在高维结果空间中识别稀疏处理效应
统计方法学
2024-10-16 v2
摘要
基于传感器技术的进步，使得以高维向量表示的主要结果的随机试验日益增长。例如，这些结果可以是来自可穿戴设备的一周时间序列数据，或来自功能性磁共振成像的高维神经影像数据。本文聚焦于此类以稀疏处理效应特征的随机处理研究，其中干预可能影响少数维度，例如特定的时间窗口或特定脑区。传统做法，如使用结果的固定、低维概要，导致检测处理效应的统计功效显著降低。为克服这一限制，我们提出了一种包含子集选择和推断的程序。具体而言，给定 potentially 大量结果概要，我们识别捕获处理效应的子集，这只需要对 Lasso 一次调用，然后随后对选定的子集进行推断。通过理论分析以及仿真，我们展示了该方法在渐近意义上正确选择子集，并且增加了统计功效。
引用
@article{arxiv.2404.14644,
title = {Identifying sparse treatment effects in high-dimensional outcome spaces},
author = {Yujin Jeong and Emily Fox and Ramesh Johari},
journal= {arXiv preprint arXiv:2404.14644},
year = {2024}
}