连续时间里的因果估计换了工具变量：混杂越强，离散时间方法越偏，路径型矩条件仍稳
核心概要
连续时间随机过程此前没有对应的工具变量框架，离散时间方法把工具变量的结构稀疏性放在有限步转移上，与真实机制不符。研究者把相关性、排除性与外生性三条假设直接写在随机微分方程漂移的无穷小层面，用工具过程整条路径构造矩条件，并在线性情形给出可识别条件与一致估计。在混杂的 Ornstein-Uhlenbeck 模拟系统上，最大似然估计随混杂增强而系统性偏大，而该估计保持稳定；单个工具过程还能识别多维因果效应。
深度剖析
因果效应估计现在可以建立在连续时间随机过程上，工具变量不再只是一个静态变量，而是一条随时间演化的随机过程。 此前的工具变量方法只覆盖静态或离散时间设定，离散时间模型把结构稀疏性放在有限步转移上，无法处理不规则采样，也无法保留连续时间过程的局部结构。 在混杂强度从 0.1 递增到 1.0 的 Ornstein-Uhlenbeck 模拟系统上，最大似然估计的平均系数误差从 0.0069 升到 0.2359，而连续时间积分估计在各档混杂下都维持在 0.0123 到 0.0290 之间。
做法是把工具变量假设写在漂移的无穷小层面，再用工具过程的历史路径构造矩条件。 矩条件取的是预测误差与工具路径泛函的正交性，因此整条工具路径都成为有效工具，而不只是它当前的状态。 在线性情形下，矩条件化为对滞后协方差动力学的拟合，识别由一个可控性条件保证，并配有基于 Nadaraya-Watson 核回归与最小二乘的一致估计；非线性情形则用 signature kernel 表达路径泛函，在模拟的血糖-胰岛素半合成数据上，整体 RMSE 为 0.0157，最大似然基线为 0.0998。
启示与展望
演示范围限于由随机微分方程描述、联合平稳的连续时间过程，观测时间点可以不规则，混杂过程始终不可观测；实验全部在模拟的 Ornstein-Uhlenbeck 系统和半合成的血糖-胰岛素数据上完成。
非线性情形下目标函数一般不可识别，需要正则化在可识别集合中取一个候选；工具变量估计本身效率低于最大似然，在混杂很弱时误差反而更大，且随着目标因果效应维度增加，估计方差上升。