关于 g-泛函均值的多重稳健估计
统计方法学
2017-05-25 v1
摘要
我们研究了 Robins (1986) 纵向 g-计算公式的多重稳健（MR）估计量。在本文的第一部分，我们回顾并扩展了最近提出的 Tchetgen-Tchetgen (2009) 以及 Molina, Rotnitzky, Sued 和 Robins (2017) 的参数化多重稳健估计量。在本文的第二部分，我们推导了使用非参数机器学习（ML）估计量代替参数模型来估计冗余函数的多重和双重稳健估计量。我们使用样本分割以避免 Donsker 条件的需要，从而允许分析者选择他们偏好的 ML 算法。我们对比了非参数双重稳健和多重稳健估计量的渐近行为。特别地，我们推导了它们的渐近偏差公式。通过考察这些公式，我们得出结论：尽管在某些数据生成律下，MR 估计量偏差收敛到零的速率可以超过 DR 估计量，但在大多数律下，DR 和 MR 估计量的偏差以相同的速率收敛到零。
引用
@article{arxiv.1705.08582,
title = {On the multiply robust estimation of the mean of the g-functional},
author = {Andrea Rotnitzky and James Robins and Lucia Babino},
journal= {arXiv preprint arXiv:1705.08582},
year = {2017}
}