跳转至

Gaussianized Design Optimization for Covariate Balance in Randomized Experiments

讲者: Wenxuan Guo
会场: Regional and Urban Economics and Experimental Design
报告题目: Gaussianized Design Optimization for Covariate Balance in Randomized Experiments
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

本方向研究随机化实验中如何通过设计阶段优化协变量平衡，以提升处理效应估计的精度。核心统计问题是：给定一组预处理协变量 \(X \in \mathbb{R}^{n \times d}\)，如何构造一个随机化机制（即处理分配向量 \(D \in \{1,\dots,K\}^n\) 的分布），使得不同处理组间的协变量分布尽可能相似，从而降低 Horvitz-Thompson 型估计量的均方误差（MSE）。该问题处于实验设计（design-based inference）与因果推断的交叉点，当前成熟度中等：已有多种启发式方法（分层、配对、rerandomization），但缺乏一个统一的可优化框架，尤其对多处理臂和连续处理情形。

发展脉络（history）

作者在引言中引用的工作可串成以下主线：

  • 奠基工作：Fisher (1925, 1926) 提出完全随机化，证明其无偏性；Wu (1981) 证明完全随机化在 worst-case MSE 意义下是 minimax 设计。这些奠定了“随机化本身是稳健的”这一基础。
  • 协变量自适应随机化的兴起：Morgan & Rubin (2012) 提出 rerandomization，通过接受-拒绝采样根据协变量平衡准则筛选分配；Li et al. (2018, 2020) 建立了 rerandomization 的渐近理论，证明其通过调整线性成分降低方差。但作者指出“choosing the right trade-off between covariate balance criteria and the computational complexity of sampling can be challenging, especially with high-dimensional covariates”（第2节）。
  • Gram-Schmidt Walk (GSW) 设计：Harshaw et al. (2019) 形式化了协变量平衡与稳健性之间的权衡，提出 \(\|X^\top \text{Cov}(Z)X\|_{\text{op}}\) 作为协变量平衡度量，并用随机游走顺序生成处理。作者指出“when \(K=2\), our objective reduces to the GSW objective”（第2节），但 GSW 主要针对二元处理。
  • 匹配与分层设计：Bai (2022) 证明了匹配对设计在特定条件下的最优性；Bai et al. (2024) 将匹配推广到因子设计。但这些方法“mainly focus on binary treatment settings”（第2节）。
  • 连续处理：Kennedy et al. (2017)、Colangelo & Lee (2020) 等研究了连续处理的非参数估计，但“all these works consider i.i.d. data from observational studies, which is distinct from our experimental design setup”（第2节）。

本文的位置：作者提出 Gaussianized Design Optimization，将设计问题转化为高斯协方差矩阵上的非线性优化，统一处理多处理臂和连续处理，并给出局部优化算法与推断程序。

子线索聚类

被引文献大致落在三条子线索上：

  1. 经典随机化与稳健性：Fisher (1925,1926), Wu (1981), Liang & Recht (2023), Kallus (2018), Basse et al. (2023)。这些工作强调完全随机化的 minimax 性质，不依赖协变量信息。
  2. 协变量自适应设计（离散处理）：Morgan & Rubin (2012), Li et al. (2018,2020), Harshaw et al. (2019), Bai (2022), Bai et al. (2024), Wang & Li (2023)。这些方法通过 blocking、rerandomization、GSW 等方式利用协变量，但大多限于二元处理或需要启发式调整。
  3. 连续处理与因果推断：Kennedy et al. (2017), Colangelo & Lee (2020), Hsu et al. (2024), Callaway et al. (2024)。这些工作关注观测研究中的连续处理效应估计，而非实验设计。

这个方向在追问的核心问题

  • Q1：如何对一般协变量（高维、非结构化）进行设计优化？现有 blocking 在高维下不实用，rerandomization 的接受率随维度下降。
  • Q2：如何扩展到多个处理臂（\(K>2\)）乃至连续处理？大多数方法仅针对二元处理。
  • Q3：如何在优化协变量平衡的同时保持推断的有效性（设计-based 置信区间）？
  • Q4：设计优化问题的计算可行性——直接优化处理协方差矩阵是 NP-hard（等价于 Max-Cut），如何绕过？

