通过营养干预试验中的真实模拟评估目标最大似然估计量的稳健性
统计方法学
2021-09-30 v1
摘要
近年来开发的几种方法有望利用机器学习来获取受因果推断启发的目标量，包括逆概率加权、双重稳健估计方程以及诸如目标最大似然估计的替代估计量。这些方法还有更近期的增强版本，通过增加一层交叉验证（分别应用于替代方法的交叉验证目标最大似然估计，以及应用于估计方程方法的双重机器学习），能够提升稳健性。尽管这些方法已在模拟与实验数据集上被单独评估，但尚未在“真实世界”模拟中对它们的性能进行全面分析。本文中，我们使用十项不同的营养干预研究数据，对多种广泛使用的平均处理效应估计方法进行了基准测试。我们采用了一套基于估计数据生成分布的新颖方法（高自适应 lasso）的真实模拟，该方法保证了特定程度的复杂性（欠光滑），以更好地模拟真实数据生成分布的复杂性。我们应用这种新颖方法按各项研究估计数据生成分布，并随后利用这些拟合结果来模拟数据，估计处理效应参数及其标准误与所得置信区间。基于分析结果，我们提出了一项通用建议，即使用替代估计量与估计方程估计量的交叉验证变体。我们得出结论，额外的交叉验证层有助于避免对冗余参数泛函的无意过拟合，并带来更稳健的推断。
关键词
引用
@article{arxiv.2109.14048,
title = {Evaluating the Robustness of Targeted Maximum Likelihood Estimators via Realistic Simulations in Nutrition Intervention Trials},
author = {Haodong Li and Sonali Rosete and Jeremy Coyle and Rachael V. Phillips and Nima S. Hejazi and Ivana Malenica and Benjamin F. Arnold and Jade Benjamin-Chung and Andrew Mertens and John M. Colford and Mark J. van der Laan and Alan E. Hubbard},
journal= {arXiv preprint arXiv:2109.14048},
year = {2021}
}