Principled analysis of crossover designs: causal effects, efficient estimation, and robust inference

讲者: Zhichao Jiang
会场: Design-Based Causal Inference
报告题目: Principled Analysis of Crossover Designs: Causal Effects, Efficient Estimation, and Robust Inference
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

这个子方向是交叉设计（crossover design）的因果推断。交叉设计是一种实验设计，其中每个单元（如患者、用户）在多个时间周期内按预定顺序接受一系列处理。其核心优势在于通过组内比较消除单元间变异，从而更有效地估计处理效应，特别是即时效应（instantaneous effect） 和携带效应（carryover effect）。该方向当前成熟度较高，在生物医学和数字平台实验中广泛应用，但其标准分析长期依赖强参数模型，对模型误设敏感。本文试图将设计基（design-based）因果推断框架引入交叉设计，以解决模型依赖性问题。

发展脉络

1. 奠基工作：交叉设计的统计方法可追溯到 Cochran (1939) 和 Cochran & Cox (1950) 的经典实验设计著作。Senn (2002) 和 Jones & Kenward (2003) 的专著系统总结了基于线性/广义线性混合效应模型的参数化分析方法，成为该领域的标准参考。这些工作奠定了交叉设计分析的基础，但将因果效应定义在模型参数上，而非独立于模型的潜在结果。

2. 主要进展（模型化方法）：大量文献在参数模型框架下发展，包括最优设计（Kershner & Federer, 1981; Hedayat et al., 2006; Kunert & Stufken, 2008）、复杂数据结构（Xu et al., 2018; Wang & Chinchilli, 2021）以及数字平台中的新应用（Basse et al., 2023; Bojinov et al., 2023; Arkhangelsky & Imbens, 2024）。这些工作推动了交叉设计的应用，但作者指出其三个主要局限（见下文作者的framing）。

3. 当前前沿（设计基因果推断）：现代因果推断越来越多地采用设计基框架，该框架以潜在结果和随机化为基础，避免强参数假设。该框架已成功应用于多种实验设计，如因子实验（Dasgupta et al., 2015; Zhao & Ding, 2022b）、面板实验（Bojinov et al., 2021, 2023）、时间序列实验（Lin & Ding, 2025）等。本文是首次将设计基框架系统性地应用于一般交叉设计，并发展出统一的回归分析方法。

4. 本文的位置：本文位于设计基框架与交叉设计分析的交叉点。它填补了“用设计基方法分析一般交叉设计”这一空白，并提供了一个简单易行的受限加权最小二乘实现方案。作者声称，该方案统一了识别、估计和方差估计，且对模型误设具有鲁棒性。

子线索聚类

1. 模型化分析（Model-based analysis）：这是传统主流。代表工作：Senn (2002), Jones & Kenward (2003), Hinkelmann & Kempthorne (2007), Milliken & Johnson (2009)。核心方法：线性/广义线性混合效应模型，包含随机效应、周期效应、处理效应和携带效应。优点：实现简单。缺点：对模型误设敏感；因果效应定义依赖于模型；缺乏灵活性。

2. 设计基分析（Design-based analysis）：这是本文采用的方法。代表工作：Neyman (1990), Imbens & Rubin (2015), Li & Ding (2017), Lin (2013), Fogarty (2018), Zhao & Ding (2022a,b)。核心思想：以潜在结果和随机化为基础，不依赖模型假设。优点：鲁棒性；因果效应定义清晰。本文将其扩展到交叉设计。

3. 回归调整（Regression adjustment）：这是设计基框架下的一个技术分支，用于提高效率。代表工作：Freedman (2008a), Lin (2013), Miratrix et al. (2013), Bloniarz et al. (2016), Guo & Basse (2023)。核心思想：用回归作为构造估计量的工具，而非数据生成模型。本文的受限加权最小二乘方法也属于这一脉络，但专门针对交叉设计的向量结果和系数约束。

核心问题与瓶颈

1. 识别问题：给定一个交叉设计（哪些处理序列被实施）和一组假设（如无携带效应、效应时不变），某个因果效应（如第二周期的即时效应）是否可被无偏估计？瓶颈：当设计只包含部分处理序列时，识别依赖于假设，且不同设计-假设组合下的识别条件差异巨大。