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）

作者将缺口 frame 为：“several important design optimization questions related to general covariates and treatments remain underexplored”（引言第2段）。具体地，他们声称现有方法“often require heuristic adjustments based on domain knowledge and are primarily developed for binary treatments”（摘要）。作者通过 Gaussianization 将设计问题转化为“a nonlinear continuous optimization over Gaussian covariance matrices”（摘要），从而“offers significant flexibility in optimizing covariate balance across a diverse range of designs and covariate types”（摘要）。

被淡化或回避的竞争路线： - 作者承认 rerandomization 和 GSW 在二元处理下有效，但未深入讨论这些方法在多处理臂下的直接推广（例如 rerandomization 的 Mahalanobis 距离可推广到多组，但作者认为“it remains unclear how to optimally balance covariates with multiple treatments”——第2节）。 - 作者未提及基于最优传输（optimal transport）的协变量平衡方法（如熵平衡、CBPS），这些方法在观测研究中常用，但作者可能认为它们不适用于设计阶段（因为需要 outcome 模型）。 - 作者未讨论贝叶斯优化或自适应设计，这些可能提供另一种优化路径。

什么明显该被引/该存在、却没出现在 intro 里？
- 没有引用关于协变量平衡的 minimax 下界（如 Kallus 2018 的 minimax 设计理论），虽然 Kallus 被引了，但未深入讨论其下界与本文方法的联系。 - 没有引用连续处理下的实验设计文献（如剂量-反应实验设计），虽然作者在连续处理部分引用了观测研究文献。 - 没有引用半参数效率界在实验设计中的应用（如 Hahn 1998 关于 ATE 的半参数效率界），这可能是研究者感兴趣的连接点。

张力

未见明显对立引用。各工作基本一致认为：完全随机化是稳健基线，协变量自适应设计可提升精度，但存在计算或适用性限制。本文试图填补多处理臂和连续处理的空白。

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：
  • \(n\)：实验单元数。
  • \(d\)：协变量维数。
  • \(X \in \mathbb{R}^{n \times d}\)：可观测的协变量矩阵，第 \(i\) 行 \(X_i^\top\) 是单元 \(i\) 的协变量。
  • \(D_i \in \mathcal{D} = \{1,\dots,K\}\)：单元 \(i\) 的处理分配（离散处理）。\(D = (D_1,\dots,D_n)^\top\)。
  • \(Y_i(k)\)：单元 \(i\) 在分配处理 \(k\) 下的潜在结果（固定、不可观测）。
  • \(Y_i = \sum_{k=1}^K \mathbb{I}\{D_i = k\} Y_i(k)\)：可观测结果。
  • \(\tau_k = \frac{1}{n} \sum_{i=1}^n Y_i(k)\)：有限总体平均潜在结果（estimand）。
  • \(\tau_w = \sum_{k=1}^K w_k \tau_k\)：加权平均处理效应，\(w\) 为已知权重向量。
  • \(\hat{\tau}_w = \sum_{k=1}^K w_k \hat{\tau}_k\)，其中 \(\hat{\tau}_k = \frac{K}{n} \sum_{i=1}^n \mathbb{I}\{D_i = k\} Y_i\)：Horvitz-Thompson 估计量。
  • \(\text{Cov}_k(D) \in \mathbb{R}^{n \times n}\)：处理指示向量 \((\mathbb{I}\{D_1=k\},\dots,\mathbb{I}\{D_n=k\})^\top\) 的协方差矩阵。
  • \(T = (T_1,\dots,T_n)^\top \sim N(0,\Sigma)\)：潜高斯向量，\(\Sigma \in \mathcal{E} = \{\Sigma \succeq 0, \Sigma_{ii}=1\}\)（相关椭球面）。
  • \(g: \mathbb{R} \to \mathcal{D}\)：高斯化函数，将高斯变量映射到处理空间。对于均匀设计，\(g(t) = k\) 当 \(t \in (\Phi^{-1}((k-1)/K), \Phi^{-1}(k/K)]\)，其中 \(\Phi\) 是标准正态 CDF。
  • \(f_k(\rho)\)：元素级函数，将高斯相关性 \(\rho\) 映射为处理指示的协方差，由 Proposition 1 给出。
  • \(f(\rho) = \sum_{k=1}^K w_k^2 f_k(\rho)\)（在核范数目标下）。

