Dec, 2011

高维控制组筛选后的治疗效应推断

PDF
TL;DR本研究提出了一种名为 “后双重选择” 的新型估计方法和统一的有效推断方法，用于控制干扰因素对治疗效果的影响。该方法相对于标准后模型选择估计器的优点在于它允许控制点的不完美选择，并提供跨模型的有效置信区间。
partially linear modelsparse modelpost-double-selection methoduniformly valid inferencelasso-type methods
发现论文，激发创造
  • 精确的后选择推断，以套索为例应用

    我们提出了一种通用的模型选择后有效推断方法，通过一个结果对选择事件条件下的后选估计分布进行刻画，并将其专门应用于基于套索算法的模型选择中，形成了有效的系数置信区间，并测试了是否已将所有相关变量包含在模型中。

    Nov, 2013

  • 高维下近似残差平衡：无偏基础下的平均处理效应推断

    本文提出了一种修正方法，使得套索法等稀疏回归方法可以用于高维线性模型的 sqrt {n}- 一致推断，而无需额外假设述评分数的可估计性，仅需要假设存在交集，即积分比例得分从 0 和 1 足够远。

    Apr, 2016

  • 随机实验中的高维回归调整

    本文提出了一种用于高维协变量信息下随机实验治疗效果估计的风险一致回归调整的方法，并建议使用交叉估计方法来获得有限样本无偏的治疗效果估计，最后对自适应规范搜索和机器学习方法如随机森林或神经网络等进行了拓展分析。

    Jul, 2016

  • 高维数据的程序评估和因果推论

    本文提供了针对丰富的数据环境中的各种处理效应，包括局部平均处理效应（LATE）和局部分位数处理效应（LQTE）的高效估计量和诚实置信区间。 我们的框架涵盖了处理的内生接收，异质性处理效应和函数值结果等特殊情况。

    Nov, 2013

  • 模型选择后的最优推断

    该研究提出一种控制选择性 I 型错误的方法，以恢复经典情境下适用的选定假设的长期频率性质，推导出一些用于指数家族模型的最强无偏选择性检验和置信区间以及线性回归模型的新型选择性 z 和 t 检验。

    Oct, 2014

  • Lasso 方法下的高维图表与变量筛选

    该文介绍了如何使用 lasso 算法来进行高维稀疏图的协方差无关估计，实现了变量选择，并控制了图中误连接不同的连通分量的概率，最终实现了稀疏图的一致性估计。

    Aug, 2006

  • 广义线性模型中未测混淆因素的同时推断

    基因组研究中的假设检验问题，针对多元广义线性模型中的混淆效应，提出了一种统一的估计和推断框架，能够控制假阳性率，并且比替代方法更强大。

    Sep, 2023

  • 稀疏模型与方法在最优仪器中的应用，以征收优先权为例

    使用 Lasso 和 Post-Lasso 方法来形成第一阶段的预测和估计线性工具变量（IV）模型中的最佳仪器，在有很多仪器，p 时（甚至远远大于样本量，n），展示了 IV 估计器可以基于使用 Lasso 或 Post-Lasso 作为第一阶段，并在第一阶段大致稀疏时是根 - n 一致和渐近正常的，同时也表明了估计器在结构误差是同方差和模型选择不完美时是半参数有效的。

    Oct, 2010

  • 因果潜在因子模型中的双重稳健推断

    提出了一种在现代数据丰富的环境中估计未观察到的混杂影响下的平均处理效应的新框架，该框架具有大量的单位和结果。该提出的估计器具有双重鲁棒性，结合了结果填充、逆概率加权和用于矩阵补全的新型交叉拟合程序。我们推导出有限样本和渐近保证，并且证明新估计器的误差以参数速率收敛到均值为零的高斯分布。模拟结果显示本文分析的估计器的形式性质的实际相关性。

    Feb, 2024

  • 基于三重 / 无偏 Lasso 的条件平均处理效应的统计推断

    研究调查了特定个体因果效应的度量 —— 条件平均处理效应（CATE）的估计和统计推断方法，使用线性模型定义 CATE 为这些线性模型的预期结果之间的差异，并通过高维线性回归方法进行一致性估计和统计推断，进一步使用双重 / 无偏机器学习（DML）和无偏 Lasso 技术减小偏差，通过模拟研究验证了方法的有效性。

    Mar, 2024