Robust Inference for Convex Pairwise Difference Estimators

技术摘要：凸成对差异估计量的稳健推断

问题陈述
本文探讨了与一大类凸成对差异估计量相关的推断挑战，该类估计量定义为在具有相似协变量的观测对之上最小化核加权的凸目标函数。这些估计量被广泛用于解决非线性模型（例如部分线性回归、Logit 模型和 Tobit 模型）中的异质性问题。

核心难点在于估计量的大样本行为依赖于带宽（局部化）参数 $h_n$。经典推断依赖于严格的带宽条件：具体而言，要求 $n h_n^d \to \infty$（确保有足够的观测对以实现渐近线性）且 $n h_n^4 \to 0$（确保偏差可忽略）。在这些条件下，估计量是渐近线性的，且标准的非参数自举推断是一致的。然而，在实践中，选择一个同时满足这两个条件的带宽是困难的，特别是当协变量向量的维度 $d$ 增加时。现有方法通常在带宽过小（违反线性条件）或过大（违反偏差条件）时无法提供有效的推断。

方法论
作者开发了一种新颖的推断框架，结合了三种不同的理论思想，以在更广泛的带宽选择范围内实现稳健性：

1. 小带宽渐近理论：扩展了 Cattaneo、Crump 和 Jansson (2014a) 的框架，本文推导了估计量的高斯分布近似，而无需施加 $n h_n^d \to \infty$ 的条件。相反，它在更弱的条件 $n^2 h_n^d \to \infty$ 下确立了有效性。这种方法考虑了由高局部化引起的额外方差，导致收敛速率和方差结构明确依赖于局部化的程度。
2. 通过广义刀切法去偏：为了解决当 $h_n$ 较大（违反 $n h_n^4 \to 0$）时的偏差问题，作者采用了一种基于广义刀切法（Schucany 和 Sommers, 1977）的去偏程序。这涉及构建由不同带宽计算的估计量的线性组合。关键在于，与使用高阶核（这会引入负权重并破坏目标函数的凸性）不同，广义刀切法保留了估计量的凸性。这使得能够在保持凸优化计算和理论优势的同时使用更大的带宽。
3. 自举重缩放：本文指出，标准非参数自举在小带宽渐近理论下是不一致的，因为它未能捕捉到由局部化引起的特定方差膨胀。作者提出了一种修正的自举程序，其中自举重采样中使用的局部化参数被 $3^{1/d}$ 因子重缩放。这一调整使自举方差与真实渐近方差一致，从而确保即使在 $n h_n^d$ 有界的情况下也能保持一致性。

主要贡献与结果
本文提供了综合的分布理论和一种实用的推断方法，统一了这三个组成部分。

• 广义高斯近似：定理 1 确立了在 $n^2 h_n^d \to \infty$ 下，估计量收敛于高斯分布。渐近方差包含一个反映“小带宽”不确定性的项，该项仅在 $n h_n^d \to \infty$ 时消失。该结果涵盖了三种情形：渐近线性（$n h_n^d \to \infty$）、无线性条件的 $\sqrt{n}$ 一致性（$n h_n^d \to c \in (0, \infty)$）以及慢于 $\sqrt{n}$ 的一致性（$n h_n^d \to 0$ 但 $n^2 h_n^d \to \infty$）。
• 去偏估计量的性质：定理 2 将高斯近似扩展到去偏估计量。它表明，通过使用特定权重组合带宽为 $h_n, c_1 h_n, \dots, c_L h_n$ 的估计量，可以消除高达 $h_n^{2L+2}$ 阶的偏差项。这使得在违反标准 $n h_n^4 \to 0$ 条件但满足 $n h_n^{4(L+1)} \to 0$ 的带宽下也能进行有效推断。
• 有效的自举推断：定理 3 和推论 1 表明，由于方差失配，标准自举在小带宽渐近理论下是不一致的。然而，通过在自举步骤中将带宽重缩放为 $3^{1/d} h_n$，该方法能够产生一致分布近似。
• 稳健的覆盖率：本文比较了四种推断程序：(1) 经典方法，(2) 经典去偏方法，(3) 小带宽方法，以及 (4) 小带宽去偏方法。理论分析和模拟证据（第 6 节）表明，结合去偏和带宽重缩放的程序（程序 4）在更广泛的带宽选择范围内提供了最稳健的覆盖率概率。它缓解了标准自举在小带宽下的保守性，以及在大带宽下因偏差导致的覆盖率不足。

意义
本文声称，与现有方法相比，它为凸成对差异估计量提供了一种“明显更稳健”的推断方法。其主要意义在于：

1. 放宽带宽限制：它消除了对有效高斯近似所需的严格条件 $n h_n^d \to \infty$ 的必要性，允许更高程度的局部化。
2. 保持凸性：通过利用广义刀切法而非高阶核，该方法保留了目标函数的凸性，这对于快速计算和较弱的正则性条件至关重要。
3. 实际稳健性：所提出的方法（结合去偏和重缩放）确保即使带宽选择不确定或基于数据驱动（这是实证工作中的常见情况），置信区间仍能保持标称覆盖水平。

作者指出，他们的理论发展严重依赖于目标函数的凸性以及应用于 U 过程的基础工作 Hjort 和 Pollard (1993) 以及 Pollard (1991)。本文最后建议未来扩展至用于带宽选择的高阶随机展开、一致方差估计量以及基于生成回归量的估计量。