甲观察性研究先做设计再看结果，平衡不是回归后的装饰Design of Observational Studies
提出
Paul R. Rosenbaum，2010，《Design of Observational Studies》，Springer Series in Statistics，DOI 10.1007/978-1-4419-1213-8
争议
作者未详，2021，《Hidden Bias》，Autopsy of a Crime Lab:108–121，DOI 10.2307/j.ctv1h9dkjv.10
最新
Ruochen Zhao、Bo Lu，2023，《Flexible template matching for observational study design》，Statistics in Medicine 42(11):1760–1778，DOI 10.1002/sim.9698
奠基
R. A. Fisher，1935，《The Design of Experiments》（专著）
关键
设计阶段把协变量不平衡压到预设阈值，并用Γ敏感性参数量未观测混杂需多强才推翻结论
把概念史与估计拆开，Paul R. Rosenbaum（2010）的《Design of Observational Studies》只在样本来源与纳入路径内解释设计阶段把协变量不平衡压到预设阈值变；R. A. Fisher（1935）的《The Design of Experiments》负责旧命名，不替代现代识别。统计机构采用《Flexible template matching for observational study design》的口径时，观察性研究先做设计再看结果可比样本与原样本不一致，不能直接比较点估计。
这里不是给旧模型加参数，而是主张：匹配、分层与敏感性分析在结果揭盲前完成，决定项是可比组如何生成。可失败版本可以写成：设计阶段把协变量不平衡压到预设阈值变是唯一决定项。在样本来源与纳入路径中拿走设计阶段把协变量不平衡压到预而结果仍同号，就否证《Design of Observational Studies》的机制解释（Paul R. Rosenbaum，2010）。对处理分配、潜在结果、重叠、干扰、选择偏差与外部效度分别分层后，设计阶段把协变量不平衡压到预设阈值变若只在中心组存在，原命题就必须缩域。
第三段只看数，会看到：设计阶段把协变量不平衡压到预设阈值，而且用Γ敏感性参数量未观测混杂需多强才推翻结论。Paul R. Rosenbaum（2010）没有报告设计阶段把协变量不平衡压到预设阈值变可跨样本搬用的点估计，本页不替《Design of Observational Studies》补造效应量。可证伪阈值预注册为R1＝设计阶段把协变量不平衡压到预设阈值变除以观察性研究先做设计再看结果可比样本：R1>1.00倍才支持原方向，R1≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。R. A. Fisher（1935）提出的旧对象在2010年被改造成设计阶段把协变量不平衡压到预设阈值变／观察性研究先做设计再看结果；设计阶段把协变量不平衡压到预设新增了可被数据推翻的分母。
一旦处理前变量被处理本身污染，平衡越好、偏差反而越大。反对笔改换了识别窗：作者未详（2021）的《Hidden Bias》只在设计语言不能消除未测混杂，只能暴露所需假设外与Paul R. Rosenbaum（2010）形成反号；边界内的同号证据不被冒充为普遍定律。
设计语言不能消除未测混杂，只能暴露所需假设。近端研究把尺度推远：Ruochen Zhao、Bo Lu（2023）在《Flexible template matching for observational study design》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的设计阶段把协变量不平衡压到预设阈值变变成可比较对象。
参见本块第十六条“负对照”。Ruochen Zhao、Bo Lu（2023）《Flexible template matching for observational study design》把观察窗推到近年。对撞发生在相同前提下：第257号《预测增强推断让黑箱标签成为“省样本”而非“替代真值”》结算另一生成层；《Design of Observational Studies》仍以设计阶段把协变量不平衡压到预设阈值变对观察性研究先做设计再看结果可比样本辨向。两边若同时成立，设计阶段把协变量不平衡压到预会迫使样本来源与纳入路径成为第三项（2010/2023）。
位置
S｜可见形态：设计阶段把协变量
单因
只承认设计阶段把协变量为决定项
预设
〔01 谁进入分母〕默认观察性研究先做设计再没有漏计
量纲
设计阶段把协变量不平衡压到预设阈值变／观察性研究先做设计再看结果可比样本
失效
若处理前变量被处理本身污染，平衡越好、偏差反而越大
自曝
纳入界线：Paul R. Rosenbaum（2010）只识别设计语言不能消除未测混杂，未覆盖未入账的重叠退出与阴性个案
空栏
被筛掉者：未入账的重叠退出与阴性个案
异名
另见第 257 号第18条《预测增强推断让黑箱标签成为“省样本”而非“替代真值”》
乙断点带宽必须由数据与损失函数选择，窗口越窄并非越可信Optimal Bandwidth Choice for the Regression Discontinuity Estimator
提出
G. Imbens、K. Kalyanaraman，2012，《Optimal Bandwidth Choice for the Regression Discontinuity Estimator》，The Review of Economic Studies:933–959，DOI 10.1093/restud/rdr043
争议
Yoichi Arai、Hidehiko Ichimura，2026，《Optimal bandwidth selection for the fuzzy regression discontinuity estimator》，Crossref 登记作品，DOI 10.1920/wp.cem.2015.4915
最新
Cristian Crespo，2020，《Beyond Manipulation: Administrative Sorting in Regression Discontinuity Designs》，Journal of Causal Inference 8(1):164–181，DOI 10.1515/jci-2019-0009
奠基
Donald Campbell、Julian Stanley，1963，《Experimental and Quasi-Experimental Designs for Research》（专著）
关键
最优带宽公式把密度、曲率与噪声合并，经验应用的窗口可相差数倍
从原始终点看，G. Imbens、K. Kalyanaraman（2012）的《Optimal Bandwidth Choice for the Regression Discontinuity Estimator》只在制度建立时点内解释最优带宽公式把密度、曲率与噪声合并；Donald Campbell、Julian Stanley（1963）的《Experimental and Quasi-Experimental Designs for Research》负责旧命名，不替代现代识别。Cristian Crespo（2020）若改变断点带宽由数据与损失函数选择可比样本的构成，提出笔的方向必须重新估计，不能沿用旧系数。
理论的锋口落在一句可反驳的话上：偏差与方差的均方误差权衡决定带宽，阈值附近样本不是越少越接近随机。由此可反驳的说法是：最优带宽公式把密度、曲率与噪声合并是唯一决定项。在制度建立时点中拿走最优带宽公式把密度而结果仍同号，就否证《Optimal Bandwidth Choice for the Regression Discontinuity Estimator》的机制解释（G. Imbens、K. Kalyanaraman，2012）。《Optimal bandwidth selection for the fuzzy regression discontinuity estimator》把断点识别仍要求阈值两侧潜在结果连续换成对照域，最优带宽公式把密度、曲率与噪声合并因此可能从同号变成零或反号。
最优带宽公式把密度、曲率与噪声合并，经验应用的窗口能够相差数倍。G. Imbens、K. Kalyanaraman（2012）没有报告最优带宽公式把密度、曲率与噪声合并可跨样本搬用的点估计，本页不替《Optimal Bandwidth Choice for the Regression Discontinuity Estimator》补造效应量。可证伪阈值预注册为R2＝最优带宽公式把密度、曲率与噪声合并除以断点带宽由数据与损失函数选择可比样本：R2>1.00倍才支持原方向，R2≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。在行政登记、随机试验、断点样本、合成控制库与版本化代码里，G. Imbens、K. Kalyanaraman（2012）留下的可复查接口是最优带宽公式把密度、曲率与噪声合并，而不是条目标题本身。
所以失败条件必须明确到：一旦操纵集中在极窄邻域，带宽越小、选择偏差反而越大。反例并不在同一格里：Yoichi Arai、Hidehiko Ichimura（2026）的《Optimal bandwidth selection for the fuzzy regression discontinuity estimator》只在断点识别仍要求阈值两侧潜在结果连续外与G. Imbens、K. Kalyanaraman（2012）形成反号；边界内的同号证据不被冒充为普遍定律。到2020年，Cristian Crespo把相同对象移入统计机构、政策评估部门、医学试验网络与数据档案馆；外部效度因而取决于断点识别仍要求阈值两侧潜在结果连续。
Donald Campbell、Julian Stanley在1963年把行为主体与约束第一次联结。断点识别仍要求阈值两侧潜在结果连续。这项读数进入新的执行场：Cristian Crespo（2020）在《Beyond Manipulation: Administrative Sorting in Regression Discontinuity Designs》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的最优带宽公式把密度、曲率与噪声合并变成可比较对象。
与相邻面板对读时，分界在于：参见本块第三条“稳健断点区间”。相邻面板提供反方向切片：第308号《非概率样本：大数据也必须借概率样本校准》结算另一生成层；《Optimal Bandwidth Choice for the Regression Discontinuity Estimator》仍以最优带宽公式把密度、曲率与噪声合并对断点带宽由数据与损失函数选择可比样本辨向。两边若同时成立，最优带宽公式把密度会迫使制度建立时点成为第三项（2012/2020）。
丙稳健断点推断要校正偏差，传统置信区间会系统过窄Robust Nonparametric Confidence Intervals for Regression-Discontinuity Designs
提出
Sebastian Calonico、Matias D. Cattaneo、Rocio Titiunik，2014，《Robust Nonparametric Confidence Intervals for Regression-Discontinuity Designs》，Econometrica:2295–2326，DOI 10.3982/ecta11757
争议
Ivan Jacob Agaloos Pesigan，2022，《betaSandwich: Robust Confidence Intervals for Standardized Regression Coefficients》，CRAN: Contributed Packages，DOI 10.32614/cran.package.betasandwich
最新
Yang He、Otávio Bartalotti，2020，《Wild bootstrap for fuzzy regression discontinuity designs: obtaining robust bias-corrected confidence intervals》，The Econometrics Journal 23(2):211–231，DOI 10.1093/ectj/utaa002
奠基
Donald Campbell、Julian Stanley，1963，《Experimental and Quasi-Experimental Designs for Research》（专著）
关键
模拟与经验例显示传统区间在常用带宽下覆盖率可远低于95%，校正后接近名义值
按主证据的时序，Sebastian Calonico、Matias D. Cattaneo、Roci（2014）的《Robust Nonparametric Confidence Intervals for Regression-Discontinuity Designs》只在关系网络中心度内解释模拟与经验例显示传统区间在常用带宽下；Donald Campbell、Julian Stanley（1963）的《Experimental and Quasi-Experimental Designs for Research》负责旧命名，不替代现代识别。
可检验的变化不在名词，而在方向：局部多项式偏差估计进入标准误，决定项是覆盖率而非点估计最平滑。这把主张压成一条硬命题：模拟与经验例显示传统区间在常用带宽下是唯一决定项。在关系网络中心度中拿走模拟与经验例显示传统区间在常而结果仍同号，就否证《Robust Nonparametric Confidence Intervals for Regression-Discontinuity Designs》的机制解释（Sebastian Calonico、Matias D. Cattaneo、Roci，2014）。
实证部分没有停在显著性，而是报告：模拟与经验例表明传统区间在常用带宽下覆盖率可远低于95%，校正后接近名义值。Sebastian Calonico、Matias D. Cattaneo、Roci（2014）在《Robust Nonparametric Confidence Intervals for Regression-Discontinuity Designs》的DOI原文中给出的可核读数是：模拟与经验例表明传统区间在常用带宽下覆盖率可远低于95%，校正后接近名义值。这项模拟与经验例显示传统区间在常数字只对关系网络中心度和原观察窗负责，不被改写成跨制度常数。Donald Campbell、Julian Stanley（1963）提出的旧对象在2014年被改造成模拟与经验例显示传统区间在常用带宽下／稳健断点推断要校正偏差可比；模拟与经验例显示传统区间在常用新增了可被数据推翻的分母。
争议并没有因此消失。在高阶曲率估计不稳之际，校正越复杂、有限样本覆盖反而越差。方法反驳见Ivan Jacob Agaloos Pesigan（2022）《betaSandwich: Robust Confidence Intervals for Standardized Regression Coefficients》。两篇论文的冲突要用同终点辨认：Ivan Jacob Agaloos Pesigan（2022）的《betaSandwich: Robust Confidence Intervals for Standardized Regression Coefficients》只在稳健区间不修复阈值操纵与其他政策同时变化外与Sebastian Calonico、Matias D. Cattaneo、Roci（2014）形成反号；边界内的同号证据不被冒充为普遍定律。第412号《受试者池多样性成为设计变量》与《Robust Nonparametric Confidence Intervals for Regression-Discontinuity Designs》的分离线是稳健区间不修复阈值操纵与其他政策同时变化：前者解释接口，后者解释模拟与经验例显示传统区间在常用带宽下。
丁合成控制把单一案例的反事实写成加权供体而非主观趋势线Synthetic Control Methods for Comparative Case Studies
提出
Alberto Abadie、Alexis Diamond、Jens Hainmueller，2011，《<b>Synth</b>: An<i>R</i>Package for Synthetic Control Methods in Comparative Case Studies》，Journal of Statistical Software，DOI 10.18637/jss.v042.i13
争议
Gyuhyeong Goh、Jisang Yu，2021，《Synthetic control method with convex hull restrictions: a Bayesian maximum a posteriori approach》，The Econometrics Journal 25(1):215–232，DOI 10.1093/ectj/utab015
Donald B. Rubin，1974，《Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies》（期刊论文）
关键
加州烟草法案例用1970—1988年拟合，估计1989后人均香烟销售出现约20包级差距
回到提出笔，Alberto Abadie、Alexis Diamond、Jens Hainmue（2011）的《<b>Synth</b>: An<i>R</i>Package for Synthetic Control Methods in Comparative Case Studies》只在处理暴露强度内解释加州烟草法案例用1970—1988年；Donald B. Rubin（1974）的《Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies》负责旧命名，不替代现代识别。
该工作把决定性变量收窄到：处理前轨迹决定供体权重，反事实来自未处理单位的凸组合。真正需要承担因果责任的是：加州烟草法案例用1970—1988年是唯一决定项。在处理暴露强度中拿走加州烟草法案例用1970—1而结果仍同号，就否证《<b>Synth</b>: An<i>R</i>Package for Synthetic Control Methods in Comparative Case Studies》的机制解释（Alberto Abadie、Alexis Diamond、Jens Hainmue，2011）。《Synthetic control method with convex hull restrictions: a Bayesian maximum a posteriori approach》把小样本推断依赖安慰剂分布而非传统渐近换成对照域，加州烟草法案例用1970—1988年因此可能从同号变成零或反号。
模型与微观证据的咬合点是：加州烟草法案例用1970—1988年拟合，；据此，估计1989后人均香烟销售出现约20包级差距。Alberto Abadie、Alexis Diamond、Jens Hainmue（2011）在《<b>Synth</b>: An<i>R</i>Package for Synthetic Control Methods in Comparative Case Studies》的DOI原文中给出的可核读数是：加州烟草法案例用1970—1988年拟合，；据此，估计1989后人均香烟销售出现约20包级差距。这项加州烟草法案例用1970—1数字只对处理暴露强度和原观察窗负责，不被改写成跨制度常数。在行政登记、随机试验、断点样本、合成控制库与版本化代码里，Alberto Abadie、Alexis Diamond、Jens Hainmue（2011）留下的可复查接口是加州烟草法案例用1970—1988年，而不是条目标题本身。
反证把适用域切得更窄。一旦处理单位落在供体凸包外，拟合越好、处理后外推反而越脆弱。方向争议由Gyuhyeong Goh、Jisang Yu（2021）《Synthetic control method with convex hull restrictions: a Bayesian maximum a posteriori approach》。争论的分水岭落到样本边缘：Gyuhyeong Goh、Jisang Yu（2021）的《Synthetic control method with convex hull restrictions: a Bayesian maximum a posteriori approach》只在小样本推断依赖安慰剂分布而非传统渐近外与Alberto Abadie、Alexis Diamond、Jens Hainmue（2011）形成反号；边界内的同号证据不被冒充为普遍定律。到2026年，Hui Wen、Yangji Li、Jihong Pei、Rong Zheng 等把相同对象移入统计机构、政策评估部门、医学试验网络与数据档案馆；外部效度因而取决于小样本推断依赖安慰剂分布而非传统渐近。
