跳转至

选题提案 · 条件独立性检验与因果推断

战线范围: 检验条件独立性或处理效应异质性，利用条件随机化检验、双稳健得分、影响函数、交叉拟合等方法。
证据论文: 30 篇（★ 收藏 6 篇）
提案条数: 2
生成日期: 2026-09-01

每条提案的证据都点名来源论文 [k] 并引其原话。不打分、不排名——「证据 N 篇」是可数的事实，不是质量分。标了 ⚠️ 单点证据的条目只有一篇论文支撑，自己掂量。

提案 1：Higher-Order Influence Function Correction for Riesz Representer Estimation Under Slow Nuisance Convergence

  • claim（一句话）：构造一个基于二阶影响函数的去偏估计量，用于任意线性泛函（如 ATE、ATT）的 Riesz representer 估计，使得当 nuisance 函数的 \(L_2\) 收敛率慢至 \(n^{-1/3}\) 时，估计量仍达到 \(\sqrt{n}\)-一致且渐近正态，并给出有限样本 Berry-Esseen 界。

  • 最小内核：考虑最简单的线性泛函 \(\theta = E[m(Z; \gamma_0)]\)，其中 \(\gamma_0\) 是条件均值函数，Riesz representer \(\alpha_0\) 满足 \(E[m(Z; \gamma)] = E[\alpha_0(Z) \cdot \gamma(Z)]\)。在 \(d=1\) 的设定下（单个连续协变量），假设 \(\gamma_0\) 和 \(\alpha_0\) 均属于 Sobolev 球 \(S(s, L)\) 且光滑参数 \(s < d/4\)（导致收敛率慢于 \(n^{-1/4}\)）。此时一阶去偏失效，需要二阶影响函数修正。最小内核要证的命题是：当 \(\hat{\gamma}\) 和 \(\hat{\alpha}\) 的 \(L_2\) 误差均为 \(O_p(n^{-1/3})\) 时，二阶修正后的估计量 \(\hat{\theta} = \frac{1}{n}\sum_i m(Z_i; \hat{\gamma}) + \frac{1}{n}\sum_i \hat{\alpha}(Z_i)(Y_i - \hat{\gamma}(Z_i)) + \text{二阶项}\) 的偏差为 \(o_p(n^{-1/2})\)，且渐近方差等于半参数效率界。

  • 证据：

  • [7] 开放问题 4：“当 \(R(\hat{\gamma}_l)\) 和 \(R(\hat{\alpha}_l)\) 均慢于 \(n^{-1/4}\) 时，本文的二阶偏差控制失效，而 HOIF 正是处理此情形的理论。本文 intro 完全未提及 HOIF，这是一个理论缺口。”
  • [11] 开放问题 3：“Higher-order Influence Functions (HOIF) 加速：本文要求 nuisance 收敛率 \(o(J^{-1/4})\)。若 nuisance 收敛更慢（如 \(J^{-1/3}\)），能否引入一阶或更高阶 HOIF 来修正偏差，达到 \(J^{-1/2}\) 收敛？”

  • [19] 开放问题 1：“HOIF 修正能否进一步放宽平滑性条件？本文修正只用到一阶影响函数，要求 DR 交叉速率 \(o_P(1/\sqrt{n})\)。频率派 HOIF 理论已证明：用高阶影响函数可将条件放宽到 \(\beta_m + \beta_\pi > d/2\)。”

  • 为什么现在：近期 [7] 给出了通用去偏定理的有限样本保证，但明确将 HOIF 列为未覆盖情形；[11] 和 [19] 在各自设定下独立指出 HOIF 是自然扩展。同时，高阶 U 统计量的计算工具（treewidth / einsum）已成熟，使得二阶影响函数的显式表达式可高效实现，而无需手动推导复杂积分。

  • 武器匹配：使用 高阶 U 统计量的计算（treewidth / tensor contraction / einsum） 来构造二阶影响函数项。具体地，二阶项涉及 \(\hat{\alpha}\) 和 \(\hat{\gamma}\) 的乘积的期望，可表示为 U 统计量 \(U_n = \frac{1}{n(n-1)}\sum_{i\neq j} \phi(Z_i, Z_j)\)，其方差和偏差可通过 tensor contraction 在 \(O(n^2)\) 内计算，并利用 treewidth 分解加速至近线性。

  • 风险与竞争：主要风险是二阶影响函数的显式表达式可能依赖于具体泛函，通用性受限。需检查 [7] 的 Riesz representer 框架下二阶项是否总能写成 U 统计量形式（理论上成立，但需验证）。竞争：Robins et al. (2008, 2017) 已有 HOIF 理论，但未给出可计算实现；需确认是否有近期工作（如 Liu et al. 2025）已将 HOIF 与 Riesz representer 结合。建议搜索 “higher-order influence function Riesz representer” 及检查 [7] 的后续引用。

  • 交付形态：方法+模拟型

  • 第一周动作：

  • 精读 [7] 的定理 1 证明，提取二阶偏差的显式表达式（Section 2.2 的余项展开）。
  • 推导在 \(d=1\)、\(\gamma_0\) 和 \(\alpha_0\) 为 Sobolev 光滑时，二阶影响函数的具体形式（参考 Robins et al. 2008 的公式 (4.2)）。
  • 用 einsum 实现 \(n=500\) 下二阶 U 统计量的计算，并与一阶去偏估计量对比 MSE。
  • 阅读 [11] 的 Theorem 4 速率条件，确认其 \(J^{-1/4}\) 要求与本文设定的一致性。
  • 搜索 arXiv 近半年 “higher-order influence function” 相关论文，确认无重复。