  • \(\|\cdot\|_{\text{op}}, \|\cdot\|_{\text{nuc}}\)：算子范数和核范数。

  • 模型：

  • 数据生成机制：潜在结果 \(\{Y_i(k)\}\) 是固定的（非随机）。处理分配 \(D_i = g(T_i)\)，其中 \(T \sim N(0,\Sigma)\)，\(\Sigma\) 是设计者选择的协方差矩阵。这是设计-based 框架，所有随机性来自 \(T\)。
  • 假设均匀设计：\(\mathbb{P}(D_i = k) = 1/K\)（由 \(g\) 的构造保证）。

  • 协变量 \(X\) 是固定的、可观测的。

  • 可观测数据：

  • 可观测：\(X\)（协变量），\(D_i\)（处理分配），\(Y_i\)（结果）。
  • 不可观测：潜在结果 \(Y_i(k)\)（除 \(k = D_i\) 外），处理指示的协方差 \(\text{Cov}_k(D)\)（需通过设计分布计算）。
  • 关键识别假设：无干扰（SUTVA），即一个单元的结果只取决于其自身处理。

第二步：讲最小内核

最简特例：\(K=2\)（二元处理），且协变量为单变量（\(d=1\)）。此时 \(\mathcal{D}=\{1,2\}\)，\(g(t) = 1\) 当 \(t \leq 0\)，否则 \(g(t)=2\)（因为 \(\Phi^{-1}(0.5)=0\)）。处理指示 \(Z_i = \mathbb{I}\{D_i=1\}\)，则 \(Z_i = \mathbb{I}\{T_i \leq 0\}\)。协方差 \(\text{Cov}(Z_i, Z_j) = \mathbb{P}(T_i \leq 0, T_j \leq 0) - 1/4\)。由 Mehler 公式（Proposition 1 的特例），可得 \(\text{Cov}(Z_i, Z_j) = f(\Sigma_{ij})\)，其中 \(f(\rho) = \frac{1}{2\pi} \arcsin(\rho)\)（实际上对于二元处理，\(f(\rho) = \frac{1}{2\pi} \arcsin(\rho)\)，见 Goemans-Williamson 的经典结果）。因此，协变量平衡度量（核范数）为：

\[\|X^\top \text{Cov}(Z) X\|_{\text{nuc}} = \left| \sum_{i,j} X_i X_j f(\Sigma_{ij}) \right|.\]
优化问题退化为：
\[\min_{\Sigma \in \mathcal{E}} \left| \sum_{i,j} X_i X_j f(\Sigma_{ij}) \right|.\]
由于 \(f\) 是奇函数且单调递增，直观上，为了最小化该目标，我们希望 \(\Sigma_{ij}\) 与 \(X_i X_j\) 的符号相反：当 \(X_i\) 和 \(X_j\) 同号时，令 \(\Sigma_{ij}\) 为负（使 \(f(\Sigma_{ij})\) 为负），从而抵消正项。这正是 Goemans-Williamson 的 Max-Cut 近似算法的核心：通过求解 SDP 得到 \(\Sigma\)，然后对 \(T \sim N(0,\Sigma)\) 进行阈值化得到处理分配。本文的 Gaussianization 框架正是这一思想的推广：对于 \(K>2\)，使用更复杂的 \(f_k\) 函数，但核心数学困难相同——如何选择 \(\Sigma\) 使得 \(\sum_k \|X^\top f_k(\Sigma) X\|\) 最小化。

核心思路：直接优化处理协方差 \(\text{Cov}_k(D)\) 是 NP-hard（等价于 Max-Cut），但通过 Gaussianization，将问题转化为在相关椭球面 \(\mathcal{E}\) 上优化一个非线性目标，该目标可通过一阶局部算法（如投影梯度下降）求解，且一旦得到 \(\Sigma^*\)，处理分配可通过 \(D_i = g(T_i), T \sim N(0,\Sigma^*)\) 直接采样。因此，Gaussianization 将 NP-hard 的组合优化问题松弛为连续优化问题，并提供了可操作的采样方案。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：如何通过优化高斯协方差矩阵 \(\Sigma\) 来平衡随机化实验中多处理臂（离散或连续）的协变量，以降低 Horvitz-Thompson 估计量的 MSE。
  2. 核心工具/方法：Gaussianization——将处理分配建模为潜高斯向量的变换，利用 Mehler 公式将协变量平衡度量表示为 \(\Sigma\) 的解析函数，然后使用基于 Burer-Monteiro 分解的投影梯度下降（PGD-Gauss）进行局部优化。
  3. 主要结论：① 对于离散处理，Gaussianization 将设计优化转化为非线性连续优化，避免了直接优化 NP-hard 的 cut polytope；② 对于连续处理，提出 Gaussian design，可估计平均导数等因果量；③ 在一步 PGD-Gauss 下，建立了渐近正态性和设计-based 置信区间；④ 模拟表明优化后的设计 MSE 显著低于基线设计（i.i.d.、完全随机化、rerandomization、递归匹配）。