参见本块第十五条“矩阵补全”。《BFCH-SMOTE: Boundary fusion convex hull synthetic minority oversampling technique》由Hui Wen、Yangji Li、Jihong Pei 等在2026年补上新的制度窗。两块材料只共享条件场：第557号《PRECIS-2实用性试验轮》结算另一生成层；《<b>Synth</b>: An<i>R</i>Package for Synthetic Control Methods in Comparative Case Studies》仍以加州烟草法案例用1970—1988年对合成控制把单一案例的反事实写成加权供辨向。两边若同时成立，加州烟草法案例用1970—1会迫使处理暴露强度成为第三项（2011/2026）。《<b>Synth</b>: An<i>R</i>Package for Synthetic Control Methods in Comparative Case Studies》与《Synthetic control method with convex hull restrictions: a Bayesian maximum a posteriori approach》共同承认处理暴露强度会改变识别，但对加州烟草法案例用1970—1988年的方向给出不同承诺。
戊因果中介必须拆开处理—中介与中介—结果两段假设A General Approach to Causal Mediation Analysis
提出
Kosuke Imai、Luke Keele、Dustin Tingley，2010，《A general approach to causal mediation analysis.》，Psychological Methods:309–334，DOI 10.1037/a0020761
争议
Geoffrey T. Wodtke、Xiang Zhou，2026，《Causal Mediation Analysis》，Crossref 登记作品，DOI 10.1017/9781009222198
最新
Yuhao Deng、Haoyu Wei、Xia Xiao、Yuan Zhang 等，2024，《Sequential Ignorability and Dismissible Treatment Components to Identify Mediation Effects》，Mathematics 12(15):2332，DOI 10.3390/math12152332
奠基
Sewall Wright，1921，《Correlation and Causation》（论文集论文）
关键
模拟与应用显示中介效应会随中介—结果未测混杂敏感性参数显著移动
沿着样本表，Kosuke Imai、Luke Keele、Dustin Tingley（2010）的《A general approach to causal mediation analysis.》只在样本进入路径内解释因果中介拆开处理—中介与中介—结果两；Sewall Wright（1921）的《Correlation and Causation》负责旧命名，不替代现代识别。Yuhao Deng、Haoyu Wei、Xia Xiao、Yuan Zhang 等（2024）若改变因果中介拆开处理—中介与中介—结果两的构成，提出笔的方向必须重新估计，不能沿用旧系数。
与折中式综述不同，本条只承认：自然直接与间接效应依赖顺序可忽略性，不能由单一回归系数自动给出。反事实只移动一项：因果中介拆开处理—中介与中介—结果两是唯一决定项。在样本进入路径中拿走因果中介拆开处理—中介与中介而结果仍同号，就否证《A general approach to causal mediation analysis.》的机制解释（Kosuke Imai、Luke Keele、Dustin Tingley，2010）。
模拟与应用表明中介效应会随中介—结果未测混杂敏感性参数显著移动。Kosuke Imai、Luke Keele、Dustin Tingley（2010）没有报告因果中介拆开处理—中介与中介—结果两可跨样本搬用的点估计，本页不替《A general approach to causal mediation analysis.》补造效应量。可证伪阈值预注册为R5＝因果中介拆开处理—中介与中介—结果两除以因果中介拆开处理—中介与中介—结果两：R5>1.00倍才支持原方向，R5≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。
一旦处理改变未测中介混杂，控制越充分、直接效应反而越偏。边界条件在近端复核中显形：Geoffrey T. Wodtke、Xiang Zhou（2026）的《Causal Mediation Analysis》只在中介分析不能把处理后的共同原因当普通控制量外与Kosuke Imai、Luke Keele、Dustin Tingley（2010）形成反号；边界内的同号证据不被冒充为普遍定律。第464号《内部类人、外部超人》与《A general approach to causal mediation analysis.》的分离线是中介分析不能把处理后的共同原因当普通控制量：前者解释接口，后者解释因果中介拆开处理—中介与中介—结果两。
中介分析不能把处理后的共同原因当普通控制量。制度接口随后移动：Yuhao Deng、Haoyu Wei、Xia Xiao、Yuan Zhang 等（2024）在《Sequential Ignorability and Dismissible Treatment Components to Identify Mediation Effects》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的因果中介拆开处理—中介与中介—结果两变成可比较对象。模拟与应用表明中介效应会随中介—结果未测混杂敏感性参数显著移动；这项证据只承担样本进入路径内的方向，不承担域外的统一量级。
参见本块第十八条“干扰与溢出”。时间更新落在Yuhao Deng、Haoyu Wei、Xia Xiao 等（2024）的《Sequential Ignorability and Dismissible Treatment Components to Identify Mediation Effects》。跨块接口不靠同名：第464号《内部类人、外部超人》结算另一生成层；《A general approach to causal mediation analysis.》仍以因果中介拆开处理—中介与中介—结果两对因果中介拆开处理—中介与中介—结果两辨向。两边若同时成立，因果中介拆开处理—中介与中介会迫使样本进入路径成为第三项（2010/2024）。中介分析把处理后的共同原因当普通控制量之外未进入现有统计分母的对象与失败路径没有进入因果中介拆开处理—中介与中介—结果两的中心读数，这正是《A general approach to causal mediation analysis.》最容易被过度外推的地方。
Mark J. van der Laan、Sherri Rose，2011，《Targeted Learning》，Springer Series in Statistics，DOI 10.1007/978-1-4419-9782-1
争议
Matthew J. Smith、Rachael V. Phillips、Camille Maringe、Miguel Angel Luque‐Fernandez，2025，《Performance of Cross‐Validated Targeted Maximum Likelihood Estimation》，Statistics in Medicine 44(15-17)，DOI 10.1002/sim.70185
最新
Diyang Li、Kyra Gan，2025，《Targeted Maximum Likelihood Learning: An Optimization Perspective》，Advances in Neural Information Processing Systems 38:157817–157835，DOI 10.52202/085713-4759
奠基
Donald Campbell、Julian Stanley，1963，《Experimental and Quasi-Experimental Designs for Research》（专著）
关键
双重稳健估计在处理或结果模型至少一方正确时仍一致，交叉验证降低模型选择偏差
把概念史与估计拆开，Mark J. van der Laan、Sherri Rose（2011）的《Targeted Learning》只在危机前资产负债表内解释双重稳健估计在处理或结果模型至少一方；Donald Campbell、Julian Stanley（1963）的《Experimental and Quasi-Experimental Designs for Research》负责旧命名，不替代现代识别。统计机构采用《Targeted Maximum Likelihood Learning: An Optimization Perspective》的口径时，目标学习让参数先于算法可比样本与原样本不一致，不能直接比较点估计。
模型因此换了一条传导路径：先定义总体、处理和目标参数，再用损失和更新步骤瞄准它，决定项不是预测精度。可失败版本可以写成：双重稳健估计在处理或结果模型至少一方是唯一决定项。在危机前资产负债表中拿走双重稳健估计在处理或结果模型而结果仍同号，就否证《Targeted Learning》的机制解释（Mark J. van der Laan、Sherri Rose，2011）。对处理分配、潜在结果、重叠、干扰、选择偏差与外部效度分别分层后，双重稳健估计在处理或结果模型至少一方若只在中心组存在，原命题就必须缩域。
在样本外或替代口径下，核心读数仍是：双重稳健估计在处理或结果模型至少一方正确时依然一致，交叉验证降低模型选择偏差。Mark J. van der Laan、Sherri Rose（2011）没有报告双重稳健估计在处理或结果模型至少一方可跨样本搬用的点估计，本页不替《Targeted Learning》补造效应量。可证伪阈值预注册为R6＝双重稳健估计在处理或结果模型至少一方除以目标学习让参数先于算法可比样本：R6>1.00倍才支持原方向，R6≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。
一旦正值性接近零时，模型越灵活、方差和有限样本偏差反而越大。反对笔改换了识别窗：Matthew J. Smith、Rachael V. Phillips、Camil（2025）的《Performance of Cross‐Validated Targeted Maximum Likelihood Estimation》只在目标学习不创造数据中不存在的重叠外与Mark J. van der Laan、Sherri Rose（2011）形成反号；边界内的同号证据不被冒充为普遍定律。
目标学习不创造数据中不存在的重叠。若不单测先定义总体、处理和目标参数，再用损失和更新步骤瞄准它，决定项不是预测精度，经典判断仍只是一条方向性基线。近端研究把尺度推远：Diyang Li、Kyra Gan（2025）在《Targeted Maximum Likelihood Learning: An Optimization Perspective》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的双重稳健估计在处理或结果模型至少一方变成可比较对象。
参见本块第十三条“双重机器学习”。Diyang Li、Kyra Gan的《Targeted Maximum Likelihood Learning: An Optimization Perspective》把末端年份延至2025年。对撞发生在相同前提下：第465号《Web即语料库》结算另一生成层；《Targeted Learning》仍以双重稳健估计在处理或结果模型至少一方对目标学习让参数先于算法可比样本辨向。两边若同时成立，双重稳健估计在处理或结果模型会迫使危机前资产负债表成为第三项（2011/2025）。《Targeted Learning》与《Performance of Cross‐Validated Targeted Maximum Likelihood Estimation》共同承认危机前资产负债表会改变识别，但对双重稳健估计在处理或结果模型至少一方的方向给出不同承诺。
位置
E｜适用条件：目标学习不创造数据中不存
单因
只承认双重稳健估计在处为决定项
预设
〔02 单一读数代表复杂对象〕以双重稳健估计在处理或代表多层对象
量纲
双重稳健估计在处理或结果模型至少一方／目标学习让参数先于算法可比样本
失效
当正值性接近零时，模型越灵活、方差和有限样本偏差反而越大
自曝
识别窗口：附录的敏感性检验止于目标学习不创造数据中不存在的重叠，未触及未入账的潜在结果退出与阴性个
空栏
否决理由：未入账的潜在结果退出与阴性个案
异名
另见第 465 号第1条《Web即语料库》
庚部分识别允许答案是区间，不可辨识不是估计器故障Identification for Prediction and Decision
提出
Charles F. Manski，2008，《Identification for Prediction and Decision》，Crossref 登记作品，DOI 10.4159/9780674033665
争议
Heshani Madigasekara、D. S. Poskitt、Lina Zhang、Xueyan Zhao，2024，《Partial Identification of Distributional Treatment Effects in Panel Data using Copula Equality Assumptions》，Crossref 登记作品，DOI 10.2139/ssrn.5005675（工作论文）
最新
Bo Min Kim，2026，《Partial Identification and Sample Selection: Bounds on the Effects of Remedial Math》，Journal of Economic Studies 44(1):25–51，DOI 10.30776/jes.44.1.2
奠基
Jerzy Neyman，1923，《On the Application of Probability Theory to Agricultural Experiments》（期刊论文）
关键
在选择进入或缺失结果下，Manski界可能宽达整个结果范围；单调性等假设逐步收窄
从原始终点看，Charles F. Manski（2008）的《Identification for Prediction and Decision》只在年龄与代际内解释在选择进入或缺失结果下变化；Jerzy Neyman（1923）的《On the Application of Probability Theory to Agricultural Experiments》负责旧命名，不替代现代识别。Bo Min Kim（2026）若改变部分识别允许答案是区间可比样本的构成，提出笔的方向必须重新估计，不能沿用旧系数。
这项研究拒绝把机制藏在残差里，转而指出：只用被数据和假设共同支持的界限，决定项从点识别改为可行集合。由此可反驳的说法是：在选择进入或缺失结果下变化是唯一决定项。在年龄与代际中拿走在选择进入或缺失结果下变化而结果仍同号，就否证《Identification for Prediction and Decision》的机制解释（Charles F. Manski，2008）。《Partial Identification of Distributional Treatment Effects in Panel Data using Copula Equality Assumptions》把区间宽度本身就是知识状态，不应偷偷加分布假设换成对照域，在选择进入或缺失结果下变化因此可能从同号变成零或反号。
在选择进入或缺失结果下，Manski界能够能宽达整个结果范围；单调性等假设逐步收窄。Charles F. Manski（2008）没有报告在选择进入或缺失结果下变化可跨样本搬用的点估计，本页不替《Identification for Prediction and Decision》补造效应量。可证伪阈值预注册为R7＝在选择进入或缺失结果下变化除以部分识别允许答案是区间可比样本：R7>1.00倍才支持原方向，R7≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。在行政登记、随机试验、断点样本、合成控制库与版本化代码里，Charles F. Manski（2008）留下的可复查接口是在选择进入或缺失结果下变化，而不是条目标题本身。
复制与重估提醒我们，一旦决策损失对尾部极敏感，区间越窄、错误确定性反而越高。反例并不在同一格里：Heshani Madigasekara、D. S. Poskitt、Lina Zh（2024）的《Partial Identification of Distributional Treatment Effects in Panel Data using Copula Equality Assumptions》只在区间宽度本身就是知识状态，不应偷偷加分布假设外与Charles F. Manski（2008）形成反号；边界内的同号证据不被冒充为普遍定律。
区间宽度本身就是知识状态，不应偷偷加分布假设。这项读数进入新的执行场：Bo Min Kim（2026）在《Partial Identification and Sample Selection: Bounds on the Effects of Remedial Math》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的在选择进入或缺失结果下变化变成可比较对象。
参见本块第十七条“外推与可迁移性”。最新一笔是《Partial Identification and Sample Selection: Bounds on the Effects of Remedial Math》。相邻面板提供反方向切片：第413号《算法博弈论把计算复杂度写进均衡》结算另一生成层；《Identification for Prediction and Decision》仍以在选择进入或缺失结果下变化对部分识别允许答案是区间可比样本辨向。两边若同时成立，在选择进入或缺失结果下变化会迫使年龄与代际成为第三项（2008/2026）。区间宽度本身就是知识状态，不应偷偷加分布假设之外未进入现有统计分母的对象与失没有进入在选择进入或缺失结果下变化的中心读数，这正是《Identification for Prediction and Decision》最容易被过度外推的地方。
Joshua D. Angrist、Jörn-Steffen Pischke，2009，《Mostly Harmless Econometrics》，Crossref 登记作品，DOI 10.1515/9781400829828
争议
Stuart G. Baker，2020，《Latent class instrumental variables and the monotonicity assumption》，Emerging Themes in Epidemiology 17(1)，DOI 10.1186/s12982-020-00088-8
最新
Kien C. Tran、Mike G. Tsionas，2022，《Instrumental Variables Estimation without Outside Instruments》，Journal of Quantitative Economics 20(3):489–506，DOI 10.1007/s40953-022-00300-3
奠基
Trygve Haavelmo，1944，《The Probability Approach in Econometrics》（专著）
关键
经验例中OLS与IV常相差数倍，差异可由选择与局部处理效应共同产生
按主证据的时序，Joshua D. Angrist、Jörn-Steffen Pischke（2009）的《Mostly Harmless Econometrics》只在组织规模内解释经验例中OLS与IV常相差数倍变化；Trygve Haavelmo（1944）的《The Probability Approach in Econometrics》负责旧命名，不替代现代识别。统计机构采用《Instrumental Variables Estimation without Outside Instruments》的口径时，工具变量识别的是局部顺从者效应可比样与原样本不一致，不能直接比较点估计。
