Investigating Targeting Strategies and Truncation in TMLE for the Average Treatment Effect under Practical Positivity Violations
实际正值性违背下平均处理效应 TMLE 的目标化策略与截断研究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：摘要直接研究观测数据平均处理效应、正值性违背和 TMLE 的估计推断，明确属于因果推断方法方向。
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…
实际正值性违背下平均处理效应 TMLE 的目标化策略与截断研究
- 研究问题
- 观测数据存在实际正值性压力时，不同 TMLE 目标化策略与截断水平如何影响平均处理效应估计的偏差、方差和稳定性？
- 方法与思路
- 作者通过模拟改变结果回归误设与正值性压力，比较目标化和截断策略，并提出带制动机制的 Lepski 型自适应截断。
- 材料陈述的贡献
- 摘要称，损失加权目标化可能产生系统偏差，截断不足会导致不稳定；部分固定规则、改进自适应截断及目标化自助法表现较稳健。
- 阅读关注点
- 应核对两种目标化的实现差别、截断规则的适用样本范围、制动机制及方差估计，并检查模拟覆盖哪些重叠不足情形。
- 阅读边界
- 仅据 arXiv 预印本摘要，同行评审或期刊接收未核实；所报默认截断来自特定模拟，不能推定为所有样本与数据机制的最优选择。
原文摘要
Estimating average treatment effects from observational data is challenging under practical violations of the positivity assumption. Targeted Maximum Likelihood Estimators (TMLEs) are widely used because of their double robustness and efficiency, but they can remain sensitive to such violations. We conduct extensive simulation studies to examine how targeting strategies and truncation levels affect TMLE performance under varying degrees of outcome regression misspecification and practical positivity stress. We show that loss-weighted targeting can induce substantial systematic bias relative to clever-covariate-scaled targeting, while insufficient truncation for clever-covariate-scaled targeting leads to inflated variance and unstable estimation. We further find that fixed truncation rules of the form c/(sqrt(n) log n), especially with c = 5 or c = 6, provide robust practical defaults in many settings, although the optimal choice varies with sample size. Motivated by the limitations of standard Lepski selection, we propose a Lepski-type adaptive truncation procedure with a brake mechanism that improves stability in data-adaptive tuning. We also compare variance estimators and find that targeted bootstrap variance estimation provides a stable alternative across truncation levels.