事件史分析的模型自由方法与高效调整（博士论文）

本论文包含若干独立且统一于模型自由视角的统计学贡献。第一章阐述了如何运用机器学习中的预测技术来构建灵活方法的模型自由视角。从具体实例中获得的数学洞见被概括为贯穿其余论文的原则。第二章研究了局部独立的概念，这描述了一个随机过程的演化是否直接受另一个随机过程的影响。为检验局部独立，我们定义一种称为局部协方差测量（LCM）的模型自由参数。我们提出了一种 LCM 的估计器，并据此提出一种局部独立检验。我们讨论了该检验的大小和功效的统一控制方式，并在模拟研究中对该检验进行了考察。第三章聚焦于协变量调整，这是一种通过考虑已观察混杂因素来估计处理效应的方法。我们构建了一个通用框架，支持对任意子集协变量信息进行调整。我们识别出最佳协变量信息，并据此引入一种称为 Debiased Outcome-adapted Propensity Estimator（DOPE）用于高效估计处理效应。我们实现了一个基于神经网络的 DOPE 实例，并在模拟数据和真实数据上展示了其性能。第四章引入一种称为 Aalen Covariance Measure（ACM）的模型自由条件关联度量，用于暴露与时间至事件之间的关联。我们发展了模型自由估计方法，证明其具有双鲁棒性，确保在迹联函数可以适度速率估计的情况下实现 $\sqrt{n}$-一致性。模拟研究展示了本估计器在多种情形下的使用。