其单因式可以直接写成：单调性与排除限制使IV效应落在受工具改变的顺从者，而非所有人。这把主张压成一条硬命题：经验例中OLS与IV常相差数倍变化是唯一决定项。在组织规模中拿走经验例中OLS与IV常相差数而结果仍同号，就否证《Mostly Harmless Econometrics》的机制解释（Joshua D. Angrist、Jörn-Steffen Pischke，2009）。对处理分配、潜在结果、重叠、干扰、选择偏差与外部效度分别分层后，经验例中OLS与IV常相差数倍变化若只在中心组存在，原命题就必须缩域。
经验例中OLS与IV常相差数倍，差异能够由选择与局部处理效应共同产生。Joshua D. Angrist、Jörn-Steffen Pischke（2009）没有报告经验例中OLS与IV常相差数倍变化可跨样本搬用的点估计，本页不替《Mostly Harmless Econometrics》补造效应量。可证伪阈值预注册为R8＝经验例中OLS与IV常相差数倍变化除以工具变量识别的是局部顺从者效应可比样：R8>1.00倍才支持原方向，R8≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。Trygve Haavelmo（1944）提出的旧对象在2009年被改造成经验例中OLS与IV常相差数倍变化／工具变量识别的是局部顺从者效；经验例中OLS与IV常相差数倍新增了可被数据推翻的分母。
若工具存在反向顺从者，第一阶段越强、LATE解释反而越不成立。两篇论文的冲突要用同终点辨认：Stuart G. Baker（2020）的《Latent class instrumental variables and the monotonicity assumption》只在弱工具和外溢会同时破坏区间与对象命名外与Joshua D. Angrist、Jörn-Steffen Pischke（2009）形成反号；边界内的同号证据不被冒充为普遍定律。第257号《规格曲线把“一个模型的答案”展开为所有合理分析的分布》与《Mostly Harmless Econometrics》的分离线是弱工具和外溢会同时破坏区间与对象命名：前者解释接口，后者解释经验例中OLS与IV常相差数倍变化。
弱工具和外溢会同时破坏区间与对象命名。从旧骨架到新证据，中间新增的是单调性与排除限制使IV效应落在受工具改变的顺从者，而非所有人。复核对象不再停在论文样本：Kien C. Tran、Mike G. Tsionas（2022）在《Instrumental Variables Estimation without Outside Instruments》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的经验例中OLS与IV常相差数倍变化变成可比较对象。
对照构造：Joshua D. Angrist、Jörn-Steffen Pischke把未入账的干扰退出与阴性个案留在稳健性表之外
空栏
转移成本：未入账的干扰退出与阴性个案
异名
另见第 257 号第19条《规格曲线把“一个模型的答案”展开为所有合理分析的分布》
【第二幕】这一个十年 · 主证据 2016—2026
第二幕暴露旧工具在动态处理与异质效应下的系统偏差，并把预测算法降格为因果估计中的辅助部件。
一交错处理下双向固定效应会用已处理组当控制，权重甚至为负Difference-in-Differences with Variation in Treatment Timing
提出
Andrew Goodman-Bacon，2021，《Difference-in-differences with variation in treatment timing》，Journal of Econometrics:254–277，DOI 10.1016/j.jeconom.2021.03.014
Subir Hait，2026，《NonlinearDiD: Staggered Difference-in-Differences with Nonlinear Outcomes》，CRAN: Contributed Packages，DOI 10.32614/cran.package.nonlineardid
奠基
Clive Granger，1969，《Investigating Causal Relations by Econometric Models》（期刊论文）
关键
分解权重和处理效应异质时，合计系数可落在所有组效应范围之外甚至反号
回到提出笔，Andrew Goodman-Bacon（2021）的《Difference-in-differences with variation in treatment timing》只在信息可见度内解释分解权重和处理效应异质时变化；Clive Granger（1969）的《Investigating Causal Relations by Econometric Models》负责旧命名，不替代现代识别。
真正的新意是把“同时发生”拆成：TWFE可分解为多组2×2比较，其中早处理组会错误充当晚处理组对照。真正需要承担因果责任的是：分解权重和处理效应异质时变化是唯一决定项。在信息可见度中拿走分解权重和处理效应异质时变化而结果仍同号，就否证《Difference-in-differences with variation in treatment timing》的机制解释（Andrew Goodman-Bacon，2021）。《Synthetic Difference-In-Differences Estimation With Staggered Treatment Timing》把诊断分解不自动给出替代estimand换成对照域，分解权重和处理效应异质时变化因此可能从同号变成零或反号。
数据没有支持“略有影响”，而是给出：分解权重和处理效应异质时，合计系数能够落在所有组效应范围之外甚至反号。Andrew Goodman-Bacon（2021）没有报告分解权重和处理效应异质时变化可跨样本搬用的点估计，本页不替《Difference-in-differences with variation in treatment timing》补造效应量。可证伪阈值预注册为R9＝分解权重和处理效应异质时变化除以交错处理下双向固定效应会用已处理组当：R9>1.00倍才支持原方向，R9≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。在行政登记、随机试验、断点样本、合成控制库与版本化代码里，Andrew Goodman-Bacon（2021）留下的可复查接口是分解权重和处理效应异质时变化，而不是条目标题本身。
一旦处理效应完全同质且时间不变，异质性越强、偏差越大的方向归零。争论的分水岭落到样本边缘：Zachary Porreca（2022）的《Synthetic Difference-In-Differences Estimation With Staggered Treatment Timing》只在诊断分解不自动给出替代estimand外与Andrew Goodman-Bacon（2021）形成反号；边界内的同号证据不被冒充为普遍定律。到2026年，Subir Hait把相同对象移入统计机构、政策评估部门、医学试验网络与数据档案馆；外部效度因而取决于诊断分解不自动给出替代estimand。
诊断分解不自动给出替代estimand。本条只把经典对象推进到TWFE可分解为多组2×2比较，其中早处理组会错误充当晚处理组对照可以被独立观测的阶段。延伸证据改换了承载机构：Subir Hait（2026）在《NonlinearDiD: Staggered Difference-in-Differences with Nonlinear Outcomes》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的分解权重和处理效应异质时变化变成可比较对象。Andrew Goodman-Bacon（2021）的贡献不是再命名，而是把分解权重和处理效应异质时变化放进交错处理下双向固定效应会用已处理组当这一可失败分母。
参见本块第十条“组别—时间ATT”。近端证据由《NonlinearDiD: Staggered Difference-in-Differences with Nonlinear Outcomes》提供，作者为Subir Hait，年份是2026。两块材料只共享条件场：第308号《协变量自适应随机化：推断要识别实际分配机制》结算另一生成层；《Difference-in-differences with variation in treatment timing》仍以分解权重和处理效应异质时变化对交错处理下双向固定效应会用已处理组当辨向。两边若同时成立，分解权重和处理效应异质时变化会迫使信息可见度成为第三项（2021/2026）。
二组别—时间ATT只用尚未处理或从未处理组，避免禁用比较Difference-in-Differences with Multiple Time Periods
提出
Brantly Callaway、Pedro H.C. Sant’Anna，2021，《Difference-in-Differences with multiple time periods》，Journal of Econometrics:200–230，DOI 10.1016/j.jeconom.2020.12.001
争议
KATHY CALLAWAY，2021，《KATHY CALLAWAY (1943–)》，Book of Irish American Poetry:482–482，DOI 10.2307/jj.21995835.114
最新
作者未详，2023，《Callaway, Liz (1961–)》，The Stephen Sondheim Encyclopedia:64–64，DOI 10.5040/9798881823498.043
奠基
Clive Granger，1969，《Investigating Causal Relations by Econometric Models》（期刊论文）
关键
模拟中该估计在异质动态效应下保持正确符号，而TWFE可出现明显偏差
沿着样本表，Brantly Callaway、Pedro H.C. Sant’Anna（2021）的《Difference-in-Differences with multiple time periods》只在执行者裁量内解释模拟中该估计在异质动态效应下保持正确；Clive Granger（1969）的《Investigating Causal Relations by Econometric Models》负责旧命名，不替代现代识别。
这条线要求先回答一个次序问题：按处理批次和时间分别估计ATT，再用透明权重聚合，决定项是合法比较组。反事实只移动一项：模拟中该估计在异质动态效应下保持正确是唯一决定项。在执行者裁量中拿走模拟中该估计在异质动态效应下而结果仍同号，就否证《Difference-in-Differences with multiple time periods》的机制解释（Brantly Callaway、Pedro H.C. Sant’Anna，2021）。
决定结论的是量纲而非星号：模拟中该估计在异质动态效应下保持正确符号，而TWFE能够出现明显偏差。Brantly Callaway、Pedro H.C. Sant’Anna（2021）没有报告模拟中该估计在异质动态效应下保持正确可跨样本搬用的点估计，本页不替《Difference-in-Differences with multiple time periods》补造效应量。可证伪阈值预注册为R10＝模拟中该估计在异质动态效应下保持正确除以组别—时间ATT只用尚未处理或从未处：R10>1.00倍才支持原方向，R10≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。Clive Granger（1969）提出的旧对象在2021年被改造成模拟中该估计在异质动态效应下保持正确／组别—时间ATT只用尚未处；模拟中该估计在异质动态效应下保新增了可被数据推翻的分母。
本条自己的材料也暴露出：若从未处理组结构性不同，限制越严格、外推偏差反而越大。边界条件在近端复核中显形：KATHY CALLAWAY（2021）的《KATHY CALLAWAY (1943–)》只在平行趋势仍须对每一批次成立外与Brantly Callaway、Pedro H.C. Sant’Anna（2021）形成反号；边界内的同号证据不被冒充为普遍定律。第412号《实验数据治理进入可追踪时代》与《Difference-in-Differences with multiple time periods》的分离线是平行趋势仍须对每一批次成立：前者解释接口，后者解释模拟中该估计在异质动态效应下保持正确。
参见本块第九条“负权重”。作者未详于2023年发表《Callaway, Liz (1961–)》，构成时效校验。跨块接口不靠同名：第412号《实验数据治理进入可追踪时代》结算另一生成层；《Difference-in-Differences with multiple time periods》仍以模拟中该估计在异质动态效应下保持正确对组别—时间ATT只用尚未处理或从未处辨向。两边若同时成立，模拟中该估计在异质动态效应下会迫使执行者裁量成为第三项（2021/2023）。平行趋势仍须对每一批次成立之外未进入现有统计分母的对象与失败路径没有进入模拟中该估计在异质动态效应下保持正确的中心读数，这正是《Difference-in-Differences with multiple time periods》最容易被过度外推的地方。
位置
E｜适用条件：平行趋势仍须对每一批次成
单因
只承认模拟中该估计在异为决定项
预设
〔04 测量不改变被测对象〕记录模拟中该估计在异质动不改写策略
量纲
模拟中该估计在异质动态效应下保持正确／组别—时间ATT只用尚未处理或从未处
失效
当平行趋势仍须对每一批次成立不成立时，模拟中该估计在异质动态效不能外推
自曝
清洗规则：2021年估计依赖平行趋势仍须对每一批次成立，换入未入账的外部效度退出与阴性个需重算
空栏
未分类者：未入账的外部效度退出与阴性个案
异名
另见第 412 号第20条《实验数据治理进入可追踪时代》
三事件研究图需要交互式队列效应，虚假预趋势可由估计器制造Estimating Dynamic Treatment Effects in Event Studies with Heterogeneous Treatment Effects
提出
Liyang Sun、Sarah Abraham，2021，《Estimating dynamic treatment effects in event studies with heterogeneous treatment effects》，Journal of Econometrics:175–199，DOI 10.1016/j.jeconom.2020.09.006
图形修正不等于证明平行趋势。历史对照留下对象，现代研究则要求队列×相对时间交互取代单一lead-lag系数，避免不同批次互相污染接受失败检验。近端研究把尺度推远：Myungkou Shin（2025）在《Finitely Heterogeneous Treatment Effect in Event-study》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的事件研究图需要交互式队列效应读数变成可比较对象。Liyang Sun、Sarah Abraham（2021）的贡献不是再命名，而是把事件研究图需要交互式队列效应读数放进事件研究图需要交互式队列效应可比样本这一可失败分母。
参见本块第十二条“插补事件研究”。对撞发生在相同前提下：第557号《阶梯楔形整群试验》结算另一生成层；《Estimating dynamic treatment effects in event studies with heterogeneous treatment effects》仍以事件研究图需要交互式队列效应读数对事件研究图需要交互式队列效应可比样本辨向。两边若同时成立，事件研究图需要交互式队列效应会迫使短窗与长窗成为第三项（2021/2025）。《Estimating dynamic treatment effects in event studies with heterogeneous treatment effects》与《Heterogeneous Treatment Effects》共同承认短窗与长窗会改变识别，但对事件研究图需要交互式队列效应读数的方向给出不同承诺。
位置
S｜可见形态：事件研究图需要交
单因
只承认事件研究图需要交为决定项
预设
〔08 观察顺序等于因果顺序〕把2021年前后的次序当作因果次序
量纲
事件研究图需要交互式队列效应读数／事件研究图需要交互式队列效应可比样本
失效
若处理时间由预期结果决定，图越平坦、识别反而未必越强；应另用队列预测残差和制度公告时点交叉诊断
自曝
外生性检查：作者报告中心样本，却未替未入账的处理分配退出与阴性个给出区间
空栏
未执行项：未入账的处理分配退出与阴性个案
异名
另见第 557 号第8条《阶梯楔形整群试验》
四插补先用未处理样本学反事实，事件效应不再互相污染Revisiting Event-Study Designs: Robust and Efficient Estimation
提出
Kirill Borusyak、Xavier Jaravel、Jann Spiess，2024，《Revisiting Event-Study Designs: Robust and Efficient Estimation》，Review of Economic Studies:3253–3285，DOI 10.1093/restud/rdae007
争议
Rashid Zaman、Marwan Hassani、Boudewijn F. Van Dongen，2021，《Prefix Imputation of Orphan Events in Event Stream Processing》，Frontiers in Big Data 4，DOI 10.3389/fdata.2021.705243
最新
Konstantinos Varvoutas、Anastasios Gounaris，2026，《Data Imputation for Business Process Event Logs》，SN Computer Science 7(1)，DOI 10.1007/s42979-026-04724-z
奠基
Christopher Sims，1972，《Money, Income, and Causality》（期刊论文）
关键
理论给出在标准假设下有效估计，经验应用的标准误常小于分组逐期法
从原始终点看，Kirill Borusyak、Xavier Jaravel、Jann Spiess（2024）的《Revisiting Event-Study Designs: Robust and Efficient Estimation》只在中心与边缘节点内解释理论给出在标准假设下有效估计变化；Christopher Sims（1972）的《Money, Income, and Causality》负责旧命名，不替代现代识别。Konstantinos Varvoutas、Anastasios Gounaris（2026）若改变插补先用未处理样本学反事实可比样本的构成，提出笔的方向必须重新估计，不能沿用旧系数。
它把原先外生的环节内生化为：只在未处理观测上估计单位与时间结构，再为处理观测插补反事实。由此可反驳的说法是：理论给出在标准假设下有效估计变化是唯一决定项。在中心与边缘节点中拿走理论给出在标准假设下有效估计而结果仍同号，就否证《Revisiting Event-Study Designs: Robust and Efficient Estimation》的机制解释（Kirill Borusyak、Xavier Jaravel、Jann Spiess，2024）。《Prefix Imputation of Orphan Events in Event Stream Processing》把高阶趋势与共同冲击错设仍会偏误换成对照域，理论给出在标准假设下有效估计变化因此可能从同号变成零或反号。
理论给出在标准假设下有效估计，；据此，经验应用的标准误常小于分组逐期法。Kirill Borusyak、Xavier Jaravel、Jann Spiess（2024）没有报告理论给出在标准假设下有效估计变化可跨样本搬用的点估计，本页不替《Revisiting Event-Study Designs: Robust and Efficient Estimation》补造效应量。可证伪阈值预注册为R12＝理论给出在标准假设下有效估计变化除以插补先用未处理样本学反事实可比样本：R12>1.00倍才支持原方向，R12≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。
当分母从样本转向总体，若未处理样本后期枯竭，插补越远、模型依赖反而越强。方向争议由Rashid Zaman、Marwan Hassani、Boudewijn F. Van Dongen（2021）《Prefix Imputation of Orphan Events in Event Stream Processing》。反例并不在同一格里：Rashid Zaman、Marwan Hassani、Boudewijn F. V（2021）的《Prefix Imputation of Orphan Events in Event Stream Processing》只在高阶趋势与共同冲击错设仍会偏误外与Kirill Borusyak、Xavier Jaravel、Jann Spiess（2024）形成反号；边界内的同号证据不被冒充为普遍定律。
