = E[Y(a) | G=O]。

这个最小内核揭示了论文的核心数学困难：桥函数h0由条件矩方程E[Y - h0(S3, S2, A) | S2, S1, A] = 0定义。这是一个病态逆问题（ill-posed inverse problem），因为从(S2, S1, A)到(S3, S2, A)的映射可能不是一一对应的。估计h0的误差会以复杂的方式传播到最终的ATE估计中。本文的贡献之一就是为这种病态逆问题下的推断提供了理论保证。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在存在持久混杂（未观测混杂因子同时影响短期和长期结果）的情况下，如何通过结合短期实验数据（无长期结果）和长期观测数据（有长期结果）来识别和估计平均长期处理效应（ATE）。
  2. 核心工具/方法：利用短期结果的时序结构（分为S1, S2, S3三组），将S1和S3作为未观测混杂U的代理变量，引入结果桥函数和选择桥函数，并基于它们提出三种识别策略（结果桥函数、选择桥函数、双重稳健），以及相应的交叉拟合估计量和渐近理论。
  3. 主要结论：在时序结构假设和完备性条件下，长期ATE是可识别的；提出的双重稳健估计量是√n-一致、渐近正态的，且其渐近方差达到了局部半参数效率下界。

关键设定与假设

  • Assumption 1 (Observational Data)：(Y(a), S(a)) ⊥ A | U, X, G=O。这是标准的“给定U和X后无混杂”假设。
  • Assumption 2 (Experimental Data)：(Y(a), S(a), U, X) ⊥ A | G=E。实验数据中处理完全随机。
  • Assumption 3 (External Validity)：(S(a), U, X) ⊥ G。实验和观测数据中，潜在结果、混杂和协变量的联合分布相同。相比已有文献：Athey et al. [2020]也使用了类似假设，但本文在Section 6.1中将其放松为(S(a), U) ⊥ G | X（允许协变量分布不同）。
  • Assumption 4 (Sequential Outcomes)：(Y(a), S3(a)) ⊥ S1(a) | S2(a), U, X, G=O。这是本文最关键的创新假设，它赋予了短期结果一个时序结构。相比已有文献：Athey et al. [2019, 2020]将S视为一个整体，没有利用其内部结构。本文的假设允许持久混杂存在，而Athey等人的假设（潜在无混杂）在持久混杂下不成立。
  • Assumption 5 (Completeness Conditions)：E[g(U) | S3, S2, A, X, G=O] = 0 ⇒ g(U)=0，以及E[g(U) | S1, S2, A, X, G=O] = 0 ⇒ g(U)=0。这要求S1和S3是U的“强代理变量”，即它们与U足够相关。相比已有文献：这是近端因果推断中的标准假设（如Miao et al. [2016]），但本文的代理变量（S1, S3）都受处理影响，而近端因果推断通常要求代理变量不受处理影响（负控制）。
  • Assumption 6 (Outcome Bridge Function)：存在h0使得E[Y | S2, A, U, X, G=O] = E[h0(S3, S2, A, X) | S2, A, U, X, G=O]。这定义了结果桥函数。
  • Assumption 7 (Selection Bridge Function)：存在q0使得p(S2, U, X | A, G=E) / p(S2, U, X | A, G=O) = E[q0(S2, S1, A, X) | S2, A, U, X, G=O]。这定义了选择桥函数，用于调整两个数据集的分布差异。

