高度自适应 Lasso 隐含工作模型中的正则化革向最大似然估计
统计方法学
2025-06-23 v1
摘要
我们解决在初始高度自适应 Lasso（HAL）拟合后执行革向最大似然估计（TMLE）的挑战。现有方法利用 HAL 选择的数据自适应工作模型——例如松弛 HAL 更新——虽然简单灵活，但在 HAL 基函数展开引入共线性时可能变得计算不稳定。 undersmoothed HAL 在不进行过拟合的情况下可能无法在所需水平上求解有效影响曲线（EIC），特别是在像生存曲线估计这类复杂情形下。将 HAL 作为初始估计器，然后在非参数或半参数模型中进行革向的完整 HAL-TMLE 通常需要在生存分析和纵向中介分析等复杂情形下进行高成本的迭代巧妙协变量计算。为克服这些限制，我们提出两种新的 HAL-TMLE 方法，这些方法在 HAL 隐含的有限维工作模型中运行：Delta 方法 regHAL-TMLE 和 Projection-based regHAL-TMLE。我们进行大量模拟实验，以展示我们新方法的性能。
引用
@article{arxiv.2506.17214,
title = {Regularized Targeted Maximum Likelihood Estimation in Highly Adaptive Lasso Implied Working Models},
author = {Yi Li and Sky Qiu and Zeyi Wang and Mark van der Laan},
journal= {arXiv preprint arXiv:2506.17214},
year = {2025}
}