2. 最优估计问题：当存在多个无偏估计量时，如何找到最优（方差最小）的线性无偏估计量（BLUE）？瓶颈：BLUE通常没有闭式解，需要优化技术。

3. 有效推断问题：如何构造有效的方差估计和置信区间？瓶颈：设计基方差包含不可观测的个体因果效应方差项，需要保守估计。

⚠️ 作者的framing

作者将缺口frame为：传统模型化方法有三个主要局限（引言第2段）： 1. 对模型误设敏感，可能导致有偏估计和无效推断。 2. 因果效应定义依赖于模型，混淆了因果假设与建模假设。 3. 缺乏灵活性，难以容纳更广泛的科学假设或适应不同的实验配置。

作者声称，他们的设计基框架通过以下方式解决这些问题： - 鲁棒性：避免强参数假设，以随机化为推断基础。 - 清晰性：用潜在结果明确定义因果效应和假设。 - 统一性：用受限加权最小二乘统一识别、估计和推断。

被淡化或回避的竞争路线： - 非线性模型：作者在第8节讨论中承认，他们的线性回归方法直接适用于连续、离散和二元结果，但指出非线性模型（如logistic回归）需要额外假设且可能不与因果效应对齐（Freedman, 2008b）。这实际上淡化了在二元结果等场景下，线性模型可能不是最自然的选择。 - 时间-事件结局：作者明确承认，扩展到时间-事件结局因删失而更具挑战性，并指出这是未来方向。这回避了该领域的一个重要应用场景。

什么明显该被引/该存在、却没出现在intro里？ - 边际结构模型（Marginal Structural Models, MSMs）：Robins et al. (2000) 是处理纵向数据中时变混杂的经典方法，使用逆概率加权。作者在第8节讨论中提到了MSMs作为未来扩展方向，但在intro中未提及。这可能是因为MSMs通常用于观察性研究，而本文聚焦于随机实验。但作为处理纵向因果效应的一个重要框架，其缺席值得注意。 - G-computation公式：另一个处理纵向因果效应的标准方法，也未在intro中提及。

张力

未见明显对立引用。被引文献之间在方法论上存在互补关系（模型化 vs. 设计基），但作者并未指出它们之间存在矛盾结论。

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：

  • \(i = 1, \dots, N\)：单位（unit）索引。
  • \(t = 1, \dots, T\)：时间周期（period）索引。
  • \(\vec{Z}_i\)：单位 \(i\) 被分配的处理序列（treatment sequence），如 \(AB\) 表示周期1用A，周期2用B。
  • \(S\)：所有可能的处理序列的集合（共 \(2^T\) 个）。
  • \(S_{obs} \subseteq S\)：实验中实际实施的处理序列的集合。
  • \(N_{\vec{z}}\)：被分配处理序列 \(\vec{z}\) 的单位数。
  • \(Y_{it}\)：单位 \(i\) 在周期 \(t\) 的观测结果。
  • \(Y_{it}(\vec{z})\)：单位 \(i\) 在周期 \(t\) 的潜在结果（若被分配序列 \(\vec{z}\)）。
  • \(\bar{Y}_t(\vec{z}) = \frac{1}{N} \sum_{i=1}^N Y_{it}(\vec{z})\)：所有单位在周期 \(t\) 下序列 \(\vec{z}\) 的平均潜在结果（有限总体参数）。
  • \(\tau_t(\vec{z}_{[1,t-1]}) = \bar{Y}_t(\vec{z}_{[1,t-1]}A) - \bar{Y}_t(\vec{z}_{[1,t-1]}B)\)：条件平均处理效应（conditional ATE），在给定前 \(t-1\) 周期处理历史下，周期 \(t\) 的即时效应。
  • \(\tau_t^k(\cdot)\)：k阶条件携带效应。
  • \(\theta(W) = \sum_{\vec{z} \in S} W(\vec{z}) \bar{Y}(\vec{z})\)：一般的平均因果效应，是平均潜在结果向量的线性组合。\(W(\vec{z}) \in \mathbb{R}^{K \times T}\) 是权重矩阵。
  • \(\hat{Y}_t(\vec{z}) = \frac{1}{N_{\vec{z}}} \sum_{i: \vec{Z}_i = \vec{z}} Y_{it}\)：观测到的序列 \(\vec{z}\) 下周期 \(t\) 的样本均值。
  • \(\hat{\theta}(\tilde{W}) = \sum_{\vec{z} \in S_{obs}} \tilde{W}(\vec{z}) \hat{Y}(\vec{z})\)：因果效应的线性估计量，\(\tilde{W}(\vec{z})\) 是估计权重。
  • \(\gamma\)：回归系数向量，\(\gamma_{t, \vec{z}}\) 对应周期 \(t\) 和序列 \(\vec{z}\) 的系数。
  • \(C\)：约束矩阵，用于编码假设（如 \(C\gamma = 0\)）。
  • \(S^2(\vec{z})\)：序列 \(\vec{z}\) 下潜在结果向量的有限总体协方差矩阵。
  • \(\hat{S}^2(\vec{z})\)：样本协方差矩阵。

