Maxway CRT：提升Model-X推断的鲁棒性
统计方法学
2023-05-02 v2
摘要
Model-X条件随机化检验（CRT）是一种用于条件独立性假设（在给定Z的条件下X独立于Y）的灵活且强有力的检验方法。尽管具有许多吸引人的性质，model-X CRT依赖于model-X假设，即我们拥有X | Z分布的完美知识。若对X | Z分布的建模存在误差，该方法可能失效。当调整协变量Z为高维时，该问题更为严重，因为在此情形下针对Z精确建模X十分困难。为此，我们提出Maxway（借助Y辅助建模与调整X）CRT，其学习Y | Z的分布，并利用它来校准X的重采样分布，从而对X建模中的误差获得鲁棒性。我们证明Maxway CRT的I类错误膨胀可由低维调整模型的学习误差加上X | Z与Y | Z学习误差的乘积来控制，这可解释为“近似双重鲁棒”性质。基于此，我们开发了在实际场景中实施Maxway CRT的算法，包括（代理辅助）半监督学习和迁移学习，其中关于Y | Z的有效信息可由某些辅助或外部数据潜在提供。通过不同情景下的大量模拟研究，我们表明Maxway CRT在保持相似功效的同时，比现有model-X推断方法实现了显著更好的I类错误控制。最后，我们将方法应用于两个真实案例：（1）借助代理变量利用电子健康记录（EHR）数据研究肥胖悖论；（2）通过从多数群体迁移知识来推断少数族裔群体中他汀类药物的副作用。
引用
@article{arxiv.2203.06496,
title = {Maxway CRT: Improving the Robustness of the Model-X Inference},
author = {Shuangning Li and Molei Liu},
journal= {arXiv preprint arXiv:2203.06496},
year = {2023}
}