Non-Plug-In Estimators Could Outperform Plug-In Estimators: a Cautionary Note and a Diagnosis
非代入估计量可能优于代入估计量：警示与诊断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：摘要直接比较处理组平均处理效应的 TMLE 与 DML 估计。
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
非代入估计量可能优于代入估计量：警示与诊断
- 研究问题
- 在小到中等样本中，代入估计量遵守参数边界这一性质，是否足以保证 TMLE 优于 DML 等非代入估计方法？
- 方法与思路
- 作者在特定模拟设定下比较多个 TMLE 与 DML 版本对处理组平均处理效应的估计，并检查 TMLE 波动更新幅度。
- 材料陈述的贡献
- 摘要称部分 TMLE 版本在小样本中不及 DML，波动更新不稳定可作为警示，参数边界约束不能保证有限样本优势。
- 阅读关注点
- 应核对模拟为何产生不稳定更新、各估计量的实现与调参是否可比，以及更新幅度诊断是否有可操作的判断标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要仅提供特定模拟反例，不能据此认定 DML 在一般情形下更优。
原文摘要
Objectives: Highly flexible nonparametric estimators have gained popularity in causal inference and epidemiology. Popular examples of such estimators include targeted maximum likelihood estimators (TMLE) and double machine learning (DML). TMLE is often argued or suggested to be better than DML estimators and several other estimators in small to moderate samples -- even if they share the same large-sample properties -- because TMLE is a plug-in estimator and respects the known bounds on the parameter, while other estimators might fall outside the known bounds and yield absurd estimates. However, this argument is not a rigorously proven result and may fail in certain cases. Methods: In a carefully chosen simulation setting, I compare the performance of several versions of TMLE and DML estimators of the average treatment effect among treated in small to moderate samples. Results: In this simulation setting, DML estimators outperforms some versions of TMLE in small samples. TMLE fluctuations are unstable, and hence empirically checking the magnitude of the TMLE fluctuation might alert cases where TMLE might perform poorly. Conclusions: As a plug-in estimator, TMLE is not guaranteed to outperform non-plug-in counterparts such as DML estimators in small samples. Checking the fluctuation magnitude might be a useful diagnosis for TMLE. More rigorous theoretical justification is needed to understand and compare the finite-sample performance of these highly flexible estimators in general.