平均调整关联：高维混杂因素下的高效估计
统计方法学
2023-04-04 v2 机器学习
计量经济学
机器学习
摘要
对数优势比是评估二值结局与暴露变量间关联的成熟度量。尽管其被广泛使用，关于如何通过平均将对数优势比作为混杂因素的函数进行总结的讨论仍有限。为解决此问题，我们提出平均调整关联（AAA），它是异质人群中针对已观测混杂因素进行调整的关联汇总度量。为便于使用，我们还发展了 AAA 的高效双重/去偏机器学习（DML）估计量。我们的 DML 估计量利用高效影响函数的两种等价形式，并适用于多种抽样场景，包括随机抽样、基于结局的抽样与基于暴露的抽样。通过真实数据与模拟，我们证明了所提估计量在度量 AAA 时的实用性与有效性。
引用
@article{arxiv.2205.14048,
title = {Average Adjusted Association: Efficient Estimation with High Dimensional Confounders},
author = {Sung Jae Jun and Sokbae Lee},
journal= {arXiv preprint arXiv:2205.14048},
year = {2023}
}
备注
35 pages, 3 tables