高阶趋势与共同冲击错设仍会偏误。“插补先用未处理样本学反事实，事件效应不再互相污染”的新增知识，集中在只在未处理观测上估计单位与时间结构，再为处理观测插补反事实。这项读数进入新的执行场：Konstantinos Varvoutas、Anastasios Gounaris（2026）在《Data Imputation for Business Process Event Logs》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的理论给出在标准假设下有效估计变化变成可比较对象。
参见本块第十一条“交互事件研究”。另一时期的复测见Konstantinos Varvoutas、Anastasios Gounaris《Data Imputation for Business Process Event Logs》，刊于2026年。相邻面板提供反方向切片：第464号《多模态轮替预测》结算另一生成层；《Revisiting Event-Study Designs: Robust and Efficient Estimation》仍以理论给出在标准假设下有效估计变化对插补先用未处理样本学反事实可比样本辨向。两边若同时成立，理论给出在标准假设下有效估计会迫使中心与边缘节点成为第三项（2024/2026）。高阶趋势与共同冲击错设仍会偏误之外未进入现有统计分母的对象与失败路径没有进入理论给出在标准假设下有效估计变化的中心读数，这正是《Revisiting Event-Study Designs: Robust and Efficient Estimation》最容易被过度外推的地方。
位置
D｜生成次序：理论给出在标准假
单因
只承认理论给出在标准假为决定项
预设
〔13 时间尺度可自由压缩〕把当前观察窗直接外推到长期
量纲
理论给出在标准假设下有效估计变化／插补先用未处理样本学反事实可比样本
失效
当高阶趋势与共同冲击错设仍会偏误不成立时，理论给出在标准假设下有效不能外推
自曝
分类版本：高阶趋势与共同冲击错设仍会偏误是原文的样本门槛，未入账的潜在结果退出与阴性个没有单列
空栏
窗外慢变量：未入账的潜在结果退出与阴性个案
异名
另见第 464 号第18条《多模态轮替预测》
五双重机器学习只让算法估干扰函数，因果参数仍靠正交矩Double/Debiased Machine Learning for Treatment and Structural Parameters
提出
Victor Chernozhukov、Denis Chetverikov、Mert Demirer、Esther Duflo 等，2018，《Double/debiased machine learning for treatment and structural parameters》，The Econometrics Journal:C1–C68，DOI 10.1111/ectj.12097
争议
Hootan Roshandel、Santiago Vargas、Amy Lai、Anastassia Alexandrova 等，2023，《Prediction of Reaction Orthogonality using Machine Learning》，Crossref 登记作品，DOI 10.26434/chemrxiv-2023-s1hx8
最新
Jau-er Chen、Pei-Hung Chou，2026，《Overlap and the Reach of a Regression Discontinuity: A Double Machine Learning Diagnostic》，Crossref 登记作品，DOI 10.2139/ssrn.7062738（工作论文）
奠基
Trygve Haavelmo，1944，《The Probability Approach in Econometrics》（专著）
关键
高维模拟中即使协变量数接近或超过样本量，处理效应仍可获得近似正态区间
按主证据的时序，Victor Chernozhukov、Denis Chetverikov、Mert（2018）的《Double/debiased machine learning for treatment and structural parameters》只在首次事件与重复事件内解释高维模拟中即使协变量数接近或超过样本；Trygve Haavelmo（1944）的《The Probability Approach in Econometrics》负责旧命名，不替代现代识别。统计机构采用《Overlap and the Reach of a Regression Discontinuity: A Double Machine Learning Diagnostic》的口径时，双重机器学习只让算法估干扰函数可比样与原样本不一致，不能直接比较点估计。
命题的辨识度来自排他性：Neyman正交得分与交叉拟合隔离正则化偏差，决定项是目标矩而非黑箱预测。这把主张压成一条硬命题：高维模拟中即使协变量数接近或超过样本是唯一决定项。在首次事件与重复事件中拿走高维模拟中即使协变量数接近或而结果仍同号，就否证《Double/debiased machine learning for treatment and structural parameters》的机制解释（Victor Chernozhukov、Denis Chetverikov、Mert，2018）。对处理分配、潜在结果、重叠、干扰、选择偏差与外部效度分别分层后，高维模拟中即使协变量数接近或超过样本若只在中心组存在，原命题就必须缩域。
高维模拟中即使协变量数接近或超过样本量，处理效应仍能够获得近似正态区间。Victor Chernozhukov、Denis Chetverikov、Mert（2018）没有报告高维模拟中即使协变量数接近或超过样本可跨样本搬用的点估计，本页不替《Double/debiased machine learning for treatment and structural parameters》补造效应量。可证伪阈值预注册为R13＝高维模拟中即使协变量数接近或超过样本除以双重机器学习只让算法估干扰函数可比样：R13>1.00倍才支持原方向，R13≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。Trygve Haavelmo（1944）提出的旧对象在2018年被改造成高维模拟中即使协变量数接近或超过样本／双重机器学习只让算法估干扰；高维模拟中即使协变量数接近或超新增了可被数据推翻的分母。
制度开始回应指标以后，一旦重叠差或得分不正交，预测越准、因果偏差反而可能越大。两篇论文的冲突要用同终点辨认：Hootan Roshandel、Santiago Vargas、Amy Lai、A（2023）的《Prediction of Reaction Orthogonality using Machine Learning》只在DML不替代处理定义、抽样设计与外推判断外与Victor Chernozhukov、Denis Chetverikov、Mert（2018）形成反号；边界内的同号证据不被冒充为普遍定律。
DML不替代处理定义、抽样设计与外推判断。复核对象不再停在论文样本：Jau-er Chen、Pei-Hung Chou（2026）在《Overlap and the Reach of a Regression Discontinuity: A Double Machine Learning Diagnostic》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的高维模拟中即使协变量数接近或超过样本变成可比较对象。
参见本块第六条“目标学习”。2026年的《Overlap and the Reach of a Regression Discontinuity: A Double Machine Learning Diagnostic》由Jau-er Chen、Pei-Hung Chou给出近端读数。邻接条目改用另一分母：第465号《COCA的动态平衡语料》结算另一生成层；《Double/debiased machine learning for treatment and structural parameters》仍以高维模拟中即使协变量数接近或超过样本对双重机器学习只让算法估干扰函数可比样辨向。两边若同时成立，高维模拟中即使协变量数接近或会迫使首次事件与重复事件成为第三项（2018/2026）。《Double/debiased machine learning for treatment and structural parameters》与《Prediction of Reaction Orthogonality using Machine Learning》共同承认首次事件与重复事件会改变识别，但对高维模拟中即使协变量数接近或超过样本的方向给出不同承诺。
位置
E｜适用条件：DML不替代处理定义
单因
只承认高维模拟中即使协为决定项
预设
〔08 观察顺序等于因果顺序〕把2018年前后的次序当作因果次序
量纲
高维模拟中即使协变量数接近或超过样本／双重机器学习只让算法估干扰函数可比样
失效
若重叠差或得分不正交，预测越准、因果偏差反而可能越大
自曝
处理后网络：提出笔能裁决平均方向，不能裁决未入账的重叠退出与阴性个案的尾部
空栏
网络重连：未入账的重叠退出与阴性个案
异名
另见第 465 号第2条《COCA的动态平衡语料》
六因果森林把异质效应估计变成诚实分样本，而非事后分组Estimation and Inference of Heterogeneous Treatment Effects using Random Forests
提出
Stefan Wager、Susan Athey，2018，《Estimation and Inference of Heterogeneous Treatment Effects using Random Forests》，Journal of the American Statistical Association:1228–1242，DOI 10.1080/01621459.2017.1319839
争议
Li Zheng、Weiwen Yin，2023，《Estimating and evaluating treatment effect heterogeneity: A causal forests approach》，Research & Politics 10(1)，DOI 10.1177/20531680231153080
最新
Neal Jawadekar、Katrina Kezios、Michelle C Odden、Jeanette A Stingone 等，2023，《Practical Guide to Honest Causal Forests for Identifying Heterogeneous Treatment Effects》，American Journal of Epidemiology 192(7):1155–1165，DOI 10.1093/aje/kwad043
奠基
R. A. Fisher，1935，《The Design of Experiments》（专著）
关键
模拟与应用中森林可恢复非线性条件效应并给出渐近区间，亚组差异可达平均效应数倍
回到提出笔，Stefan Wager、Susan Athey（2018）的《Estimation and Inference of Heterogeneous Treatment Effects using Random Forests》只在正式规则与非正式实践内解释模拟与应用中森林可恢复非线性条件效应；R. A. Fisher（1935）的《The Design of Experiments》负责旧命名，不替代现代识别。
研究把政策杠杆重新安放在：分裂样本分别选分组与估效应，减少同一噪声被两次利用。真正需要承担因果责任的是：模拟与应用中森林可恢复非线性条件效应是唯一决定项。在正式规则与非正式实践中拿走模拟与应用中森林可恢复非线性而结果仍同号，就否证《Estimation and Inference of Heterogeneous Treatment Effects using Random Forests》的机制解释（Stefan Wager、Susan Athey，2018）。《Estimating and evaluating treatment effect heterogeneity: A causal forests approach》把森林输出需样本外校准，不能把变量重要性当机制换成对照域，模拟与应用中森林可恢复非线性条件效应因此可能从同号变成零或反号。
模拟与应用中森林能够恢复非线性条件效应并给出渐近区间，亚组差异可达平均效应数倍。Stefan Wager、Susan Athey（2018）没有报告模拟与应用中森林可恢复非线性条件效应可跨样本搬用的点估计，本页不替《Estimation and Inference of Heterogeneous Treatment Effects using Random Forests》补造效应量。可证伪阈值预注册为R14＝模拟与应用中森林可恢复非线性条件效应除以因果森林把异质效应估计变成诚实分样本：R14>1.00倍才支持原方向，R14≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。在行政登记、随机试验、断点样本、合成控制库与版本化代码里，Stefan Wager、Susan Athey（2018）留下的可复查接口是模拟与应用中森林可恢复非线性条件效应，而不是条目标题本身。
在尾部状态中，当有效样本稀疏时，树越深、虚假异质性反而越多。争论的分水岭落到样本边缘：Li Zheng、Weiwen Yin（2023）的《Estimating and evaluating treatment effect heterogeneity: A causal forests approach》只在森林输出需样本外校准，不能把变量重要性当机制外与Stefan Wager、Susan Athey（2018）形成反号；边界内的同号证据不被冒充为普遍定律。到2023年，Neal Jawadekar、Katrina Kezios、Michelle C O把相同对象移入统计机构、政策评估部门、医学试验网络与数据档案馆；外部效度因而取决于森林输出需样本外校准，不能把变量重要性当机制。
森林输出需样本外校准，不能把变量重要性当机制。经典层没有覆盖分裂样本分别选分组与估效应，减少同一噪声被两次利用，这正是现代识别的独立增量。延伸证据改换了承载机构：Neal Jawadekar、Katrina Kezios、Michelle C O（2023）在《Practical Guide to Honest Causal Forests for Identifying Heterogeneous Treatment Effects》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的模拟与应用中森林可恢复非线性条件效应变成可比较对象。
参见第72号行为经济学面板的异质助推条目。最新连接点来自Neal Jawadekar、Katrina Kezios、Michelle C Odden 等，题为《Practical Guide to Honest Causal Forests for Identifying Heterogeneous Treatment Effects》，年份2023。两块材料只共享条件场：第413号《稳健控制把模型不确定性内生化》结算另一生成层；《Estimation and Inference of Heterogeneous Treatment Effects using Random Forests》仍以模拟与应用中森林可恢复非线性条件效应对因果森林把异质效应估计变成诚实分样本辨向。两边若同时成立，模拟与应用中森林可恢复非线性会迫使正式规则与非正式实践成为第三项（2018/2023）。
七矩阵补全把合成控制从一列权重扩展到低秩时空结构Matrix Completion Methods for Causal Panel Data Models
提出
Susan Athey、Mohsen Bayati、Nikolay Doudchenko、Guido Imbens 等，2021，《Matrix Completion Methods for Causal Panel Data Models》，Journal of the American Statistical Association:1716–1730，DOI 10.1080/01621459.2021.1891924
争议
Ahmed Ali Abbasi、Shana Moothedath、Namrata Vaswani，2023，《Fast Federated Low Rank Matrix Completion》，2023 59th Annual Allerton Conference on Communication, Control, and Computing (Allerton):1–6，DOI 10.1109/allerton58177.2023.10313472
最新
Ahmed Ali Abbasi、Namrata Vaswani，2025，《Efficient Federated Low Rank Matrix Completion》，IEEE Transactions on Information Theory 71(7):5493–5511，DOI 10.1109/tit.2025.3563450
奠基
Tjalling Koopmans，1950，《Statistical Inference in Dynamic Economic Models》（专著）
关键
模拟与州级面板中，矩阵补全在处理前期短或供体多时降低预测误差
沿着样本表，Susan Athey、Mohsen Bayati、Nikolay Doudchen（2021）的《Matrix Completion Methods for Causal Panel Data Models》只在成功、失败与退出内解释模拟与州级面板中变化；Tjalling Koopmans（1950）的《Statistical Inference in Dynamic Economic Models》负责旧命名，不替代现代识别。
这一转向把平均效应改写成分布效应：单位和时间交互由低秩因子表示，未处理单元共同补出反事实矩阵。反事实只移动一项：模拟与州级面板中变化是唯一决定项。在成功、失败与退出中拿走模拟与州级面板中变化而结果仍同号，就否证《Matrix Completion Methods for Causal Panel Data Models》的机制解释（Susan Athey、Mohsen Bayati、Nikolay Doudchen，2021）。对处理分配、潜在结果、重叠、干扰、选择偏差与外部效度分别分层后，模拟与州级面板中变化若只在中心组存在，原命题就必须缩域。
模拟与州级面板中，矩阵补全在处；据此，理前期短或供体多时降低预测误差。Susan Athey、Mohsen Bayati、Nikolay Doudchen（2021）没有报告模拟与州级面板中变化可跨样本搬用的点估计，本页不替《Matrix Completion Methods for Causal Panel Data Models》补造效应量。可证伪阈值预注册为R15＝模拟与州级面板中变化除以矩阵补全把合成控制从一列权重扩展到低：R15>1.00倍才支持原方向，R15≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。Tjalling Koopmans（1950）提出的旧对象在2021年被改造成模拟与州级面板中变化／矩阵补全把合成控制从一列权重扩展到低；模拟与州级面板中变化新增了可被数据推翻的分母。
一旦一般均衡反馈进入，一旦真实结构含突变高秩冲击，秩越低、处理效应偏差反而越大。边界条件在近端复核中显形：Ahmed Ali Abbasi、Shana Moothedath、Namrata （2023）的《Fast Federated Low Rank Matrix Completion》只在方法仍要求缺失处理格近似可忽略外与Susan Athey、Mohsen Bayati、Nikolay Doudchen（2021）形成反号；边界内的同号证据不被冒充为普遍定律。第257号《漂移下的共形推断把覆盖保证与目标分布权重绑定》与《Matrix Completion Methods for Causal Panel Data Models》的分离线是方法仍要求缺失处理格近似可忽略：前者解释接口，后者解释模拟与州级面板中变化。
