典范最小有利子模型：一种针对多维参数的新 TMLE 过程

本文是对靶向最大似然估计（TMLE）（或同理，靶向最小损失估计）领域的基础性补充，用于同时估计感兴趣的多维参数。TMLE 作为靶向学习框架的一部分，为在非参数或半参数模型中构造高效插件估计量提供了关键步骤。靶向学习所谓的靶向步骤，涉及以这样一种方式波动模型的初始拟合：使插件估计量随对数似然的变化得到最大调整。先前对于感兴趣的多维参数，迭代 TMLE 是使用 van der Laan 与 Gruber（2016）所定义的局部最小有利子模型构造的，这些子模型由一个多维波动参数索引。本文中，我们针对 $d$ 维感兴趣参数，以单一维度 $\epsilon$ 定义典范最小有利子模型。可将 clfm 视为 van der Laan 与 Gruber（2016）所构造的一步 TMLE 的迭代类比。它目前已在最后一节给出的数个软件包中实现。在 TMLE 的靶向步骤中使用单一 $\epsilon$ 对高维参数或有助益，因为使用与感兴趣参数同维的波动参数会遭受维数灾难的后果。clfm 还使得所谓的巧妙协变量分母可作为逆权重置于偏移截距模型中。已有研究表明，此类加权可缓解有时由近正性违背引起的大逆权重效应。