关键设定与假设

  • 均匀设计假设：\(\mathbb{P}(D_i = k) = 1/K\)（第3节开头）。非均匀设计可通过调整 \(g\) 纳入，但论文主要关注均匀情形。
  • 潜在结果固定：设计-based 框架，所有随机性来自处理分配（第6节）。
  • 协变量单位范数：Assumption 1 要求 \(\|X_i\| = 1\)（第6.1节）。这可通过标准化实现，不影响本质。
  • 一步 PGD-Gauss 的步长条件：Assumption 1 要求 \(\eta \|XX^\top - I_n\|_{\text{op}} = o(1)\)，即步长足够小，使得 \(\Sigma_\eta\) 是 \(I_n\) 的局部扰动。这是渐近理论的关键。
  • 潜在结果有界：Theorem 1 要求 \(\|Y(k)\|^2 \leq nM\)；Theorem 2 要求 \(\max_i |Y_i(k)| = O(1)\)。
  • 连续处理下的结构假设：Equation (10) 假设响应函数可分解为 \(Y_i(t) = a_i Y_0(t) + b_i\)，其中 \(a_i, b_i\) 是协变量的线性函数，\(Y_0(t)\) 已知。这用于推导方差公式和协变量平衡度量。

相比已有文献： - 相比 rerandomization（Li et al., 2020），本文不要求接受-拒绝采样，而是直接优化 \(\Sigma\)，可处理高维协变量。 - 相比 GSW（Harshaw et al., 2019），本文推广到 \(K>2\) 和连续处理，且优化算法更通用（PGD vs. 随机游走）。 - 相比匹配设计（Bai, 2022），本文不要求构造匹配对，适用于一般协变量。

主要结果

定理1（渐近正态性，第6.1节）：在一步 PGD-Gauss 下，若 Assumption 1 及三个正则条件成立，则

\[\sqrt{n}(\hat{\tau}_k - \tau_k) \xrightarrow{d} N\left(0, \lim_{n\to\infty} \frac{K-1}{n} \|\tilde{Y}(k)\|^2\right),\]
其中 \(\tilde{Y}(k) = f_k(I_n)^{-1/2} f_k(\Sigma_\eta)^{1/2} Y(k)\)。该定理表明，\(\hat{\tau}_k\) 的渐近方差等于有限样本方差 \(V(\Sigma_\eta) = \frac{K^2}{n} Y(k)^\top f_k(\Sigma_\eta) Y(k)\)。证明通过 Hájek 引理将 \(\hat{\tau}_k\) 与一个在 i.i.d. 高斯化下的辅助估计量耦合，然后对辅助估计量应用 Lindeberg CLT。

命题3（方差改进，第6.1节）：在随机信号假设下，一步 PGD-Gauss 得到的 \(V(\Sigma_\eta)\) 严格小于初始设计 \(V(I_n)\)，改进量为 \(\Omega(\frac{\eta}{n} \|XX^\top - I_n\|_F^2)\)。这量化了协变量平衡带来的方差缩减。

定理2（方差估计一致性，第6.2节）：在更强步长条件 \(n^2 \eta^2 \|XX^\top - I_n\|_{\text{op}}^2 = o(1)\) 下，Horvitz-Thompson 型方差估计量 \(\hat{V}_\eta\) 无偏且方差趋于零。由此可构造渐近置信区间（式14）。

模拟结果（第7节）：在 \(n=100, d=5\) 的因子设计（\(K=4\)）中，优化高斯化（OG）在三个处理效应（主效应和交互效应）上的 MSE 均低于基线高斯化（BG）、完全随机化（CR）、递归匹配（RM）和 rerandomization（RR）。图5显示 OG 的协变量平衡度量最小，且与 MSE 正相关。