方法仍要求缺失处理格近似可忽略。本条沿用旧对象，却用单位和时间交互由低秩因子表示，未处理单元共同补出反事实矩阵重设了可以失败的条件。制度接口随后移动：Ahmed Ali Abbasi、Namrata Vaswani（2025）在《Efficient Federated Low Rank Matrix Completion》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的模拟与州级面板中变化变成可比较对象。模拟与州级面板中，矩阵补全在处；据此，理前期短或供体多时降低预测误差；这项证据只承担成功、失败与退出内的方向，不承担域外的统一量级。
参见本块第四条“合成控制”。在《Efficient Federated Low Rank Matrix Completion》中，Ahmed Ali Abbasi、Namrata Vaswani把样本推进到2025年。跨块接口不靠同名：第257号《漂移下的共形推断把覆盖保证与目标分布权重绑定》结算另一生成层；《Matrix Completion Methods for Causal Panel Data Models》仍以模拟与州级面板中变化对矩阵补全把合成控制从一列权重扩展到低辨向。两边若同时成立，模拟与州级面板中变化会迫使成功、失败与退出成为第三项（2021/2025）。
位置
D｜生成次序：模拟与州级面板中
单因
只承认模拟与州级面板中为决定项
预设
〔17 局部最优可加总为整体最优〕把分组改善直接加总为系统净效应
量纲
模拟与州级面板中变化／矩阵补全把合成控制从一列权重扩展到低
失效
若真实结构含突变高秩冲击，秩越低、处理效应偏差反而越大
自曝
阴性终点：原资料记录成功路径，未入账的选择偏差退出与阴性个的失败时点未编码
空栏
修复劳动：未入账的选择偏差退出与阴性个案
异名
另见第 257 号第20条《漂移下的共形推断把覆盖保证与目标分布权重绑定》
八负对照把未测混杂转成可观测报警器，但报警不等于自动修复A General Proximal Causal Learning Framework for Confounding Adjustment
提出
Eric J Tchetgen Tchetgen、Andrew Ying、Yifan Cui、Xu Shi 等，2020，《An Introduction to Proximal Causal Learning》，Crossref 登记作品，DOI 10.1101/2020.09.21.20198762
争议
Andrew Ying，2021，《PCL: Proximal Causal Learning》，CRAN: Contributed Packages，DOI 10.32614/cran.package.pcl
参见本块第一条“设计与敏感性分析”。Yuanshan Gao、Yifan Cui（2025）以《Proximal Causal Learning》校验了相邻分母。对撞发生在相同前提下：第308号《随机饱和设计：干扰要通过处理密度实验化》结算另一生成层；《An Introduction to Proximal Causal Learning》仍以模拟显示在代理充分条件下可恢复真实效对负对照把未测混杂转成可观测报警器可比辨向。两边若同时成立，模拟显示在代理充分条件下可恢会迫使高频与低频状态成为第三项（2020/2025）。《An Introduction to Proximal Causal Learning》与《PCL: Proximal Causal Learning》共同承认高频与低频状态会改变识别，但对模拟显示在代理充分条件下可恢复真实效的方向给出不同承诺。
位置
E｜适用条件：负对照选择需要领域知识
单因
只承认模拟显示在代理充为决定项
预设
〔13 时间尺度可自由压缩〕把当前观察窗直接外推到长期
量纲
模拟显示在代理充分条件下可恢复真实效／负对照把未测混杂转成可观测报警器可比
失效
若代理不满足完备性，负对照越多、虚假安全感反而越强
自曝
代理变量：2020年结果依赖既定分类，未入账的外部效度退出与阴性个会改变类别边界
空栏
非正式协调：未入账的外部效度退出与阴性个案
异名
另见第 308 号第14条《随机饱和设计：干扰要通过处理密度实验化》
九外推是运输问题，样本内识别不保证目标总体效应Causal Inference and the Data-Fusion Problem
提出
Elias Bareinboim、Judea Pearl，2016，《Causal inference and the data-fusion problem》，Proceedings of the National Academy of Sciences:7345–7352，DOI 10.1073/pnas.1510507113
Paul Hünermund、Elias Bareinboim，2025，《Causal inference and data fusion in econometrics》，The Econometrics Journal 28(1):41–82，DOI 10.1093/ectj/utad008
奠基
Arthur Goldberger，1972，《Structural Equation Methods in the Social Sciences》（期刊论文）
关键
再加权或运输公式可把试验效应移到目标总体，权重极端时有效样本量急剧下降
从原始终点看，Elias Bareinboim、Judea Pearl（2016）的《Causal inference and the data-fusion problem》只在本地与跨境链条内解释再加权或运输公式可把试验效应移到目标；Arthur Goldberger（1972）的《Structural Equation Methods in the Social Sciences》负责旧命名，不替代现代识别。Paul Hünermund、Elias Bareinboim（2025）若改变外推是运输问题可比样本的构成，提出笔的方向必须重新估计，不能沿用旧系数。
理论上的单因锁定是：选择图与可迁移条件明确哪些机制跨总体稳定，决定项是样本—目标差异的因果位置。由此可反驳的说法是：再加权或运输公式可把试验效应移到目标是唯一决定项。在本地与跨境链条中拿走再加权或运输公式可把试验效应而结果仍同号，就否证《Causal inference and the data-fusion problem》的机制解释（Elias Bareinboim、Judea Pearl，2016）。
再加权或运输公式能够把试验效应移到目标总体，权重极端时有效样本量急剧下降。Elias Bareinboim、Judea Pearl（2016）没有报告再加权或运输公式可把试验效应移到目标可跨样本搬用的点估计，本页不替《Causal inference and the data-fusion problem》补造效应量。可证伪阈值预注册为R17＝再加权或运输公式可把试验效应移到目标除以外推是运输问题可比样本：R17>1.00倍才支持原方向，R17≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。
一旦效应修饰变量在目标总体无重叠，样本越大、外推偏差反而不减。反例并不在同一格里：Jiong Liu、Bo Chen（2026）的《Covariance-intersection-fusion-based causal inference under missing data》只在运输公式只覆盖已测效应修饰，不覆盖制度变迁外与Elias Bareinboim、Judea Pearl（2016）形成反号；边界内的同号证据不被冒充为普遍定律。
运输公式只覆盖已测效应修饰，不覆盖制度变迁。现代证据没有取消旧边界，只新增选择图与可迁移条件明确哪些机制跨总体稳定，决定项是样本—目标差异的因果位置的观测窗。这项读数进入新的执行场：Paul Hünermund、Elias Bareinboim（2025）在《Causal inference and data fusion in econometrics》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的再加权或运输公式可把试验效应移到目标变成可比较对象。再加权或运输公式能够把试验效应移到目标总体，权重极端时有效样本量急剧下降；这项证据只承担本地与跨境链条内的方向，不承担域外的统一量级。
参见本块第七条“部分识别”。时间上的外部验证是2025年《Causal inference and data fusion in econometrics》，作者Paul Hünermund、Elias Bareinboim。相邻面板提供反方向切片：第412号《田野实验把环境带回因果识别》结算另一生成层；《Causal inference and the data-fusion problem》仍以再加权或运输公式可把试验效应移到目标对外推是运输问题可比样本辨向。两边若同时成立，再加权或运输公式可把试验效应会迫使本地与跨境链条成为第三项（2016/2025）。运输公式只覆盖已测效应修饰，不覆盖制度变迁之外未进入现有统计分母的对象与失败没有进入再加权或运输公式可把试验效应移到目标的中心读数，这正是《Causal inference and the data-fusion problem》最容易被过度外推的地方。
位置
D｜生成次序：再加权或运输公式
单因
只承认再加权或运输公式为决定项
预设
〔23 中位个案代表分布〕以中位个案代表分布尾部
量纲
再加权或运输公式可把试验效应移到目标／外推是运输问题可比样本
失效
若效应修饰变量在目标总体无重叠，样本越大、外推偏差反而不减
自曝
一般均衡：作者没有把未入账的处理分配退出与阴性个与中心样本同权结算
空栏
冲突目标：未入账的处理分配退出与阴性个案
异名
另见第 412 号第1条《田野实验把环境带回因果识别》
十存在干扰时个体处理不是一个人的属性，曝光映射才是处理Estimating Average Causal Effects Under General Interference
提出
Peter M. Aronow、Cyrus Samii，2017，《Estimating average causal effects under general interference, with application to a social network experiment》，The Annals of Applied Statistics，DOI 10.1214/16-aoas1005
争议
Yunxin Mao、Haotian Wang、Yishuai Cai、Minglong Li 等，2025，《Automated Exposure Mapping for Networked Interference》，ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP):1–5，DOI 10.1109/icassp49660.2025.10890835
最新
Gueorgui S. Konstantinov、Frank J. Fabozzi，2025，《When Factors Collide: Mapping Causal Spillovers across Global Asset Networks》，The Journal of Portfolio Management 52(3):48–63，DOI 10.3905/jpm.2025.1.795
奠基
Sewall Wright，1921，《Correlation and Causation》（论文集论文）
关键
网络与聚类试验中忽略干扰会把效应稀释，估计可偏向零甚至错号
按主证据的时序，Peter M. Aronow、Cyrus Samii（2017）的《Estimating average causal effects under general interference, with application to a social network experiment》只在公开承诺与实际行动内解释网络与聚类试验中忽略干扰会把效应稀释；Sewall Wright（1921）的《Correlation and Causation》负责旧命名，不替代现代识别。统计机构采用《When Factors Collide: Mapping Causal Spillovers across Global Asset Networks》的口径时，存在干扰时个体处理一个人的属性可比样与原样本不一致，不能直接比较点估计。
它最终留下的不是口号，而是一条机制句：把邻居处理汇总成曝光条件，直接与间接效应分开命名。这把主张压成一条硬命题：网络与聚类试验中忽略干扰会把效应稀释是唯一决定项。在公开承诺与实际行动中拿走网络与聚类试验中忽略干扰会把而结果仍同号，就否证《Estimating average causal effects under general interference, with application to a social network experiment》的机制解释（Peter M. Aronow、Cyrus Samii，2017）。对处理分配、潜在结果、重叠、干扰、选择偏差与外部效度分别分层后，网络与聚类试验中忽略干扰会把效应稀释若只在中心组存在，原命题就必须缩域。
结果表里最值得保留的是：网络与聚类试验中忽略干扰会把效应稀释，估计能够偏向零甚至错号。Peter M. Aronow、Cyrus Samii（2017）没有报告网络与聚类试验中忽略干扰会把效应稀释可跨样本搬用的点估计，本页不替《Estimating average causal effects under general interference, with application to a social network experiment》补造效应量。可证伪阈值预注册为R18＝网络与聚类试验中忽略干扰会把效应稀释除以存在干扰时个体处理一个人的属性可比样：R18>1.00倍才支持原方向，R18≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。该处同时核对Peter M. Aronow、Cyrus Samii（2017）的DOI提出笔与Gueorgui S. Konstantinov、Frank J. Fabozzi（2025）的DOI近端笔。
一旦网络边缺失集中在高连接节点，模型越精细、暴露分类反而越错。两篇论文的冲突要用同终点辨认：Yunxin Mao、Haotian Wang、Yishuai Cai、Minglo（2025）的《Automated Exposure Mapping for Networked Interference》只在干扰结构必须由设计或领域知识支持外与Peter M. Aronow、Cyrus Samii（2017）形成反号；边界内的同号证据不被冒充为普遍定律。
干扰结构必须由设计或领域知识支持。概念继承止于命名；把邻居处理汇总成曝光条件，直接与间接效应分开命名才构成本条的新识别。复核对象不再停在论文样本：Gueorgui S. Konstantinov、Frank J. Fabozzi（2025）在《When Factors Collide: Mapping Causal Spillovers across Global Asset Networks》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的网络与聚类试验中忽略干扰会把效应稀释变成可比较对象。
参见本块第五条“因果中介”。近年边界可由Gueorgui S. Konstantinov、Frank J. Fabozzi的《When Factors Collide: Mapping Causal Spillovers across Global Asset Networks》（2025）复查。邻接条目改用另一分母：第557号《NIH医疗系统研究协作网》结算另一生成层；《Estimating average causal effects under general interference, with application to a social network experiment》仍以网络与聚类试验中忽略干扰会把效应稀释对存在干扰时个体处理一个人的属性可比样辨向。两边若同时成立，网络与聚类试验中忽略干扰会把会迫使公开承诺与实际行动成为第三项（2017/2025）。《Estimating average causal effects under general interference, with application to a social network experiment》与《Automated Exposure Mapping for Networked Interference》共同承认公开承诺与实际行动会改变识别，但对网络与聚类试验中忽略干扰会把效应稀释的方向给出不同承诺。
位置
S｜可见形态：网络与聚类试验中
单因
只承认网络与聚类试验中为决定项
预设
〔17 局部最优可加总为整体最优〕把分组改善直接加总为系统净效应
量纲
网络与聚类试验中忽略干扰会把效应稀释／存在干扰时个体处理一个人的属性可比样
失效
若网络边缺失集中在高连接节点，模型越精细、暴露分类反而越错
自曝
跨地区复算：提出笔承认制度窗仅为干扰结构必须由设计或领域知识支持，域外效应未定
空栏
二次效应：未入账的潜在结果退出与阴性个案
异名
另见第 557 号第9条《NIH医疗系统研究协作网》
十一一般均衡效应要求把未处理者也纳入处理分母General Equilibrium Effects of Cash Transfers: Experimental Evidence from Kenya
提出
Dennis Egger、Johannes Haushofer、Edward Miguel、Paul Niehaus 等，2019，《General Equilibrium Effects of Cash Transfers: Experimental Evidence from Kenya》，Crossref 登记作品，DOI 10.3386/w26600（工作论文）
Trygve Haavelmo，1944，《The Probability Approach in Econometrics》（专著）
关键
大规模现金转移约相当于当地GDP的15%，估计本地财政乘数约2.5且未见显著通胀
回到提出笔，Dennis Egger、Johannes Haushofer、Edward Mig（2019）的《General Equilibrium Effects of Cash Transfers: Experimental Evidence from Kenya》只在平均组与分布尾部内解释大规模现金转移约相当于当地GDP的1；Trygve Haavelmo（1944）的《The Probability Approach in Econometrics》负责旧命名，不替代现代识别。Damon Jones、Ioana Marinescu（2022）若改变一般均衡效应要求把未处理者也纳入处理的构成，提出笔的方向必须重新估计，不能沿用旧系数。
新的命题把因果链改写为：村庄级随机与空间市场数据同时估计受助和未受助家庭，价格与收入反馈是处理的一部分。真正需要承担因果责任的是：大规模现金转移约相当于当地GDP的1是唯一决定项。在平均组与分布尾部中拿走大规模现金转移约相当于当地G而结果仍同号，就否证《General Equilibrium Effects of Cash Transfers: Experimental Evidence from Kenya》的机制解释（Dennis Egger、Johannes Haushofer、Edward Mig，2019）。《所列研究》把结果依赖开放程度与转移规模，不能从个体RCT线性外推换成对照域，大规模现金转移约相当于当地GDP的1因此可能从同号变成零或反号。
大规模现金转移约相当于当地GDP的15%，估计本地财政乘数约2.5且未见清楚通胀。Dennis Egger、Johannes Haushofer、Edward Mig（2019）在《General Equilibrium Effects of Cash Transfers: Experimental Evidence from Kenya》的DOI原文中给出的可核读数是：大规模现金转移约相当于当地GDP的15%，估计本地财政乘数约2.5且未见清楚通胀。这项大规模现金转移约相当于当地G数字只对平均组与分布尾部和原观察窗负责，不被改写成跨制度常数。在行政登记、随机试验、断点样本、合成控制库与版本化代码里，Dennis Egger、Johannes Haushofer、Edward Mig（2019）留下的可复查接口是大规模现金转移约相当于当地GDP的1，而不是条目标题本身。
结果依赖开放程度与转移规模，不能从个体RCT线性外推。今天可复算的是村庄级随机与空间市场数据同时估计受助和未受助家庭，价格与收入反馈是处理的一部分，而非经典文本的权威。延伸证据改换了承载机构：Damon Jones、Ioana Marinescu（2022）在《Universal Cash Transfers and Inflation》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的大规模现金转移约相当于当地GDP的1变成可比较对象。
参见第77号发展经济学面板的现金转移条目。2022年续作《Universal Cash Transfers and Inflation》把作者Damon Jones、Ioana Marinescu带入同题争论。两块材料只共享条件场：第464号《听力损失的隐性语言努力》结算另一生成层；《General Equilibrium Effects of Cash Transfers: Experimental Evidence from Kenya》仍以大规模现金转移约相当于当地GDP的1对一般均衡效应要求把未处理者也纳入处理辨向。两边若同时成立，大规模现金转移约相当于当地G会迫使平均组与分布尾部成为第三项（2019/2022）。
