基于高维经验似然的平均处理效应乘积稳健推断
统计方法学
2025-09-03 v1
摘要
本文发展了一种用于具有高维协变数的平均处理效应(ATE)的乘积稳健推断程序。我们考虑的是难以正确指定单个参数模型用于倾向得分(PS)的情况。例如，目标总体由不同治疗分配机制的异构来源形成。我们提出了一种在软协变变量平衡约束下进行的高维经验似然加权方法，以结合多个工作PS模型。使用扩展的校准函数集合，并发展出正则化的补偿结果回归，以纠正由于非精确协变变量平衡导致的偏差。这两种方法为构建ATE的尼亚曼正交得分提供了新方法。对于高维协变数的ATE提议的置信区间在如果任何一个PS模型、它们的线性组合或结果回归模型正确指定时，都实现了渐近上限有效的名义覆盖。该提议的方法扩展到用于结果变量的广义线性模型。具体来说，我们考虑估计来自未知聚类的数据的ATE，其中可以基于估计的聚类拟合多个工作PS模型。我们的方法使能够对聚类数据的ATE进行稳健推断。我们通过模拟研究表明，所提出的方法在高维协变数下优于现有的双稳健推断方法。我们分析了来自五个医疗中心和两个不同研究阶段收集的右心导管数据集，以演示所提方法在实际中的有效性。
引用
@article{arxiv.2509.00312,
title = {Multiply Robust Inference of Average Treatment Effects by High-dimensional Empirical Likelihood},
author = {Xintao Xia and Yumou Qiu},
journal= {arXiv preprint arXiv:2509.00312},
year = {2025}
}