One-step TMLE for weighted average treatment effects
加权平均处理效应的一步目标最大似然估计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：摘要直接研究平均处理效应、已处理人群效应及重叠目标的 TMLE 与因果估计效率。
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…
加权平均处理效应的一步目标最大似然估计
- 研究问题
- 对于依赖倾向得分加权的平均处理效应，一步 TMLE 的目标更新何时定义良好、能够求解估计方程并达到渐近效率？
- 方法与思路
- 作者沿通用最不利路径分析一步 TMLE，对权重函数与初始估计施加明确正则条件，并据此研究更新动力学与二阶余项。
- 材料陈述的贡献
- 摘要称，所给条件可推出目标更新在有限时间内求解估计方程及估计量的渐近效率，无需另行假定输出具有这些性质。
- 阅读关注点
- 应核对权重函数与初始化条件，检查更新路径的收敛机制、二阶余项控制，以及不同加权目标所需的倾向得分边界条件。
- 阅读边界
- 本资料为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出具体正则条件与实现细节，不能判断任意初始化是否适用。
原文摘要
We consider Targeted Maximum Likelihood Estimation (TMLE) of weighted average treatment effects (WATEs), a class of causal estimands that reweight the covariate distribution using a specified function of the propensity score. This class includes the average treatment effect and average treatment effect on the treated, as well as various overlap-based targets. We provide a comprehensive analysis of the one-step TMLE along the universal least favorable path for such parameters. Under explicit regularity conditions on the weight function and initialization, we show that the targeting procedure is well-defined, reaches a solution of the estimating equation in finite time, and yields an asymptotically efficient estimator. In particular, convergence of the targeting dynamics and control of the second-order remainder are derived from these conditions rather than imposed as separate assumptions on the output of the algorithm.