构建靶向最小损失/最大似然估计器：一个直观构建示例
统计方法学
2025-07-17 v1
摘要
使用机器学习方法估计结果模型、倾向得分模型等瑕疫函数，是因其可减轻模型误指定导致的偏误。然而，实现有效推断（如构建有效置信区间）仍具挑战。高效影响函数（EIF）为从与因果问题相关的统计估计量，转化为可纳入机器学习的估计器提供了一套方法论。我们的伴随论文 Renson 等 2025（arXiv:2502.05363）对 EIF 进行了详尽且易懂的阐述，并提供从唯一统计估计量发展为某类基于 EIF 估计器——即单一步骤估计器——的指南。另一类常用基于 EIF 的估计器为靶向最大似然/最小损失估计器（TMLE）。TMLE 的构建在统计文献中已有讨论，但在转化为更易懂的应用层面仍存差距。本文作为 Renson 等人的补充材料，提供了一个更易于理解的 TMLE 构建示例。
引用
@article{arxiv.2507.11680,
title = {Constructing targeted minimum loss/maximum likelihood estimators: a simple illustration to build intuition},
author = {Rachael K. Ross and Lina M. Montoya and Dana E. Goin and Ivan Diaz and Audrey Renson},
journal= {arXiv preprint arXiv:2507.11680},
year = {2025}
}