在模型误设下使用惩罚偏差缩减双重稳健估计的平均处理效应的诚实数据自适应推断

高维变量引起的混杂使得点处理的平均效应估计变得复杂。一方面，这需要使用变量选择策略或更一般的数据自适应高维统计方法。另一方面，使用此类技术往往会导致估计量产生偏差并具有非标准渐近行为。双重稳健估计量对于提供解决方案至关重要，因为它们具有所谓的微小偏差性质 (Newey et al., 2004)。这意味着当相关平滑参数趋于零时，其偏差比干扰参数估计量中的偏差消失得更快，使其性能对平滑不那么敏感 (Chernozhukov et al., 2016)。当倾向得分和条件结果均值的数据自适应估计量均以足够快的速率收敛至各自的真实值时，该性质已被利用以实现平均因果效应的有效（一致）推断（例如，van der Laan, 2014; Farrell, 2015; Belloni et al., 2016）。在本文中，我们扩展了这项工作，以便在这些估计量中无论哪一个不收敛至真实值时，仍能保持有效（一致）的推断。这是通过将 Vermeulen 和 Vansteelandt (2015) 针对低维环境的先前工作推广以纳入正则化来实现的。所提出的惩罚偏差缩减双重稳健估计策略在广泛的模拟研究与数据分析中，相较于竞争性方案展现出了良好的性能。