主要结果

  • Theorem 1 (Identification via Outcome Bridge Function)：在Assumptions 1-5下，任何满足E[Y | S2, S1, A, X, G=O] = E[h0(S3, S2, A, X) | S2, S1, A, X, G=O]的h0都可用于识别ATE：τ = E[h0(S3, S2, A, X) | A=1, G=E] - E[h0(S3, S2, A, X) | A=0, G=E]。直觉：h0从观测数据中学习，捕捉了U对Y的影响；然后通过实验数据中A的随机化来“外推”到反事实。
  • Theorem 2 (Identification via Selection Bridge Function)：在Assumptions 1-5下，任何满足p(S3, S2, X | A, G=E) / p(S3, S2, X | A, G=O) = E[q0(S2, S1, A, X) | S3, S2, A, X, G=O]的q0都可用于识别ATE：τ = E[q0(S2, S1, A, X)Y | A=1, G=O] - E[q0(S2, S1, A, X)Y | A=0, G=O]。直觉：q0通过重加权观测数据中的Y来模拟实验数据中的ATE。
  • Theorem 3 (Doubly Robust Identification)：结合h0和q0，得到一个双重稳健的识别公式（Equation 15）。只要h0或q0中有一个是正确的，该公式就识别ATE。
  • Theorem 5 (Asymptotic Distribution of Doubly Robust Estimator)：在桥函数估计量满足一定速率条件（min{δ_{h,n}ρ_{q,n}, ρ_{h,n}δ_{q,n}} = o(n^{-1/2})）下，双重稳健估计量ˆτ_DR是√n-一致、渐近正态的，且渐近方差有闭式表达。关键条件：速率条件是“一个弱度量×另一个强度量”的乘积为o(n^{-1/2})，这比要求两个强度量乘积更快更宽松，体现了双重稳健性对病态逆问题的适应性。
  • Theorem 7 (Asymptotic Efficiency)：在桥函数唯一且线性算子T是双射的条件下，ˆτ_DR的渐近方差达到了局部半参数效率下界。

证明路线与技术技巧

整体路线（以双重稳健估计量为例）： 1. 识别：证明双重稳健公式（Equation 15）在h=h0或q=q0时都等于τ。 2. 估计：使用交叉拟合（cross-fitting）来估计h和q。将观测数据分成K折，每折用其余数据估计ˆh_k和ˆq_k，然后用第k折数据计算ˆµ_DR,k(a)，最后取平均。 3. 渐近分析： - Step 1：将ˆτ_DR - τ分解为“估计误差项”（ˆµ_DR(a) - ˜µ_DR(a)）和“采样误差项”（˜µ_DR(a) - µ(a)）。 - Step 2：证明估计误差项是o_P(n^{-1/2})。这依赖于双重稳健性：估计误差项可以表示为E[(q0 - ˆq_k)(ˆh_k - h0) | ...]，然后通过Cauchy-Schwarz不等式和速率条件（min{δ_{h,n}ρ_{q,n}, ρ_{h,n}δ_{q,n}} = o(n^{-1/2})）来控制。 - Step 3：证明采样误差项收敛到正态分布。这通过将˜µ_DR(a)表示为两个独立样本（实验和观测）上的U-统计量之和，然后应用中心极限定理。

关键跳跃点： - 从“桥函数定义在U上”到“桥函数可由观测数据刻画”（Lemma 1和Lemma 2）：这是识别策略的核心。它利用了时序结构（Assumption 4）和完备性条件（Assumption 5）来“消除”U。例如，Lemma 1证明，如果h0满足E[Y | S2, S1, A, X] = E[h0(S3, S2, A, X) | S2, S1, A, X]，那么它也满足E[Y | S2, A, U, X] = E[h0(S3, S2, A, X) | S2, A, U, X]。这需要证明E[Y - h0 | S2, S1, A, X] = 0蕴含E[Y - h0 | S2, A, U, X] = 0，而这正是完备性条件的作用。 - 处理病态逆问题：桥函数由条件矩方程定义，估计它涉及病态逆问题。作者的巧妙之处在于区分了弱度量（weak metric）和强度量（strong metric）。弱度量衡量条件矩方程的违反程度（||T(ˆh - h0)||），强度量衡量函数值本身的误差（||ˆh - h0||）。双重稳健估计量只需要“一个弱度量×另一个强度量”的乘积速率条件，这允许其中一个桥函数的估计是严重病态的（强度量误差大），只要另一个桥函数的弱度量误差足够小。

技术技巧点名： - 交叉拟合（Cross-fitting）：用于打破桥函数估计和最终ATE估计之间的依赖，使得渐近分析可以使用简单的经验过程理论。 - 条件矩方程（Conditional Moment Equations）：用于定义桥函数（Equation 9和13）。 - 完备性条件（Completeness Conditions）：用于从观测数据中“识别”桥函数（Lemma 1和2）。 - 弱度量与强度量（Weak vs. Strong Metrics）：用于刻画病态逆问题下的估计误差，并推导出宽松的速率条件。 - Neyman正交性（Neyman Orthogonality）：双重稳健公式满足Neyman正交性，这是其允许使用灵活（可能慢速收敛）的桥函数估计量的理论基础（Lemma 3）。 - 半参数效率理论（Semiparametric Efficiency Theory）：用于推导效率下界（Theorem 7）。

