Constructing targeted minimum loss/maximum likelihood estimators: a simple illustration to build intuition
构造目标最小损失／最大似然估计量：建立直觉的简单示例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：摘要明确围绕因果目标量、机器学习辅助函数和TMLE构造展开。
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…
构造目标最小损失／最大似然估计量：建立直觉的简单示例
- 研究问题
- 在因果推断中使用机器学习估计辅助函数时，如何从目标量与有效影响函数出发，直观理解并构造TMLE？
- 方法与思路
- 作者以面向应用读者的示例说明TMLE构造，将因果问题对应的统计目标量、有效影响函数与目标化估计联系起来。
- 材料陈述的贡献
- 摘要将本文定位为配套说明信件，补充已有的一步估计量介绍，为应用读者提供更易理解的TMLE构造示范。
- 阅读关注点
- 应核对示例的目标量、有效影响函数、初始估计与更新步骤，并查看机器学习辅助估计支持有效推断所需的条件。
- 阅读边界
- 这是arXiv预印本，不能据此声称已经同行评审或接收。摘要未给出示例细节，也未声称提出新的普适有效性定理。
原文摘要
Use of machine learning to estimate nuisance functions (e.g. outcomes models, propensity score models) in estimators used in causal inference is increasingly common, as it can mitigate bias due to model misspecification. However, it can be challenging to achieve valid inference (e.g., estimate valid confidence intervals). The efficient influence function (EIF) provides a recipe to go from a statistical estimand relevant to our causal question, to an estimator that can validly incorporate machine learning. Our companion paper, Renson et al. 2025 (arXiv:2502.05363), provides a thorough but approachable description of the EIF, along with a guide through the steps to go from a unique statistical estimand to development of one type of EIF-based estimator, the so-called one-step estimator. Another commonly used estimator based on the EIF is the targeted maximum likelihood/minimum loss estimator (TMLE). Construction of TMLEs is well-discussed in the statistical literature, but there remains a gap in translation to a more applied audience. In this letter, which supplements Renson et al., we provide a more accessible illustration of how to construct a TMLE.