Floodgate：无模型变量重要性的推断方法

许多现代应用试图在存在（可能高维的）混杂变量 $Z$ 的情况下，理解结果变量 $Y$ 与协变量 $X$ 之间的关系。尽管已有大量关注用于检验在给定 $Z$ 的条件下 $Y$ 是否依赖于 $X$，本文旨在超越检验，进一步推断这种依赖的强度。我们首先定义了估计目标——最小均方误差 (mMSE) 差距，它以确定性、无模型、可解释且对非线性和交互作用敏感的方式量化了 $Y$ 与 $X$ 之间的条件关系。随后，我们提出了一种名为 floodgate 的新推断方法，该方法可利用用户选择的任何工作回归函数（例如，允许其由最先进的机器学习算法拟合或源自定性领域知识）来构建渐近置信界，并将其应用于 mMSE 差距。我们还证明了 floodgate 的准确性（从置信界到估计目标的距离）能自适应于工作回归函数的误差。接着，我们展示了当 $Y$ 为二值变量时，可将相同的 floodgate 原理应用于不同的变量重要性度量。最后，我们通过一系列模拟展示了 floodgate 的性能，并将其应用于英国生物银行的数据，以推断血小板计数对各种遗传突变组的依赖强度。