• 模型：

  • 设计基模型：潜在结果 \(\{Y_{it}(\vec{z})\}\) 被视为固定但未知的常数。唯一的随机性来源于完全随机化：\(N\) 个单位被随机分配到 \(S_{obs}\) 中的处理序列，每个序列的样本量 \(N_{\vec{z}}\) 是固定的。处理分配机制是唯一的随机源。
  • 假设：
    1. 无预期假设（No Anticipation, Assumption 1）：\(Y_{it}(\vec{z})\) 只依赖于前 \(t\) 个周期的处理，与未来处理无关。
    2. 无超过k阶的携带效应（Assumption 2）：\(Y_{it}(\vec{z})\) 只依赖于最近 \(k\) 个周期的处理。
    3. 处理序列效应时不变（Assumption 3）：在Assumption 2下，长度为 \(k\) 的处理序列的效应在不同周期是相同的。

• 可观测数据：

  • 对于每个单位 \(i\)，我们观测到：
    • 其被分配的处理序列 \(\vec{Z}_i\)。
    • 其 \(T\) 个周期的结果向量 \(\mathbf{Y}_i = (Y_{i1}, \dots, Y_{iT})^\top\)。
  • 不可观测：对于每个单位 \(i\)，我们只能观测到其被分配序列 \(\vec{Z}_i\) 下的潜在结果 \(Y_{it}(\vec{Z}_i)\)。所有其他序列下的潜在结果 \(Y_{it}(\vec{z})\) （\(\vec{z} \neq \vec{Z}_i\)）都是缺失的。这是因果推断的基本问题。

第二步：讲最小内核

最简特例：两周期、四序列交叉设计（2²设计）

这是论文第3节分析的第一个例子。在这个特例下，\(T=2\)，\(S = S_{obs} = \{AA, AB, BA, BB\}\)。

• 核心问题：我们想估计周期1的平均处理效应 \(\tau_1 = \bar{Y}_1(A) - \bar{Y}_1(B)\)。在只有无预期假设（Assumption 1）下，如何找到最优的线性无偏估计量（BLUE）？

• 思路：

  1. 定义估计量：任何线性估计量可以写成 \(\hat{\tau}_1 = \sum_{\vec{z} \in S} \tilde{w}_1(\vec{z}) \hat{Y}_1(\vec{z})\)，其中 \(\tilde{w}_1(\vec{z})\) 是权重。
  2. 无偏性条件：在Assumption 1下，\(\bar{Y}_1(AA) = \bar{Y}_1(AB) = \bar{Y}_1(A)\)，\(\bar{Y}_1(BA) = \bar{Y}_1(BB) = \bar{Y}_1(B)\)。为了使 \(\hat{\tau}_1\) 对 \(\tau_1\) 无偏，权重必须满足：
     \[\tilde{w}_1(AA) + \tilde{w}_1(AB) = 1, \quad \tilde{w}_1(BA) + \tilde{w}_1(BB) = -1.\]
     这给出了一个权重空间，存在多个无偏估计量。
  3. 寻找BLUE：我们需要在这些无偏估计量中找到方差最小的那个。方差公式（来自Lemma S6）为：
     \[\text{Var}(\hat{\tau}_1) = \frac{\tilde{w}_1(AA)^2}{N_{AA}} S_1^2(A) + \frac{\tilde{w}_1(AB)^2}{N_{AB}} S_1^2(A) + \frac{\tilde{w}_1(BA)^2}{N_{BA}} S_1^2(B) + \frac{\tilde{w}_1(BB)^2}{N_{BB}} S_1^2(B) - \frac{S^2(\tau_1)}{N}.\]
     其中 \(S_1^2(A), S_1^2(B)\) 是周期1潜在结果的方差，\(S^2(\tau_1)\) 是个体因果效应的方差（不可观测）。
  4. 最优解：忽略不可观测项 \(S^2(\tau_1)/N\)，这是一个关于权重的凸二次优化问题。通过拉格朗日乘子法，最优权重为：
     \[\tilde{w}_1^*(AA) = \frac{N_{AA}}{N_{AA} + N_{AB}}, \quad \tilde{w}_1^*(AB) = \frac{N_{AB}}{N_{AA} + N_{AB}}, \quad \tilde{w}_1^*(BA) = -\frac{N_{BA}}{N_{BA} + N_{BB}}, \quad \tilde{w}_1^*(BB) = -\frac{N_{BB}}{N_{BA} + N_{BB}}.\]
     这等价于：\(\hat{\tau}_1^* = \hat{Y}_1(A) - \hat{Y}_1(B)\)，其中 \(\hat{Y}_1(A) = \frac{N_{AA}}{N_{AA}+N_{AB}} \hat{Y}_1(AA) + \frac{N_{AB}}{N_{AA}+N_{AB}} \hat{Y}_1(AB)\)，即用样本量加权平均了来自不同序列的周期1结果。

