高维 nuisance 参数下一致有效因果推断的代价与收益
统计理论
2025-09-08 v1 统计方法学
统计理论
摘要
近期在开发对低维因果参数产生一致有效推断的程序方面取得了重要进展，此时必须估计高维 nuisance 模型。在本文中，我们回顾关于一致有效因果推断的文献，并讨论使用一致有效推断程序的代价与收益。基于正则化、机器学习或 nuisance 模型的初步模型选择阶段的朴素估计策略，其有限样本分布不能被其渐近分布很好地近似。为解决这一严重问题，文献中提出了在一系列数据生成机制上分布一致收敛的估计量。为在高维情形下获得一致有效结果，通常需要对 nuisance 模型施加稀疏性条件，尽管存在双重鲁棒性性质，即若其中一个 nuisance 模型更稀疏，则另一个 nuisance 模型可被允许较不稀疏。尽管一致有效推断是极受青睐的性质，一致有效程序在变异性膨胀方面付出了高昂代价。我们对这一困境的讨论通过对双选择结果回归估计量的研究加以说明，我们证明其是一致渐近无偏的，但在所进行的数值实验中变异性小于一致有效估计量。
引用
@article{arxiv.2105.02071,
title = {The costs and benefits of uniformly valid causal inference with high-dimensional nuisance parameters},
author = {Niloofar Moosavi and Jenny Häggström and Xavier de Luna},
journal= {arXiv preprint arXiv:2105.02071},
year = {2025}
}