高维污染下双重稳健因果推断的惩罚经验似然
统计方法学
2025-11-04 v4 机器学习
摘要
我们提出了一种用于高维小样本观测研究中平均处理效应的双重稳健估计量，其中污染和模型误设构成了严重的推断挑战。该估计量将用于结果建模的有界影响估计方程与用于处理分配的协变量平衡倾向性得分相结合，并嵌入到使用非凸正则化的惩罚经验似然框架中。它通过同时在部分模型正确性下实现一致性、选择一致性、对污染的稳健性以及渐近正态性，满足了oracle性质。对于不确定性量化，我们使用累积生成函数和影响函数校正推导了有限样本置信区间，避免了对渐近近似的依赖。模拟研究以及对基因表达数据集（Golub和Khan）的应用，在偏差、误差指标和区间校准方面展示了优越的性能，突显了该方法在HDLSS体制下的稳健性和推断有效性。一个值得注意的方面是，即使在无污染的情况下，所提出的估计量及其置信区间与竞争模型相比仍然保持高效。
引用
@article{arxiv.2507.17439,
title = {Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions},
author = {Byeonghee Lee and Sangwook Kang and Ju-Hyun Park and Saebom Jeon and Joonsung Kang},
journal= {arXiv preprint arXiv:2507.17439},
year = {2025}
}