证明路线与技术技巧

整体路线（以定理1为例）： 1. 构造 Hájek 耦合：定义 \(\hat{\tau}^{\text{iid}}\) 为在 \(T \sim N(0, I_n)\) 下基于 \(\tilde{Y}(k)\) 的估计量，\(\hat{\tau}^{\text{opt}}\) 为在 \(T \sim N(0, \Sigma_\eta)\) 下基于 \(Y(k)\) 的估计量。两者期望相等，方差相等（由 \(\tilde{Y}(k)\) 的定义保证）。 2. 验证 Hájek 条件：证明 \(n \mathbb{E}(\hat{\tau}^{\text{iid}} - \hat{\tau}^{\text{opt}})^2 \to 0\)。这需要分析 \(\Sigma_\eta\) 与 \(I_n\) 的差异。利用 Lemma 4（一步 PGD-Gauss 的解可写为 \(\Sigma_\eta = I_n + \eta N\)，\(\|N\|_{\text{op}} = O(\|XX^\top - I_n\|_{\text{op}})\)）和 Lemma 5（\(f_k\) 的泰勒展开），得到 \(\|f_k(\Sigma_\eta)^{1/2} - f_k(\Sigma_\eta^{1/2})\|_{\text{op}} = o(1)\)，从而耦合误差为 \(o(1/n)\)。 3. 对辅助估计量应用 CLT：\(\hat{\tau}^{\text{iid}}\) 是独立（但不同分布）随机变量的和，由 Lindeberg 条件（由条件1保证）得到渐近正态。

关键跳跃点： - 从直接优化 \(\text{Cov}_k(D)\) 到优化 \(\Sigma\)：这是 Gaussianization 的核心跳跃。直接优化 \(\text{Cov}_k(D)\) 的可行集是 cut polytope（NP-hard），而 Gaussianization 将其松弛到相关椭球面 \(\mathcal{E}\)，并利用 Mehler 公式给出解析表达式 \(f_k(\Sigma)\)。作者明确指出“Gaussianization mitigates these computational and sampling difficulties”（第1.1节）。 - Hájek 耦合的构造：需要定义 \(\tilde{Y}(k) = f_k(I_n)^{-1/2} f_k(\Sigma_\eta)^{1/2} Y(k)\)，使得 \(\hat{\tau}^{\text{iid}}\) 的方差与 \(\hat{\tau}^{\text{opt}}\) 匹配。这要求 \(f_k(I_n)\) 可逆（即 \(f_k(1) \neq 0\)，对于均匀设计成立）。 - 泰勒展开的矩阵版本：Lemma 5 对 \(f_k(\Sigma)\)、\(f_k(\Sigma)^{1/2}\)、\(f_k(\Sigma^{1/2})\) 进行展开，需要处理矩阵平方根的泰勒展开和 Hadamard 积的范数界。关键技巧是利用 \(\|\Delta\|_{\text{op}} = o(1)\) 和 \(f_k\) 的光滑性，将高阶项吸收为 \(o(1)\)。

技术技巧点名： - Mehler 公式与 Hermite 多项式：用于推导 Proposition 1 和 2，将协方差表示为无穷级数，并得到解析梯度（第3.3节）。 - Burer-Monteiro 分解：Algorithm 1 将 \(\Sigma\) 参数化为 \(VV^\top\)，\(V \in \mathbb{R}^{n \times k}\)，行归一化，避免显式存储 \(n \times n\) 矩阵，适用于大规模问题（第4节）。 - Hájek 引理：用于建立渐近等价性，是设计-based 推断的经典工具（第C.2节）。 - Lindeberg CLT：用于证明辅助估计量的渐近正态性（第C.2.1节）。 - 矩阵范数不等式：如 \(\|A\|_{\text{op}} \leq \sqrt{\|A\|_1 \|A\|_\infty}\) 和 \(\max_{ij} |A_{ij}| \leq 2\|A\|_{\text{op}}\)（Lemma 6），用于分析 \(\Sigma_\eta\) 的扰动。 - Stein 引理：用于连续处理下估计一阶和二阶导数（Example 2, 3）。

