利用结果高适应 lasso 对平均处理效应进行稳健推断

许多处理对结果的平均效应的估计量需要估计倾向得分、结果回归或二者皆估。利用半参数回归或机器学习等灵活技术来估计这些量往往是有益的。然而，这些回归的最优估计未必带来平均处理效应的最优估计，尤其在存在强工具变量的设定下。近期一项提议通过结果自适应 lasso（outcome-adaptive lasso）——一种用于估计倾向得分的惩罚回归技术，旨在最小化工具变量对处理效应估计量的影响——解决了这些问题。然而，该方法一个显著局限是其应用被限制在参数模型。我们提出一种更灵活的替代方案，称之为结果高适应 lasso（outcome highly adaptive lasso）。我们讨论该估计量的大样本理论，并基于所提估计量给出闭式置信区间。我们通过模拟表明，我们的方法相对于几种流行方法具有优势。