Inference in Marginal Structural Models by Automatic Targeted Bayesian and Minimum Loss-Based Estimation
边际结构模型中的自动化目标贝叶斯与目标最小损失估计推断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：摘要明确围绕因果处理效应、边际结构模型及其半参数推断展开。
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…
关注这篇论文的作者
边际结构模型中的自动化目标贝叶斯与目标最小损失估计推断
- 研究问题
- 当高维因果目标参数需要用低维边际结构模型概括时，如何对模型参数开展有效率的频率学派与贝叶斯推断？
- 方法与思路
- 作者推导一般情形下的半参数效率界，构造目标最小损失估计与目标贝叶斯估计，并用自动微分实现通用算法。
- 材料陈述的贡献
- 摘要称频率学派估计达到效率界，并给出贝叶斯估计的 Bernstein–von Mises 型结果、Julia 实现及马拉维实验应用。
- 阅读关注点
- 应核对工作模型如何定义目标参数、效率界与后验渐近结果的条件，以及自动微分算法如何适配具体数据结构。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明识别、收敛与正则条件，也未给出应用中的效应数值。
原文摘要
Two of the principle tasks of causal inference are to define and estimate the effect of a treatment on an outcome of interest. Formally, such treatment effects are defined as a possibly functional summary of the data generating distribution, and are referred to as target parameters. Estimation of the target parameter can be difficult, especially when it is high-dimensional. Marginal Structural Models (MSMs) provide a way to summarize such target parameters in terms of a lower dimensional working model. We introduce the semi-parametric efficiency bound for estimating MSM parameters in a general setting. We then present a frequentist estimator that achieves this bound based on Targeted Minimum Loss-Based Estimation. Our results are derived in a general context, and can be easily adapted to specific data structures and target parameters. We then describe a novel targeted Bayesian estimator and provide a Bernstein von-Mises type result analyzing its asymptotic behavior. We propose a universal algorithm that uses automatic differentiation to put the estimator into practice for arbitrary choice of working model. The frequentist and Bayesian estimators have been implemented in the Julia software package TargetedMSM.jl. Finally, we illustrate our proposed methods by investigating the effect of interventions on family planning behavior using data from a randomized field experiment conducted in Malawi.