位置
E｜适用条件：结果依赖开放程度与转移规
单因
只承认大规模现金转移约为决定项
预设
〔17 局部最优可加总为整体最优〕把分组改善直接加总为系统净效应
量纲
大规模现金转移约相当于当地GDP的1／一般均衡效应要求把未处理者也纳入处理
失效
若供给高度刚性，转移越大、实际购买力反而越低
自曝
未决问题：原文的共同支持限于结果依赖开放程度与转移规模，反例分母仍缺未入账的重叠退出与阴性个案
空栏
无反事实项：未入账的重叠退出与阴性个案
异名
另见第 464 号第19条《听力损失的隐性语言努力》
十二连续处理的DiD不能把剂量回归斜率当成同一因果边际Difference-in-Differences with a Continuous Treatment
提出
Brantly Callaway、Andrew Goodman-Bacon、Pedro Sant'Anna，2024，《Difference-in-Differences with a Continuous Treatment》，SSRN Electronic Journal，DOI 10.2139/ssrn.4716682（工作论文）
争议
未检得同题独立反证
最新
Brantly Callaway、Andrew Goodman-Bacon、Pedro H. C. Sant'Anna，2025，《contdid: Difference-in-Differences with a Continuous Treatment》，CRAN: Contributed Packages，DOI 10.32614/cran.package.contdid
奠基
Clive Granger，1969，《Investigating Causal Relations by Econometric Models》（期刊论文）
关键
理论分解显示传统TWFE斜率混合多种不可比对照，权重可为负
沿着样本表，Brantly Callaway、Andrew Goodman-Bacon、Pedr（2024）的《Difference-in-Differences with a Continuous Treatment》只在原始编码与修订编码内解释理论分解显示传统TWFE斜率混合多种；Clive Granger（1969）的《Investigating Causal Relations by Econometric Models》负责旧命名，不替代现代识别。统计机构采用《contdid: Difference-in-Differences with a Continuous Treatment》的口径时，连续处理的DiD不能把剂量回归斜率当与原样本不一致，不能直接比较点估计。
作者真正锁定的机制是：不同剂量组的趋势和选择同时变化，必须区分水平ATT与剂量边际响应。反事实只移动一项：理论分解显示传统TWFE斜率混合多种是唯一决定项。在原始编码与修订编码中拿走理论分解显示传统TWFE斜率而结果仍同号，就否证《Difference-in-Differences with a Continuous Treatment》的机制解释（Brantly Callaway、Andrew Goodman-Bacon、Pedr，2024）。对处理分配、潜在结果、重叠、干扰、选择偏差与外部效度分别分层后，理论分解显示传统TWFE斜率混合多种若只在中心组存在，原命题就必须缩域。
理论分解表明传统TWFE斜率混合多种不可比对照，权重可为负。Brantly Callaway、Andrew Goodman-Bacon、Pedr（2024）没有报告理论分解显示传统TWFE斜率混合多种可跨样本搬用的点估计，本页不替《Difference-in-Differences with a Continuous Treatment》补造效应量。可证伪阈值预注册为R20＝理论分解显示传统TWFE斜率混合多种除以连续处理的DiD不能把剂量回归斜率当：R20>1.00倍才支持原方向，R20≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。Clive Granger（1969）提出的旧对象在2024年被改造成理论分解显示传统TWFE斜率混合多种／连续处理的DiD不能把剂量；理论分解显示传统TWFE斜率混新增了可被数据推翻的分母。
一旦剂量由处理后结果调整，剂量越高、效果越强的方向可能反转。边界条件在近端复核中显形：本条资料卡（近年）的《所列研究》只在连续处理识别需要更强的趋势与支持条件外与Brantly Callaway、Andrew Goodman-Bacon、Pedr（2024）形成反号；边界内的同号证据不被冒充为普遍定律。第465号《文化组学与Google Books Ngram》与《Difference-in-Differences with a Continuous Treatment》的分离线是连续处理识别需要更强的趋势与支持条件：前者解释接口，后者解释理论分解显示传统TWFE斜率混合多种。
连续处理识别需要更强的趋势与支持条件。制度接口随后移动：Brantly Callaway、Andrew Goodman-Bacon、Pedr（2025）在《contdid: Difference-in-Differences with a Continuous Treatment》中连接统计机构、政策评估部门、医学试验网络与数据档案馆，并把处理分配、潜在结果、重叠、干扰、选择偏差与外部效度中的理论分解显示传统TWFE斜率混合多种变成可比较对象。
参见本块第九条“交错处理负权重”。末端证据写在Brantly Callaway、Andrew Goodman-Bacon、Pedro H. C. Sant'Anna《contdid: Difference-in-Differences with a Continuous Treatment》（2025）中。跨块接口不靠同名：第465号《文化组学与Google Books Ngram》结算另一生成层；《Difference-in-Differences with a Continuous Treatment》仍以理论分解显示传统TWFE斜率混合多种对连续处理的DiD不能把剂量回归斜率当辨向。两边若同时成立，理论分解显示传统TWFE斜率会迫使原始编码与修订编码成为第三项（2024/2025）。《Difference-in-Differences with a Continuous Treatment》与《所列研究》共同承认原始编码与修订编码会改变识别，但对理论分解显示传统TWFE斜率混合多种的方向给出不同承诺。
《观察性研究先做设计再看结果》与《交错处理下双向固定效应会用已处理组当控制》构成第1条时间线：Paul R. Rosenbaum（2010）先改写设计阶段把协变量不平衡压到预设阈值变，Andrew Goodman-Bacon（2021）再把裁决移到分解权重和处理效应异质时变化。样本来源与纳入路径与信息可见度须分账。
第257号《漂移下的共形推断把覆盖保证与目标分布权重绑定》与本块在关系网络中心度处分工：这里追踪模拟与经验例显示传统区间在常用带宽下／稳健断点推断要校正偏差可比样本，统计学解释另一生成层。Sebastian Calonico、Matias D. Cattaneo、Roci（2014）换用对方分母后须重估符号。
Paul R. Rosenbaum（2010）与作者未详（2021）围绕《观察性研究先做设计再看结果》未收敛。以设计阶段把协变量不平衡压到预设阈值变／观察性研究先做设计再看结果可比样本为共同终点；在设计语言不能消除未测混杂，只能暴露所需假设外稳定反号，才淘汰原解释。
Alberto Abadie、Alexis Diamond、Jens Hainmue（2011）与Gyuhyeong Goh、Jisang Yu（2021）围绕《合成控制把单一案例的反事实写成加权供体而非主》未收敛。以加州烟草法案例用1970—1988年／合成控制把单一案例的反事实写成加权供为共同终点；在小样本推断依赖安慰剂分布而非传统渐近外稳定反号，才淘汰原解释。
Joshua D. Angrist、Jörn-Steffen Pischke（2009）与Stuart G. Baker（2020）围绕《工具变量识别的是局部顺从者效应》未收敛。以经验例中OLS与IV常相差数倍变化／工具变量识别的是局部顺从者效应可比样为共同终点；在弱工具和外溢会同时破坏区间与对象命名外稳定反号，才淘汰原解释。
Paul R. Rosenbaum，2010，《Design of Observational Studies》，Springer Series in Statistics，DOI 10.1007/978-1-4419-1213-8
作者未详，2021，《Hidden Bias》，Autopsy of a Crime Lab:108–121，DOI 10.2307/j.ctv1h9dkjv.10
Ruochen Zhao、Bo Lu，2023，《Flexible template matching for observational study design》，Statistics in Medicine 42(11):1760–1778，DOI 10.1002/sim.9698
R. A. Fisher，1935，《The Design of Experiments》（专著）
G. Imbens、K. Kalyanaraman，2012，《Optimal Bandwidth Choice for the Regression Discontinuity Estimator》，The Review of Economic Studies:933–959，DOI 10.1093/restud/rdr043
Yoichi Arai、Hidehiko Ichimura，2026，《Optimal bandwidth selection for the fuzzy regression discontinuity estimator》，Crossref 登记作品，DOI 10.1920/wp.cem.2015.4915
Cristian Crespo，2020，《Beyond Manipulation: Administrative Sorting in Regression Discontinuity Designs》，Journal of Causal Inference 8(1):164–181，DOI 10.1515/jci-2019-0009
Donald Campbell、Julian Stanley，1963，《Experimental and Quasi-Experimental Designs for Research》（专著）
Sebastian Calonico、Matias D. Cattaneo、Rocio Titiunik，2014，《Robust Nonparametric Confidence Intervals for Regression-Discontinuity Designs》，Econometrica:2295–2326，DOI 10.3982/ecta11757
Ivan Jacob Agaloos Pesigan，2022，《betaSandwich: Robust Confidence Intervals for Standardized Regression Coefficients》，CRAN: Contributed Packages，DOI 10.32614/cran.package.betasandwich
Yang He、Otávio Bartalotti，2020，《Wild bootstrap for fuzzy regression discontinuity designs: obtaining robust bias-corrected confidence intervals》，The Econometrics Journal 23(2):211–231，DOI 10.1093/ectj/utaa002
Alberto Abadie、Alexis Diamond、Jens Hainmueller，2011，《<b>Synth</b>: An<i>R</i>Package for Synthetic Control Methods in Comparative Case Studies》，Journal of Statistical Software，DOI 10.18637/jss.v042.i13
Gyuhyeong Goh、Jisang Yu，2021，《Synthetic control method with convex hull restrictions: a Bayesian maximum a posteriori approach》，The Econometrics Journal 25(1):215–232，DOI 10.1093/ectj/utab015
Donald B. Rubin，1974，《Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies》（期刊论文）
Kosuke Imai、Luke Keele、Dustin Tingley，2010，《A general approach to causal mediation analysis.》，Psychological Methods:309–334，DOI 10.1037/a0020761
Geoffrey T. Wodtke、Xiang Zhou，2026，《Causal Mediation Analysis》，Crossref 登记作品，DOI 10.1017/9781009222198
Yuhao Deng、Haoyu Wei、Xia Xiao、Yuan Zhang 等，2024，《Sequential Ignorability and Dismissible Treatment Components to Identify Mediation Effects》，Mathematics 12(15):2332，DOI 10.3390/math12152332
Sewall Wright，1921，《Correlation and Causation》（论文集论文）
Mark J. van der Laan、Sherri Rose，2011，《Targeted Learning》，Springer Series in Statistics，DOI 10.1007/978-1-4419-9782-1
Matthew J. Smith、Rachael V. Phillips、Camille Maringe、Miguel Angel Luque‐Fernandez，2025，《Performance of Cross‐Validated Targeted Maximum Likelihood Estimation》，Statistics in Medicine 44(15-17)，DOI 10.1002/sim.70185
Diyang Li、Kyra Gan，2025，《Targeted Maximum Likelihood Learning: An Optimization Perspective》，Advances in Neural Information Processing Systems 38:157817–157835，DOI 10.52202/085713-4759
Charles F. Manski，2008，《Identification for Prediction and Decision》，Crossref 登记作品，DOI 10.4159/9780674033665
Heshani Madigasekara、D. S. Poskitt、Lina Zhang、Xueyan Zhao，2024，《Partial Identification of Distributional Treatment Effects in Panel Data using Copula Equality Assumptions》，Crossref 登记作品，DOI 10.2139/ssrn.5005675（工作论文）
Bo Min Kim，2026，《Partial Identification and Sample Selection: Bounds on the Effects of Remedial Math》，Journal of Economic Studies 44(1):25–51，DOI 10.30776/jes.44.1.2
Jerzy Neyman，1923，《On the Application of Probability Theory to Agricultural Experiments》（期刊论文）
Joshua D. Angrist、Jörn-Steffen Pischke，2009，《Mostly Harmless Econometrics》，Crossref 登记作品，DOI 10.1515/9781400829828
Stuart G. Baker，2020，《Latent class instrumental variables and the monotonicity assumption》，Emerging Themes in Epidemiology 17(1)，DOI 10.1186/s12982-020-00088-8
Kien C. Tran、Mike G. Tsionas，2022，《Instrumental Variables Estimation without Outside Instruments》，Journal of Quantitative Economics 20(3):489–506，DOI 10.1007/s40953-022-00300-3
Trygve Haavelmo，1944，《The Probability Approach in Econometrics》（专著）
Andrew Goodman-Bacon，2021，《Difference-in-differences with variation in treatment timing》，Journal of Econometrics:254–277，DOI 10.1016/j.jeconom.2021.03.014
Subir Hait，2026，《NonlinearDiD: Staggered Difference-in-Differences with Nonlinear Outcomes》，CRAN: Contributed Packages，DOI 10.32614/cran.package.nonlineardid
Clive Granger，1969，《Investigating Causal Relations by Econometric Models》（期刊论文）
Brantly Callaway、Pedro H.C. Sant’Anna，2021，《Difference-in-Differences with multiple time periods》，Journal of Econometrics:200–230，DOI 10.1016/j.jeconom.2020.12.001
KATHY CALLAWAY，2021，《KATHY CALLAWAY (1943–)》，Book of Irish American Poetry:482–482，DOI 10.2307/jj.21995835.114
作者未详，2023，《Callaway, Liz (1961–)》，The Stephen Sondheim Encyclopedia:64–64，DOI 10.5040/9798881823498.043
Liyang Sun、Sarah Abraham，2021，《Estimating dynamic treatment effects in event studies with heterogeneous treatment effects》，Journal of Econometrics:175–199，DOI 10.1016/j.jeconom.2020.09.006
Myungkou Shin，2025，《Finitely Heterogeneous Treatment Effect in Event-study》，Review of Economics and Statistics:1–46，DOI 10.1162/rest_a_01553
Christopher Sims，1972，《Money, Income, and Causality》（期刊论文）
Kirill Borusyak、Xavier Jaravel、Jann Spiess，2024，《Revisiting Event-Study Designs: Robust and Efficient Estimation》，Review of Economic Studies:3253–3285，DOI 10.1093/restud/rdae007