• 这个特例说明了什么？

  • 识别：即使有多个序列，\(\tau_1\) 是可识别的。
  • 最优组合：BLUE是通过按样本量加权组合来自不同序列的相同周期信息得到的。这本质上是一个最优的组内比较。
  • 推广：论文的一般框架（受限加权最小二乘）正是将这个“加权组合”的思想推广到任意周期数、任意序列集和任意假设下。核心数学困难在于，当假设更复杂（如携带效应、时不变效应）时，无偏性条件变成一组线性约束，而方差最小化变成一个带线性约束的二次规划问题。论文的关键想法是，这个优化问题恰好等价于一个受限加权最小二乘问题，从而可以用现成的回归工具求解。

三、这篇论文做了什么

三句话

1. 研究了什么问题：在设计基框架下，研究一般交叉设计中因果效应（即时效应和携带效应）的识别、有效估计和鲁棒推断问题。
2. 核心工具/方法：提出一个受限加权最小二乘（Restricted Weighted Least Squares, RWLS） 回归方法，将设计结构编码为回归矩阵，将因果假设编码为系数线性约束，将效率优化编码为权重矩阵。
3. 主要结论：在满秩条件下，RWLS估计量是因果效应的最佳线性无偏估计量（BLUE）；其Eicker-Huber-White (EHW) 方差估计量是渐近保守的；所有性质在设计基框架下成立，不依赖回归模型的正确设定。

关键设定与假设

• 设定：\(N\) 个单位，\(T\) 个周期，处理条件为 \(A\) 和 \(B\)。单位被完全随机分配到 \(S_{obs}\) 中的处理序列。潜在结果 \(\{Y_{it}(\vec{z})\}\) 固定，无跨单位干扰。
• 核心假设：
  1. Assumption 1 (No Anticipation)：\(Y_{it}(\vec{z})\) 只依赖于 \(\vec{z}_{[1,t]}\)。这是时间序列因果推断的标准假设。
  2. Assumption 2 (No more than \(k\)-th order carryover)：\(Y_{it}(\vec{z})\) 只依赖于 \(\vec{z}_{[t-k+1,t]}\)。这限制了携带效应的阶数，是交叉设计分析的核心假设。相比传统模型，本文允许用户明确指定 \(k\)，而非隐含假设。
  3. Assumption 3 (Time invariant effect)：在Assumption 2下，长度为 \(k\) 的处理序列的效应在不同周期相同。这等价于“处理效应与时间无交互”，是传统模型常隐含的假设，本文将其显式化。
• 与已有文献的对比：相比传统模型化方法（Senn, 2002; Jones & Kenward, 2003），本文的假设是在潜在结果层面显式陈述的，而非隐含在模型参数中。这使得因果假设与建模假设分离，更清晰、更灵活。相比其他设计基工作（如Bojinov et al., 2023），本文的假设更一般化（允许任意阶携带效应和时不变效应），且提供了统一的回归实现。