真实例子与应用

论文包含两个真实数据例子：

  1. Bed Nets Study（连续处理，第B.3节）：使用 Dupas (2014) 的肯尼亚蚊帐实验数据。原始设计是两阶段随机化（2S），将价格处理固定在离散水平。作者将每个数据点（区域-价格组合）视为一个实验单元（\(n=26\)），协变量包括区域虚拟变量和三个家庭层面变量。他们使用线性模型拟合潜在结果，然后比较不同设计下线性处理效应 \(\tau_L^c\) 的 MSE 和置信区间。结果：优化高斯设计（OG）的 MSE 为 \(0.5 \times 10^{-4}\)，低于基线高斯设计（BG）的 \(1.2 \times 10^{-4}\) 和原始 2S 设计的 \(0.8 \times 10^{-4}\)；OG 的置信区间宽度也最小（表2）。此外，他们还测试了单调性和凸性检验的功效（图8），OG 在单调性检验中比 BG 更有效。

  2. 因子设计模拟（第7节）：虽然这是模拟，但使用了真实数据生成过程（线性模型+噪声），并比较了五种设计。结果已在上文总结。

这些例子想说明什么：① 优化高斯化在实际场景中能显著降低 MSE；② 对于连续处理，Gaussian design 可估计结构性质（导数、凸性）；③ 优化后的协方差矩阵能自动学习块结构（如图7所示，OG 的 \(\Sigma\) 呈现出区域块状结构，类似于分层随机化）。

🔎 结论是否比证明窄

  • 定理1的渐近正态性仅对一步 PGD-Gauss 成立，但作者在 Corollary 1 中推广到任意满足 \(\|\Sigma - I_n\|_{\text{op}} = o(1)\) 的 \(\Sigma\)。然而，多步 PGD-Gauss 可能使 \(\Sigma\) 远离 \(I_n\)，此时渐近理论不适用。作者承认“developing a general asymptotic theory for Gaussianized designs that extends beyond local perturbations remains an open problem”（第8节）。
  • 命题3的方差改进是平均意义下的（对随机信号 \(\beta_k\) 取期望），且要求 \(f'_k(0) \neq 0\)。对于某些 \(f_k\)（如连续处理下的凸性目标，图9(b) 显示 \(f'(0) \approx 0\)），改进可能很小。
  • 定理2的方差估计一致性要求更强的步长条件，且仅针对 \(\hat{\tau}_k\)（单个处理臂），对于加权估计量 \(\hat{\tau}_w\)，作者在附录 A 中给出了保守的 Aronow-Samii 方差界和基于随机化的置信区间，但后者依赖于 imputation model 的正确性（第A节）。
  • 连续处理下的协变量平衡度量（Definition 5）依赖于已知的基线响应函数 \(Y_0(t)\)（Equation 10）。若 \(Y_0\) 指定错误，优化可能无效。作者在 Bed Nets 例子中使用了线性基线，但未讨论模型误设的稳健性。

四、开放问题

  1. 全局渐近理论：对于多步 PGD-Gauss 得到的 \(\Sigma\)（可能远离 \(I_n\)），能否建立渐近正态性和有效推断？作者在第8节明确列为未来工作：“developing a general asymptotic theory for Gaussianized designs that extends beyond local perturbations remains an open problem”。

  2. 干扰下的设计优化：论文仅考虑无干扰（SUTVA）。作者在第8节提到“it would be interesting to consider more complex settings, such as those involving interference”。这需要重新定义协变量平衡度量，因为处理效应可能依赖于邻居的处理。

  3. 非均匀设计与最优边际概率：论文假设均匀设计（\(\mathbb{P}(D_i=k)=1/K\)）。若允许非均匀边际概率，可进一步优化 MSE（例如，某些处理臂可能更“昂贵”）。作者在第3.1节提到“Non-uniform designs...can also fit within our Gaussianization framework by slightly adjusting the Gaussianization function \(g\)”，但未给出具体算法或理论。

  4. 协变量调整估计量的结合：论文仅使用 Horvitz-Thompson 估计量。作者在附录 E 讨论了与 Lin 估计量等协变量调整方法的结合，但未给出理论结果。一个开放问题是：在 Gaussianized 设计下，协变量调整估计量的 MSE 是否仍能通过优化 \(\Sigma\) 进一步降低？这需要推导调整后估计量的方差公式。

  5. 计算复杂度与统计效率的权衡：PGD-Gauss 仅保证局部最优。全局最优是否可达到？是否存在统计-计算权衡（例如，某些协变量结构下，达到全局最优需要指数时间）？论文在第1.1节提到“local optimality and the computational barrier of design optimization are further discussed”，但未深入。对于熟悉信息-计算间隙的研究者，这是一个潜在切入点。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论