.png){kind=icon}
返回
Augmented balancing weights as linear regression
.png){kind=icon}
OA
AI
DOI：10.1093/jrsssb/qkaf019.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提供了一种对增强平衡权重（也称为自动去偏机器学习）的新颖表征。这些流行的双重鲁棒估计量结合了结果建模与平衡权重——即那些直接实现协变量平衡而非通过估计和逆倾向得分的权重。当结果模型和加权模型在某个（可能是无限的）基上均为线性时，我们证明增强估计量等价于一个系数结合了原始结果模型系数与未惩罚普通最小二乘（OLS）系数的单一线性模型。在特定的正则化参数选择下，增强估计量实际上退化为仅使用OLS估计量。随后，我们将这些结果扩展到特定的结果和加权模型中。首先，我们证明使用（核）岭回归进行结果和加权模型的增强估计量等价于一个单一下平滑（核）岭回归——暗示了对下平滑的一种新颖分析。当加权模型采用lasso惩罚时，我们展示了熟悉的“双重选择”特性。我们的框架揭示了这一日益流行的估计量类别的黑箱，弥合了关于下平滑和双重鲁棒估计量的半参数效率现有结果之间的差距，并为增强平衡权重的性能提供了新的见解。
Keyword:
balancing weights
debiased machine learning
doubly robust estimation
undersmoothing
期刊
J
IF:
3.6
论文数:
1.5K
被引数:
3.2W
机构
引用论文
分享收藏Soft calibration for selection bias problems under mixed-effects models混合效应模型下选择偏倚问题的软校准.png)
BiometrikaOAAI
BiometrikaIF0
OAAI分享收藏HIGH-DIMENSIONAL ASYMPTOTICS OF PREDICTION: RIDGE REGRESSION AND CLASSIFICATIONANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏Model-free approach to quantifying the proportion of treatment effect explained by a surrogate markerBiometrikaOAAI
BiometrikaIF0
OAAI分享收藏分享收藏
查看更多内容