含隐变量 DAG 中的平均因果效应估计：超越后门与前门准则

有关在具有隐藏变量的有向无环图 (DAG) 中的因果效应识别理论已为人所熟知，但对于超出 g-formula 框架后仍未得到充分发展的方法进行估计与推断的研究则相对不足。以往研究引入了针对广泛类含隐藏变量 DAG 的半参数估计器。虽然这些估计器在某些情况下表现出双鲁棒性等优异统计性质，但也面临显著局限。尤其是它们在连续变量上的密度估计与数值积分方面遭遇巨大的计算挑战，且估计值可能超出目标估计量的参数空间。此外，这些估计器在利用灵活的统计与机器学习模型进行误差函数估计时，其渐近性质亦未得到充分探讨。本文通过引入新颖的单一步纠正插值法和基于最小化损失的定向估计器，来估计属于超越经典后门与前门准则（在先前文献中称为治疗原始可修复性准则）的隐藏变量 DAG 类的因果效应。这些估计器利用数据自适应机器学习算法以最小化建模假设，同时确保包括双鲁棒性、有效性、在目标参数空间内的有界性，以及在误差函数估计满足 $L^2(P)$-速率条件下实现根 n 一致性因果效应估计等关键统计性质。为确保估计方法在实际中可被实用化，本文提供了 R 语言中的 flexCausal 软件包。