Rashid Zaman、Marwan Hassani、Boudewijn F. Van Dongen，2021，《Prefix Imputation of Orphan Events in Event Stream Processing》，Frontiers in Big Data 4，DOI 10.3389/fdata.2021.705243
Konstantinos Varvoutas、Anastasios Gounaris，2026，《Data Imputation for Business Process Event Logs》，SN Computer Science 7(1)，DOI 10.1007/s42979-026-04724-z
Victor Chernozhukov、Denis Chetverikov、Mert Demirer、Esther Duflo 等，2018，《Double/debiased machine learning for treatment and structural parameters》，The Econometrics Journal:C1–C68，DOI 10.1111/ectj.12097
Hootan Roshandel、Santiago Vargas、Amy Lai、Anastassia Alexandrova 等，2023，《Prediction of Reaction Orthogonality using Machine Learning》，Crossref 登记作品，DOI 10.26434/chemrxiv-2023-s1hx8
Jau-er Chen、Pei-Hung Chou，2026，《Overlap and the Reach of a Regression Discontinuity: A Double Machine Learning Diagnostic》，Crossref 登记作品，DOI 10.2139/ssrn.7062738（工作论文）
Stefan Wager、Susan Athey，2018，《Estimation and Inference of Heterogeneous Treatment Effects using Random Forests》，Journal of the American Statistical Association:1228–1242，DOI 10.1080/01621459.2017.1319839
Li Zheng、Weiwen Yin，2023，《Estimating and evaluating treatment effect heterogeneity: A causal forests approach》，Research & Politics 10(1)，DOI 10.1177/20531680231153080
Neal Jawadekar、Katrina Kezios、Michelle C Odden、Jeanette A Stingone 等，2023，《Practical Guide to Honest Causal Forests for Identifying Heterogeneous Treatment Effects》，American Journal of Epidemiology 192(7):1155–1165，DOI 10.1093/aje/kwad043
Susan Athey、Mohsen Bayati、Nikolay Doudchenko、Guido Imbens 等，2021，《Matrix Completion Methods for Causal Panel Data Models》，Journal of the American Statistical Association:1716–1730，DOI 10.1080/01621459.2021.1891924
Ahmed Ali Abbasi、Shana Moothedath、Namrata Vaswani，2023，《Fast Federated Low Rank Matrix Completion》，2023 59th Annual Allerton Conference on Communication, Control, and Computing (Allerton):1–6，DOI 10.1109/allerton58177.2023.10313472
Ahmed Ali Abbasi、Namrata Vaswani，2025，《Efficient Federated Low Rank Matrix Completion》，IEEE Transactions on Information Theory 71(7):5493–5511，DOI 10.1109/tit.2025.3563450
Tjalling Koopmans，1950，《Statistical Inference in Dynamic Economic Models》（专著）
Eric J Tchetgen Tchetgen、Andrew Ying、Yifan Cui、Xu Shi 等，2020，《An Introduction to Proximal Causal Learning》，Crossref 登记作品，DOI 10.1101/2020.09.21.20198762
Andrew Ying，2021，《PCL: Proximal Causal Learning》，CRAN: Contributed Packages，DOI 10.32614/cran.package.pcl
Elias Bareinboim、Judea Pearl，2016，《Causal inference and the data-fusion problem》，Proceedings of the National Academy of Sciences:7345–7352，DOI 10.1073/pnas.1510507113
Paul Hünermund、Elias Bareinboim，2025，《Causal inference and data fusion in econometrics》，The Econometrics Journal 28(1):41–82，DOI 10.1093/ectj/utad008
Arthur Goldberger，1972，《Structural Equation Methods in the Social Sciences》（期刊论文）
Peter M. Aronow、Cyrus Samii，2017，《Estimating average causal effects under general interference, with application to a social network experiment》，The Annals of Applied Statistics，DOI 10.1214/16-aoas1005
Yunxin Mao、Haotian Wang、Yishuai Cai、Minglong Li 等，2025，《Automated Exposure Mapping for Networked Interference》，ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP):1–5，DOI 10.1109/icassp49660.2025.10890835
Gueorgui S. Konstantinov、Frank J. Fabozzi，2025，《When Factors Collide: Mapping Causal Spillovers across Global Asset Networks》，The Journal of Portfolio Management 52(3):48–63，DOI 10.3905/jpm.2025.1.795
Dennis Egger、Johannes Haushofer、Edward Miguel、Paul Niehaus 等，2019，《General Equilibrium Effects of Cash Transfers: Experimental Evidence from Kenya》，Crossref 登记作品，DOI 10.3386/w26600（工作论文）
Brantly Callaway、Andrew Goodman-Bacon、Pedro Sant'Anna，2024，《Difference-in-Differences with a Continuous Treatment》，SSRN Electronic Journal，DOI 10.2139/ssrn.4716682（工作论文）
Brantly Callaway、Andrew Goodman-Bacon、Pedro H. C. Sant'Anna，2025，《contdid: Difference-in-Differences with a Continuous Treatment》，CRAN: Contributed Packages，DOI 10.32614/cran.package.contdid
经一、潜在结果与处理效应Classic 01 · Causal Inference and Econometrics
提出Donald B. Rubin，1974 年，Rubin DB. Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies. Journal of Educational Psychology 66 (1974)。 流变作者未详，2021，《Hidden Bias》，Autopsy of a Crime Lab:108–121，DOI 10.2307/j.ctv1h9dkjv.10随后重检这条命题的对象、识别和外推边界。 今用本块甲“甲观察性研究先做设计再看结果，平衡不是回归后的装饰”继续使用、修正或反对它建立的判断接口。 关键潜在结果与处理效应把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
1974年的《潜在结果与处理效应》不是名人标签。Donald B. Rubin沿机制史把因果推断与计量中混写的对象、证据和价值判断分开，规定什么材料算支持、哪种记录足以迫使命题后退。《潜在结果与处理效应》的阴性对象与退出记录由此能在同一账本重算。
作者未详，2021，《Hidden Bias》，Autopsy of a Crime Lab:108–121，DOI…后来反向校验《潜在结果与处理效应》，保留可迁移结构，也撤回只在旧制度和旧测量中成立的扩展。与本块甲对读。现代关键读数是“设计阶段把协变量不平衡压到预设阈值，并用Γ敏感性参数量未观测混杂需多强才推翻结论…”。它说明《潜在结果与处理效应》的哪项设置被继承，又在哪个分母上被改写。经典地位不能替代《潜在结果与处理效应》的新证据。核验《潜在结果与处理效应》时须同时保存它没有解释的对象，不能只汇集成功分支。
经三、倾向得分Classic 03 · Causal Inference and Econometrics
提出Paul R. Rosenbaum、Donald B. Rubin，1983 年，Rosenbaum PR, Rubin DB. The Central Role of the Propensity Score. Biometrika 70 (1983)。 流变Ivan Jacob Agaloos Pesigan，2022，《betaSandwich: Robust Confidence Intervals for Standardized Regression Coefficients》，CRAN: Contributed Packages，DOI 10.32614/cran.package.betasandwich随后重检这条命题的对象、识别和外推边界。 今用本块丙“丙稳健断点推断要校正偏差，传统置信区间会系统过窄”继续使用、修正或反对它建立的判断接口。 关键倾向得分把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
《倾向得分》在1983年造成的转向首先是一项机制史选择。Paul R. Rosenbaum、Donald B. Rubin把对象、操作和失败读数排成可质疑次序，没有把因果推断与计量的复杂性缩成权威判断。《倾向得分》原文本之外仍有空栏，教科书式扩写不能自动填平。
后续争论Ivan Jacob Agaloos Pesigan，2022，《betaSandwich: Robust Conf…缩窄或改写了《倾向得分》。它连接本块丙时，现代证据“模拟与经验例显示传统区间在常用带宽下覆盖率可远低于95%，校正后接近名义值”承担复核责任。若重编对象、延长时间窗或补回排除者后排序翻转，就应承认现代层反驳了《倾向得分》的外推，而不是替经典找托词。核验《倾向得分》时须同时保存它没有解释的对象，不能只汇集成功分支。迁移《倾向得分》须注明采用哪一版定义，同名术语不等于同一证据单位。重算《倾向得分》应先冻结分母和停止规则，再比较旧读数与新读数。
经四、统计学中的因果效应定义Classic 04 · Causal Inference and Econometrics
提出Paul W. Holland，1986 年，Holland PW. Statistics and Causal Inference. Journal of the American Statistical Association 81 (1986)。 流变Gyuhyeong Goh、Jisang Yu，2021，《Synthetic control method with convex hull restrictions: a Bayesian maximum a posteriori approach》，The Econometrics Journal 25(1):215–232，DOI 10.1093/ectj/utab015随后重检这条命题的对象、识别和外推边界。 今用本块丁“丁合成控制把单一案例的反事实写成加权供体而非主观趋势线”继续使用、修正或反对它建立的判断接口。 关键统计学中的因果效应定义把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
Paul W. Holland在1986年的《统计学中的因果效应定义》为因果推断与计量留下机制史装置：公开对象怎样进入分母，并把例外放在模型内。《统计学中的因果效应定义》以前的争论容易把测量便利当成本体事实；《统计学中的因果效应定义》使两者能够分账。《统计学中的因果效应定义》成为经典，靠的是接受反例修订。
用Gyuhyeong Goh、Jisang Yu，2021，《Synthetic control method wit…回看《统计学中的因果效应定义》，可辨哪些结果来自原命题，哪些只是后来制度借名包装。本块丁保存这条差异；关键判断是“加州烟草法案例用1970—1988年拟合，估计1989后人均香烟销售出现约20包级差距”。它把《统计学中的因果效应定义》的失败对象送回比较。《统计学中的因果效应定义》的旧前提由本块检验证据成本。
经五、时间变化处理与g方法Classic 05 · Causal Inference and Econometrics
提出James M. Robins，1986 年，Robins JM. A New Approach to Causal Inference in Mortality Studies. Mathematical Modelling 7 (1986)。 流变Geoffrey T. Wodtke、Xiang Zhou，2026，《Causal Mediation Analysis》，Crossref 登记作品，DOI 10.1017/9781009222198随后重检这条命题的对象、识别和外推边界。 今用本块戊“戊因果中介必须拆开处理—中介与中介—结果两段假设”继续使用、修正或反对它建立的判断接口。 关键时间变化处理与g方法把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
1986年的《时间变化处理与g方法》不是名人标签。James M. Robins沿机制史把因果推断与计量中混写的对象、证据和价值判断分开，规定什么材料算支持、哪种记录足以迫使命题后退。《时间变化处理与g方法》的阴性对象与退出记录由此能在同一账本重算。
Geoffrey T. Wodtke、Xiang Zhou，2026，《Causal Mediation Analy…后来反向校验《时间变化处理与g方法》，保留可迁移结构，也撤回只在旧制度和旧测量中成立的扩展。与本块戊对读。现代关键读数是“模拟与应用显示中介效应会随中介—结果未测混杂敏感性参数显著移动”。它说明《时间变化处理与g方法》的哪项设置被继承，又在哪个分母上被改写。经典地位不能替代《时间变化处理与g方法》的新证据。核验《时间变化处理与g方法》时须同时保存它没有解释的对象，不能只汇集成功分支。
经六、概率推理与因果图Classic 06 · Causal Inference and Econometrics
提出Judea Pearl，1988 年，Pearl J. Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann (1988)。 流变Matthew J. Smith、Rachael V. Phillips、Camille Maringe、Miguel Angel Luque‐Fernandez，2025，《Performance of Cross‐Validated Targeted Maximum Likelihood Estimation》，Statistics in Medicine 44(15-17)，DOI 10.1002/sim.70185随后重检这条命题的对象、识别和外推边界。 今用本块己“己目标学习让参数先于算法，机器学习只服务预先定义的estimandTargeted Learning”继续使用、修正或反对它建立的判断接口。 关键概率推理与因果图把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
Matthew J. Smith、Rachael V. Phillips、Camille Maringe、Migue…把《概率推理与因果图》送进不同样本与制度，保留可证伪骨架，撤掉不再成立的普遍化。本块己仍借用这套接口；其中关键读数是“双重稳健估计在处理或结果模型至少一方正确时仍一致，交叉验证降低模型选择偏差”。《概率推理与因果图》若改用另一分母，结论就可能反号。《概率推理与因果图》因此成为现代条目的历史压力测试。核验《概率推理与因果图》时须同时保存它没有解释的对象，不能只汇集成功分支。
经七、部分识别与选择问题Classic 07 · Causal Inference and Econometrics
提出Charles F. Manski，1990 年，Manski CF. Nonparametric Bounds on Treatment Effects. American Economic Review 80 (1990)。 流变Heshani Madigasekara、D. S. Poskitt、Lina Zhang、Xueyan Zhao，2024，《Partial Identification of Distributional Treatment Effects in Panel Data using Copula Equality Assumptions》，Crossref 登记作品，DOI 10.2139/ssrn.5005675（工作论文）随后重检这条命题的对象、识别和外推边界。 今用本块庚“庚部分识别允许答案是区间，不可辨识不是估计器故障”继续使用、修正或反对它建立的判断接口。 关键部分识别与选择问题把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
《部分识别与选择问题》在1990年造成的转向首先是一项测量史选择。Charles F. Manski把对象、操作和失败读数排成可质疑次序，没有把因果推断与计量的复杂性缩成权威判断。《部分识别与选择问题》原文本之外仍有空栏，教科书式扩写不能自动填平。
后续争论Heshani Madigasekara、D. S. Poskitt、Lina Zhang、Xueyan Zhao，…缩窄或改写了《部分识别与选择问题》。它连接本块庚时，现代证据“在选择进入或缺失结果下，Manski界可能宽达整个结果范围；单调性等假设逐步收窄”承担复核责任。若重编对象、延长时间窗或补回排除者后排序翻转，就应承认现代层反驳了《部分识别与选择问题》的外推，而不是替经典找托词。核验《部分识别与选择问题》时须同时保存它没有解释的对象，不能只汇集成功分支。
经八、局部平均处理效应Classic 08 · Causal Inference and Econometrics
提出Guido W. Imbens、Joshua D. Angrist，1994 年，Imbens GW, Angrist JD. Identification and Estimation of Local Average Treatment Effects. Econometrica 62 (1994)。 流变Stuart G. Baker，2020，《Latent class instrumental variables and the monotonicity assumption》，Emerging Themes in Epidemiology 17(1)，DOI 10.1186/s12982-020-00088-8随后重检这条命题的对象、识别和外推边界。 今用本块辛“辛工具变量识别的是局部顺从者效应，不能冒充总体平均”继续使用、修正或反对它建立的判断接口。 关键局部平均处理效应把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