真实例子与应用

  • 数据：Greater Avenues to Independence (GAIN) 项目数据，一个针对低收入人群的职业培训项目。使用San Diego数据作为实验数据（n_E=8132），Riverside数据通过有偏抽样构造观测数据（n_O可变）。
  • 如何应用：
  • 将短期结果（季度就业状态）分为三组：S1（第1-2季度）、S2（第3-4季度）、S3（第5-6季度）。长期结果Y为第20季度的就业状态。
  • 构造一个“持久混杂”场景：以教育水平（U）作为未观测混杂，通过一个依赖于(A, U)的抽样概率从Riverside数据中抽取观测样本，使得A和U在观测数据中相关。
  • 使用线性模型（或指数线性模型）参数化桥函数，并用GMM（带或不带岭正则化）进行估计。
  • 结果：
  • 本文提出的三个估计量（ˆτ_OTC, ˆτ_SEL, ˆτ_DR）在大多数情况下都优于Athey et al. [2020]的估计量和朴素估计量（仅使用观测数据的均值差）。
  • 双重稳健估计量ˆτ_DR表现最好，在强混杂下（η大）仍能保持较小的误差。
  • 正则化（ridge）对稳定桥函数估计至关重要；无正则化时，估计量可能不稳定（MAE大），但中位数误差（MedAE）仍优于基准。
  • 这个例子想说明什么：验证了本文方法在处理持久混杂时的有效性，并展示了正则化在病态逆问题中的重要性。

🔎 结论是否比证明窄

  • Theorem 7 (Asymptotic Efficiency) 的证明依赖于“桥函数唯一”和“线性算子T是双射”的条件。作者在Remark 5中承认了桥函数非唯一性的普遍性，并指出“Almost all previous results in proximal causal inference assume unique bridge functions when studying statistical inference.” 这意味着效率结论的适用范围可能比论文整体声称的要窄。对于非唯一桥函数的情况，本文没有提供效率理论，只提到了Bennett et al. [2022]的并发工作。
  • Theorem 5 (Asymptotic Distribution) 的速率条件min{δ_{h,n}ρ_{q,n}, ρ_{h,n}δ_{q,n}} = o(n^{-1/2})在理论上很优雅，但在实践中很难验证。作者没有给出任何具体的桥函数估计量（如神经网络、RKHS）能达到该速率条件的充分条件。这使得该定理更像是一个“蓝图”而非一个可直接应用的保证。

四、开放问题

  1. 桥函数非唯一性下的推断：本文的效率理论（Theorem 7）假设桥函数唯一。当桥函数不唯一时（如S1或S3比U更丰富），如何构造有效的置信区间？作者在Remark 5中提到了Bennett et al. [2022]的并发工作，但该工作是否完全适用于本文的数据融合设定？扎根点：Remark 5和Theorem 7的假设。

  2. 完备性条件的可检验性：Assumption 5（完备性条件）是本文识别的核心，但它是一个关于未观测变量U的假设，无法从数据中直接检验。是否存在可检验的隐含条件（如某些条件矩的秩条件）来评估该假设的合理性？作者在数值实验（Appendix F.2）中尝试了基于离散数据的启发式诊断，但缺乏正式的理论。扎根点：Assumption 5和Appendix F.2。

  3. 放松外部效度假设：本文在Section 6.1中放松了外部效度假设（允许协变量分布不同），但核心假设(S(a), U) ⊥ G | X仍然很强。当实验和观测数据来自完全不同的总体（如不同国家、不同年代）时，该假设可能不成立。如何进一步放松？扎根点：Assumption 9和Theorem 8。

  4. 控制函数方法的实用化：Section 6.2提出的控制函数方法（Theorem 9）可以识别整个反事实分布，但需要控制一个无穷维的随机过程V，且需要共同支撑条件。作者承认“developing practical estimation methods ... for the future study”。如何将V降维（如通过主成分分析或核方法）并设计可行的估计算法？扎根点：Section 6.2的最后一段。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论