Debiased Machine Learning for Count Data: a Partially Linear Poisson Model Based on Neural Networks
计数数据的去偏机器学习：基于神经网络的部分线性 Poisson 模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究二元处理对计数结局的效应，并以正交得分和交叉拟合进行处理效应推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
计数数据的去偏机器学习：基于神经网络的部分线性 Poisson 模型
- 研究问题
- 面对计数结局与复杂协变量，如何在部分线性 Poisson 模型中估计二元处理效应，并降低灵活学习辅助函数带来的推断偏差？
- 方法与思路
- 作者用神经网络估计辅助函数，结合 Neyman 正交得分与交叉拟合构造 DML 估计量，并推导方差估计和 Wald 区间。
- 材料陈述的贡献
- 摘要称估计量在正则条件下渐近正态，模拟中多数设定改善偏差与均方根误差；还提供 R 包及合成 HIV 队列应用。
- 阅读关注点
- 应核对处理效应的识别条件、Poisson 模型限制及 root-$n$ 收敛条件，并检查模拟基准、区间覆盖和合成队列的构造。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已同行评审或期刊接收。摘要未列明正则条件；应用使用合成数据，不能视为真实临床效果证据。
原文摘要
We develop a novel debiased machine learning (DML) estimator to analyze count data, which are common in clinical or biomedical studies. Specifically, we estimate the effect of a binary treatment on count outcomes using a partially linear Poisson model. A key advantage of this model is that it represents the complex covariate structure through a nuisance function, which is estimated flexibly using neural networks. We use a Neyman-orthogonal score function to construct the estimator, reducing its sensitivity to errors in estimating the nuisance function. Cross-fitting is used to mitigate overfitting bias in neural networks. Under mild regularity conditions, this DML estimator is asymptotically normal with root-$n$ convergence. We derive a closed-form variance estimator and construct a Wald confidence interval for the treatment effect. Extensive simulations demonstrate that the proposed estimator reduces bias and root mean square error compared with the generalized linear model and the augmented inverse probability weighting (AIPW) estimator in most settings, while achieving a coverage probability near the nominal level. The proposed procedure is implemented in the R package $\texttt{PoissonDML}$. We apply our approach to a synthetic HIV cohort data to investigate the effect of treatment on AIDS-defining event counts of 7,141 analyzed patients. Our approach provides practical and valid estimation and inference for treatment effects under the partially linear Poisson model while combining modern machine learning methods to estimate complex covariate structures.