Guido W. Imbens、Joshua D. Angrist在1994年的《局部平均处理效应》为因果推断与计量留下测量史装置：公开对象怎样进入分母，并把例外放在模型内。《局部平均处理效应》以前的争论容易把测量便利当成本体事实；《局部平均处理效应》使两者能够分账。《局部平均处理效应》成为经典，靠的是接受反例修订。
用Stuart G. Baker，2020，《Latent class instrumental variables …回看《局部平均处理效应》，可辨哪些结果来自原命题，哪些只是后来制度借名包装。本块辛保存这条差异；关键判断是“经验例中OLS与IV常相差数倍，差异可由选择与局部处理效应共同产生”。它把《局部平均处理效应》的失败对象送回比较。《局部平均处理效应》的旧前提由本块检验证据成本。核验《局部平均处理效应》时须同时保存它没有解释的对象，不能只汇集成功分支。
经十、结构因果模型Classic 10 · Causal Inference and Econometrics
提出Judea Pearl，2000 年，Pearl J. Causality. Cambridge University Press (2000)。 流变KATHY CALLAWAY，2021，《KATHY CALLAWAY (1943–)》，Book of Irish American Poetry:482–482，DOI 10.2307/jj.21995835.114随后重检这条命题的对象、识别和外推边界。 今用本块二“二组别—时间ATT只用尚未处理或从未处理组，避免禁用比较”继续使用、修正或反对它建立的判断接口。 关键结构因果模型把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
经十二、主观概率与决策一致性Classic 12 · Causal Inference and Econometrics
提出Leonard J. Savage，1954 年，Savage LJ. The Foundations of Statistics. Wiley (1954)。 流变Rashid Zaman、Marwan Hassani、Boudewijn F. Van Dongen，2021，《Prefix Imputation of Orphan Events in Event Stream Processing》，Frontiers in Big Data 4，DOI 10.3389/fdata.2021.705243随后重检这条命题的对象、识别和外推边界。 今用本块四“四插补先用未处理样本学反事实，事件效应不再互相污染”继续使用、修正或反对它建立的判断接口。 关键主观概率与决策一致性把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
Leonard J. Savage在1954年的《主观概率与决策一致性》为因果推断与计量留下制度史装置：公开对象怎样进入分母，并把例外放在模型内。《主观概率与决策一致性》以前的争论容易把测量便利当成本体事实；《主观概率与决策一致性》使两者能够分账。《主观概率与决策一致性》成为经典，靠的是接受反例修订。
用Rashid Zaman、Marwan Hassani、Boudewijn F. Van Dongen，2021，《…回看《主观概率与决策一致性》，可辨哪些结果来自原命题，哪些只是后来制度借名包装。本块四保存这条差异；关键判断是“理论给出在标准假设下有效估计，经验应用的标准误常小于分组逐期法”。它把《主观概率与决策一致性》的失败对象送回比较。《主观概率与决策一致性》的旧前提由本块检验证据成本。核验《主观概率与决策一致性》时须同时保存它没有解释的对象，不能只汇集成功分支。
经十三、有限理性与满意化Classic 13 · Causal Inference and Econometrics
提出Herbert A. Simon，1955 年，Simon HA. A Behavioral Model of Rational Choice. Quarterly Journal of Economics 69 (1955)。 流变Hootan Roshandel、Santiago Vargas、Amy Lai、Anastassia Alexandrova 等，2023，《Prediction of Reaction Orthogonality using Machine Learning》，Crossref 登记作品，DOI 10.26434/chemrxiv-2023-s1hx8随后重检这条命题的对象、识别和外推边界。 今用本块五“五双重机器学习只让算法估干扰函数，因果参数仍靠正交矩”继续使用、修正或反对它建立的判断接口。 关键有限理性与满意化把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
1955年的《有限理性与满意化》不是名人标签。Herbert A. Simon沿制度史把因果推断与计量中混写的对象、证据和价值判断分开，规定什么材料算支持、哪种记录足以迫使命题后退。《有限理性与满意化》的阴性对象与退出记录由此能在同一账本重算。
经十四、焦点、承诺与策略行动Classic 14 · Causal Inference and Econometrics
提出Thomas C. Schelling，1960 年，Schelling TC. The Strategy of Conflict. Harvard University Press (1960)。 流变Li Zheng、Weiwen Yin，2023，《Estimating and evaluating treatment effect heterogeneity: A causal forests approach》，Research & Politics 10(1)，DOI 10.1177/20531680231153080随后重检这条命题的对象、识别和外推边界。 今用本块六“六因果森林把异质效应估计变成诚实分样本，而非事后分组”继续使用、修正或反对它建立的判断接口。 关键焦点、承诺与策略行动把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
《焦点、承诺与策略行动》出现前，因果推断与计量常把同名现象当作同一对象。Thomas C. Schelling于1960年沿制度史先限定观察者能看到什么，再说明遗漏什么会让解释失真。《焦点、承诺与策略行动》改变的是判决程序，不是增加一条永远正确的结论。
Li Zheng、Weiwen Yin，2023，《Estimating and evaluating treatm…把《焦点、承诺与策略行动》送进不同样本与制度，保留可证伪骨架，撤掉不再成立的普遍化。本块六仍借用这套接口；其中关键读数是“模拟与应用中森林可恢复非线性条件效应并给出渐近区间，亚组差异可达平均效应数倍…”。《焦点、承诺与策略行动》若改用另一分母，结论就可能反号。《焦点、承诺与策略行动》因此成为现代条目的历史压力测试。核验《焦点、承诺与策略行动》时须同时保存它没有解释的对象，不能只汇集成功分支。
经十五、社会成本与交易安排Classic 15 · Causal Inference and Econometrics
提出Ronald H. Coase，1960 年，Coase RH. The Problem of Social Cost. Journal of Law and Economics 3 (1960)。 流变Ahmed Ali Abbasi、Shana Moothedath、Namrata Vaswani，2023，《Fast Federated Low Rank Matrix Completion》，2023 59th Annual Allerton Conference on Communication, Control, and Computing (Allerton):1–6，DOI 10.1109/allerton58177.2023.10313472随后重检这条命题的对象、识别和外推边界。 今用本块七“七矩阵补全把合成控制从一列权重扩展到低秩时空结构”继续使用、修正或反对它建立的判断接口。 关键社会成本与交易安排把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
《社会成本与交易安排》在1960年造成的转向首先是一项制度史选择。Ronald H. Coase把对象、操作和失败读数排成可质疑次序，没有把因果推断与计量的复杂性缩成权威判断。《社会成本与交易安排》原文本之外仍有空栏，教科书式扩写不能自动填平。
后续争论Ahmed Ali Abbasi、Shana Moothedath、Namrata Vaswani，2023，《Fa…缩窄或改写了《社会成本与交易安排》。它连接本块七时，现代证据“模拟与州级面板中，矩阵补全在处理前期短或供体多时降低预测误差”承担复核责任。若重编对象、延长时间窗或补回排除者后排序翻转，就应承认现代层反驳了《社会成本与交易安排》的外推，而不是替经典找托词。核验《社会成本与交易安排》时须同时保存它没有解释的对象，不能只汇集成功分支。迁移《社会成本与交易安排》须注明采用哪一版定义，同名术语不等于同一证据单位。
经十六、柠檬市场与质量不确定性Classic 16 · Causal Inference and Econometrics
提出George A. Akerlof，1970 年，Akerlof GA. The Market for Lemons. Quarterly Journal of Economics 84 (1970)。 流变Andrew Ying，2021，《PCL: Proximal Causal Learning》，CRAN: Contributed Packages，DOI 10.32614/cran.package.pcl随后重检这条命题的对象、识别和外推边界。 今用本块八“八负对照把未测混杂转成可观测报警器，但报警不等于自动修复”继续使用、修正或反对它建立的判断接口。 关键柠檬市场与质量不确定性把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
George A. Akerlof在1970年的《柠檬市场与质量不确定性》为因果推断与计量留下人物史装置：公开对象怎样进入分母，并把例外放在模型内。《柠檬市场与质量不确定性》以前的争论容易把测量便利当成本体事实；《柠檬市场与质量不确定性》使两者能够分账。《柠檬市场与质量不确定性》成为经典，靠的是接受反例修订。
经二十、公共池资源的自主治理Classic 20 · Causal Inference and Econometrics
提出Elinor Ostrom，1990 年，Ostrom E. Governing the Commons. Cambridge University Press (1990)。 流变未检得同题独立反证随后重检这条命题的对象、识别和外推边界。 今用本块十二“十二连续处理的DiD不能把剂量回归斜率当成同一因果边际”继续使用、修正或反对它建立的判断接口。 关键公共池资源的自主治理把因果推断与计量的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
Rubin DB. Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies. Journal of Educational Psychology 66 (1974)。
Heckman JJ. Sample Selection Bias as a Specification Error. Econometrica 47 (1979)。
Rosenbaum PR, Rubin DB. The Central Role of the Propensity Score. Biometrika 70 (1983)。
Holland PW. Statistics and Causal Inference. Journal of the American Statistical Association 81 (1986)。
Robins JM. A New Approach to Causal Inference in Mortality Studies. Mathematical Modelling 7 (1986)。
Pearl J. Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann (1988)（专著）。
Manski CF. Nonparametric Bounds on Treatment Effects. American Economic Review 80 (1990)。
Imbens GW, Angrist JD. Identification and Estimation of Local Average Treatment Effects. Econometrica 62 (1994)。
Card D, Krueger AB. Minimum Wages and Employment. American Economic Review 84 (1994)。
Pearl J. Causality. Cambridge University Press (2000)（专著）。
Arrow KJ. Social Choice and Individual Values. Wiley (1951)（专著）。
Savage LJ. The Foundations of Statistics. Wiley (1954)（专著）。
Simon HA. A Behavioral Model of Rational Choice. Quarterly Journal of Economics 69 (1955)。
Schelling TC. The Strategy of Conflict. Harvard University Press (1960)（专著）。
Coase RH. The Problem of Social Cost. Journal of Law and Economics 3 (1960)。
Akerlof GA. The Market for Lemons. Quarterly Journal of Economics 84 (1970)。
Sen A. Collective Choice and Social Welfare. Holden-Day (1970)（专著）。
Kahneman D, Tversky A. Prospect Theory. Econometrica 47 (1979)。
North DC. Institutions, Institutional Change and Economic Performance. Cambridge University Press (1990)（专著）。
Ostrom E. Governing the Commons. Cambridge University Press (1990)（专著）。
作者未详，2021，《Hidden Bias》，Autopsy of a Crime Lab:108–121，DOI 10.2307/j.ctv1h9dkjv.10。
Yoichi Arai、Hidehiko Ichimura，2026，《Optimal bandwidth selection for the fuzzy regression discontinuity estimator》，Crossref 登记作品，DOI 10.1920/wp.cem.2015.4915。
Ivan Jacob Agaloos Pesigan，2022，《betaSandwich: Robust Confidence Intervals for Standardized Regression Coefficients》，CRAN: Contributed Packages，DOI 10.32614/cran.package.betasandwich。
Gyuhyeong Goh、Jisang Yu，2021，《Synthetic control method with convex hull restrictions: a Bayesian maximum a posteriori approach》，The Econometrics Journal 25(1):215–232，DOI 10.1093/ectj/utab015。
Geoffrey T. Wodtke、Xiang Zhou，2026，《Causal Mediation Analysis》，Crossref 登记作品，DOI 10.1017/9781009222198。
Matthew J. Smith、Rachael V. Phillips、Camille Maringe、Miguel Angel Luque‐Fernandez，2025，《Performance of Cross‐Validated Targeted Maximum Likelihood Estimation》，Statistics in Medicine 44(15-17)，DOI 10.1002/sim.70185。
Heshani Madigasekara、D. S. Poskitt、Lina Zhang、Xueyan Zhao，2024，《Partial Identification of Distributional Treatment Effects in Panel Data using Copula Equality Assumptions》，Crossref 登记作品，DOI 10.2139/ssrn.5005675（工作论文）。
Stuart G. Baker，2020，《Latent class instrumental variables and the monotonicity assumption》，Emerging Themes in Epidemiology 17(1)，DOI 10.1186/s12982-020-00088-8。
Rashid Zaman、Marwan Hassani、Boudewijn F. Van Dongen，2021，《Prefix Imputation of Orphan Events in Event Stream Processing》，Frontiers in Big Data 4，DOI 10.3389/fdata.2021.705243。
Hootan Roshandel、Santiago Vargas、Amy Lai、Anastassia Alexandrova 等，2023，《Prediction of Reaction Orthogonality using Machine Learning》，Crossref 登记作品，DOI 10.26434/chemrxiv-2023-s1hx8。
Li Zheng、Weiwen Yin，2023，《Estimating and evaluating treatment effect heterogeneity: A causal forests approach》，Research & Politics 10(1)，DOI 10.1177/20531680231153080。
Ahmed Ali Abbasi、Shana Moothedath、Namrata Vaswani，2023，《Fast Federated Low Rank Matrix Completion》，2023 59th Annual Allerton Conference on Communication, Control, and Computing (Allerton):1–6，DOI 10.1109/allerton58177.2023.10313472。
Andrew Ying，2021，《PCL: Proximal Causal Learning》，CRAN: Contributed Packages，DOI 10.32614/cran.package.pcl。
Yunxin Mao、Haotian Wang、Yishuai Cai、Minglong Li 等，2025，《Automated Exposure Mapping for Networked Interference》，ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP):1–5，DOI 10.1109/icassp49660.2025.10890835。
Brantly Callaway、Andrew Goodman-Bacon、Pedro H. C. Sant'Anna，2025，《contdid: Difference-in-Differences with a Continuous Treatment》，CRAN: Contributed Packages，DOI 10.32614/cran.package.contdid。