高维最优治疗策略中模型辅助的均匀诚实推断
统计方法学
2021-05-11 v1
摘要
本文开发新工具以量化最优决策中的不确定性，并深入认识在衡量大量变量潜在成本给定时，应收集哪些变量的信息。我们研究同时推断，以确定在高维半参数框架下，一组变量是否与估计最优决策规则相关。未知连接函数允许对治疗与协变量之间的交互进行灵活建模，但在高维下导致非凸估计，并给推断带来显著挑战。我们首先建立局部受限强凸性条件以高概率成立，且估计问题的任意可行局部稀疏解可达到近预言机估计误差界。我们进一步严格验证，基于局部解去偏版本的wild bootstrap过程可对一组变量在最优决策上效应的渐近诚实均匀推断提供保障。诚实推断的优势在于不要求初始估计量实现完美模型选择，也不要求零效应与非零效应良好分离。我们还提出了一种高效的估计算法。我们的模拟显示令人满意的性能。一项来自糖尿病研究的实例说明了实际应用。
引用
@article{arxiv.2105.04099,
title = {Model-Assisted Uniformly Honest Inference for Optimal Treatment Regimes in High Dimension},
author = {Yunan Wu and Lan Wang and Haoda Fu},
journal= {arXiv preprint arXiv:2105.04099},
year = {2021}
}
备注
196 pages, 1 figure