提案 2：Higher-Order Debiased Estimation of Bridge Functions in Proximal Causal Inference

  • claim（一句话）：构造一个基于二阶影响函数的去偏估计量，用于近端因果推断中的桥函数 \(h(W, a, X)\) 和 \(q(Z, a, X)\) 的泛函（如剂量-反应函数 \(\theta(a)\)），使得当桥函数估计的 \(L_2\) 收敛率慢于 \(n^{-1/4}\)（例如 \(n^{-1/3}\)）时，估计量仍达到 \(\sqrt{n}\)-一致且渐近正态，并给出均匀置信带。

  • 最小内核：考虑连续处理 \(A\) 下的剂量-反应函数 \(\theta(a) = E[Y(a)]\)，在近端框架下可识别为 \(\theta(a) = E[h(W, a, X)]\)，其中 \(h\) 满足桥方程 \(E[Y - h(W, a, X) \mid Z, A=a, X] = 0\)。最小内核设定：\(X\) 为单变量，\(A\) 为二值（简化），\(Z\) 和 \(W\) 均为低维连续变量。假设桥函数 \(h\) 的估计 \(\hat{h}\) 来自 RKHS 且收敛率 \(O_p(n^{-1/3})\)（因 ill-posedness）。此时一阶去偏（如 [3] 的 Theorem 3）因 \(n^{-1/4}\) 条件不满足而失效。要证的命题：二阶修正后的估计量 \(\hat{\theta}(a) = \frac{1}{n}\sum_i \hat{h}(W_i, a, X_i) + \frac{1}{n}\sum_i \hat{q}(Z_i, a, X_i)(Y_i - \hat{h}(W_i, a, X_i)) + \text{二阶项}\) 的偏差为 \(o_p(n^{-1/2})\)，且渐近方差等于半参数效率界。

  • 证据：

  • [2] 结论比证明窄的地方：“Theorem 5 的收敛率条件 (iii) 要求第二阶项以 \(o_p(n^{-1/2})\) 收敛。作者声称‘当所有估计量以快于 \(n^{-1/4}\) 的速率收敛时，这个条件可满足’。但桥函数 \(h_a\) 和 \(q_a\) 的收敛率取决于积分方程 (3) 和 (4) 的 ill-posedness 程度，可能远慢于 \(n^{-1/4}\)。”
  • [3] 开放问题 2：“当 \(Z\) 和 \(W\) 的维度很高，甚至大于样本量时，如何有效地估计桥函数 \(h\) 和 \(q\)，并使其满足本文所需的 \(L_2\) 收敛率条件？”（该问题直接指出桥函数估计的收敛率条件可能不满足，与 [2] 的 gap 一致。）

  • [7] 开放问题 4 和 [11] 开放问题 3 也支持 HOIF 作为解决慢收敛的通用工具（见提案 1 证据），此处具体应用于桥函数。

  • 为什么现在：[2] 和 [3] 分别于 2026 年 7 月和 8 月发表，均将桥函数估计的收敛率条件视为关键瓶颈，但未提供解决方案。同时，[7] 的通用去偏定理和 [11] 的 HOIF 加速需求为二阶修正提供了理论动机。高阶 U 统计量的计算工具（einsum）可高效实现桥函数泛函的二阶项，因为桥方程本质上是 Fredholm 积分方程，其二阶影响函数可表示为 U 统计量。

  • 武器匹配：使用 高阶 U 统计量的计算（treewidth / tensor contraction / einsum） 来构造二阶项。具体地，桥函数 \(h\) 的二阶影响函数涉及 \(\hat{h}\) 和 \(\hat{q}\) 的乘积的期望，可写成 U 统计量 \(U_n = \frac{1}{n(n-1)}\sum_{i\neq j} \psi(Z_i, W_j, a, X_i, X_j)\)，其计算可通过 einsum 在 \(O(n^2)\) 内完成，并利用 treewidth 分解处理高维 \(X\)。

  • 风险与竞争：主要风险是桥函数估计的 ill-posedness 可能导致二阶项本身收敛慢，需验证在 \(n^{-1/3}\) 率下二阶项仍为 \(o_p(n^{-1/2})\)。竞争：可能存在未发表的 HOIF 应用于近端推断的工作（如 Tchetgen Tchetgen 组）。建议搜索 “proximal causal inference higher-order influence function” 及检查 [2][3] 的后续引用。另外，需确认 [28] 的连续 U 影响函数构造是否可替代 HOIF。

  • 交付形态：方法+模拟型

  • 第一周动作：

  • 精读 [2] 的 Theorem 5 证明，提取桥函数估计收敛率对二阶项的影响（Appendix B 的余项展开）。
  • 推导在 \(A\) 二值、\(X\) 单变量下，桥函数 \(h\) 的二阶影响函数显式表达式（参考 [3] 的 EIF 推导 Section 3.2）。
  • 用 einsum 实现 \(n=500\) 下二阶 U 统计量的计算，并在 [3] 的模拟设定（Scenario 1，桥函数正确指定但收敛慢）下对比一阶与二阶去偏的 MSE 和覆盖。
  • 阅读 [28] 的 Section 4.4.2，确认连续 U 的影响函数构造是否与 HOIF 互补。
  • 搜索 arXiv 近半年 “bridge function higher-order” 相关论文，确认无重复。

本页的证据论文

Maintained by 陈星宇 · Homepage · Source

评论