主要结果

• Theorem 1 (核心定理)：对于一般交叉设计，若 \(X^\top X + C^\top C\) 满秩，则：
  • (a) 所有因果效应 \(\theta(W)\) 均可无偏估计。
  • (b) RWLS估计量 \(\hat{\gamma}_{wls}\) 是平均潜在向量的BLUE，因此 \(\sum_{\vec{z}} W(\vec{z}) \hat{\gamma}_{wls, \vec{z}}\) 是 \(\theta(W)\) 的BLUE。
  • (c) BLUE可表示为 \(\hat{Y}(\vec{z})\) 的线性组合，其方差有闭式表达式。
  • 直觉：满秩条件保证了“设计信息 + 假设信息”足以唯一确定所有回归系数。RWLS通过求解一个带约束的二次规划，自动找到了最优的加权组合。
• Theorem 2 (可行估计)：用样本协方差矩阵 \(\hat{S}^2(\vec{z})\) 代替真实权重 \(S^2(\vec{z})\) 得到的可行RWLS估计量 \(\hat{\gamma}_{fwls}\) 与 \(\hat{\gamma}_{wls}\) 渐近等价。
• Theorem 3 (方差估计)：EHW方差估计量 \(\hat{V}_{EHW}\) 是设计基方差的渐近保守估计。当个体因果效应为常数时，它是一致的。
  • 直觉：EHW方差估计量在模型误设下仍能给出正确的标准误（“夹心”估计量）。本文证明它在设计基框架下也是保守的，因为不可观测的个体效应方差项被忽略了。
• Theorem 4-6 (扩展)：将RWLS扩展到任意权重矩阵、将假设放松到总体水平。在总体水平假设下，RWLS不再是最优的，但其EHW方差估计量在所有同类估计量中具有最小的“估计方差”。

证明路线与技术技巧

• 整体路线：

  1. 建立代数基础：首先，在补充材料中发展向量结果、异方差下的受限加权最小二乘理论（Lemma S1-S5）。这推广了经典的高斯-马尔可夫定理，证明在模型正确设定下，RWLS是BLUE。
  2. 去模型化：关键一步是，将高斯-马尔可夫定理重述为纯代数形式（Lemma S4）。这意味着，即使线性模型是“工作模型”（misspecified），RWLS的解仍然满足某种最优性。
  3. 连接设计基：证明RWLS的解 \(\hat{\gamma}_{wls}\) 可以写成 \(\hat{Y}(\vec{z})\) 的线性组合（Lemma S9）。然后，利用设计基框架下 \(\hat{Y}(\vec{z})\) 的无偏性和方差公式（Lemma S6），证明 \(\hat{\gamma}_{wls}\) 是BLUE。这步的关键是证明RWLS的优化目标（加权残差平方和）与设计基方差（忽略个体效应项后）在代数上等价。
  4. 方差与推断：利用 \(\hat{\gamma}_{wls}\) 的线性表示，直接应用Li & Ding (2017) 的设计基中心极限定理（Lemma S7）得到渐近正态性。然后，证明EHW方差估计量的保守性（Theorem 3）。

• 关键跳跃点：

  • 从模型BLUE到设计基BLUE：这是最核心的跳跃。经典高斯-马尔可夫定理要求模型正确。作者通过纯代数重述（Lemma S4）绕过了这个要求，证明RWLS的解在“所有满足无偏性条件的线性估计量”中最小化了一个二次型，而这个二次型恰好是设计基方差（忽略常数项）的代理。因此，RWLS的解就是设计基下的BLUE。
  • 处理向量结果和异方差：交叉设计的结果是向量（多个周期），且不同序列的方差不同。作者将经典的单变量受限最小二乘推广到向量结果和块对角权重矩阵，这需要处理更复杂的矩阵运算（Lemma S1, S2）。

• 技术技巧点名：

  • 块矩阵求逆：用于求解带约束的加权最小二乘问题（公式S7, S9）。
  • 设计基中心极限定理：Li & Ding (2017) 的有限总体CLT，用于证明估计量的渐近正态性。
  • Eicker-Huber-White (EHW) 方差估计：即“夹心”方差估计量，用于在模型误设下获得稳健标准误。本文将其推广到受限加权最小二乘和向量结果。
  • 拉格朗日乘子法：用于求解带线性约束的二次优化问题（Proposition 3, 6）。
  • 纯代数重述高斯-马尔可夫定理：这是证明的核心技巧，将模型依赖的最优性转化为代数上的最优性。

真实例子与应用

• 数据：来自Jones & Kenward (1987) 的一个三周期交叉试验，评估镇痛药对痛经的效果。原始数据有三个处理条件（安慰剂和两个活性剂量），作者将其简化为两个条件（A=活性药，B=安慰剂）。观测到的处理序列为 \(AAB, ABA, BAA\)。结局是二元疼痛缓解指标。
• 方法应用：
  1. 定义效应：定义了三个周期的即时效应 \(\tau_1, \tau_2(z_1), \tau_3(z_1z_2)\)，以及一阶和二阶携带效应。
  2. 选择场景：由于设计限制，在只有无预期假设下效应不可识别。作者选择了两个可识别的场景：
     • Scenario (b1)：Assumption 1 + Assumption 2 with \(k=1\)（无携带效应）。
     • Scenario (c1)：Assumption 1 + Assumption 2 & 3 with \(k=1\)（无携带效应 + 效应时不变）。
  3. 假设检验：使用Theorem 7的检验统计量检验了假设的合理性。p值分别为0.056和0.177，表明假设在统计上未被拒绝。
  4. 估计与推断：使用RWLS估计了可识别的因果效应，并计算了95%置信区间。
• 结果：
  • 在Scenario (b1)下，三个周期的即时效应估计值均为正且显著（如 \(\hat{\tau}_1 = 0.552, CI: [0.368, 0.737]\)），表明镇痛药有效。
  • 在Scenario (c1)下，由于假设效应时不变，三个效应被合并为一个，估计值为0.547，置信区间更窄（[0.421, 0.673]），体现了效率提升。
  • 与原始logistic回归分析结果定性一致。
• 这个例子想说明什么：
  • 实用性：展示了方法在真实数据上的应用流程。
  • 鲁棒性：即使结局是二元的，线性回归仍能给出有效推断（Freedman, 2008b）。
  • 灵活性：可以根据假设的不同选择不同的场景，并检验假设的合理性。
  • 效率：更强的假设（如时不变效应）可以带来更窄的置信区间。

🔎 结论是否比证明窄

• Theorem 1的“所有因果效应”：Theorem 1(a)声称“\(\theta(W)\) can be unbiasedly estimated for any \(W\)”，但这依赖于 \(X^\top X + C^\top C\) 满秩的条件。作者在5.3节承认，这个条件是充分但不必要的。对于特定的 \(W\)，可能不需要满秩条件。因此，这个“所有”的结论比证明所覆盖的范围要宽。作者在补充材料S1.1中给出了更精细的必要条件，但主定理的陈述是更宽泛的。
• Theorem 3的“保守性”：Theorem 3证明EHW方差估计量是渐近保守的。但在有限样本下，特别是当组内样本量 \(N_{\vec{z}}\) 很小时，估计的权重 \(\hat{S}^2(\vec{z})\) 可能带来额外偏差，导致覆盖不足。作者在模拟中（Table 3(II)）确实观察到了N=100时的轻微覆盖不足，但在N=500时消失。因此，主定理的渐近结论在有限样本下需要谨慎对待。

四、开放问题

1. 时间-事件结局：论文第8节讨论明确指出，扩展到时间-事件结局因删失而具有挑战性。扎根点：Section 8, "Extending the framework to time-to-event outcomes is more challenging due to the presence of censoring." 这是一个明确的开放问题，需要处理删失机制对因果效应识别和估计的影响。

2. 协变量调整：论文第8节讨论了协变量调整以提高效率，但指出在交叉设计中引入协变量与处理序列的交互项会导致参数数量爆炸，且携带效应和约束使问题复杂化。扎根点：Section 8, "However, extending this approach to crossover designs introduces additional challenges." 如何有效地在交叉设计的设计基框架下进行协变量调整，是一个开放问题。

3. 放松假设到总体水平后的最优性：Theorem 5表明，当假设只在总体水平成立时，RWLS不再是BLUE。Theorem 6则证明其EHW方差估计量在“估计精度”上是最优的。扎根点：Theorem 5 & 6。一个自然的问题是：在总体水平假设下，是否存在一个在“采样精度”上最优的线性无偏估计量？它是否也能通过某种回归方法实现？

4. 假设检验的改进：Theorem 7给出的假设检验是保守的（被卡方分布随机占优）。扎根点：Theorem 7, "is asymptotically stochastically dominated by a chi-squared distribution." 能否构造一个精确的（非保守的）检验统计量？或者，在特定条件下（如个体效应为常数），这个检验是否变得精确？

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论