Pulling back the curtain: the road from statistical estimand to machine-learning based estimator for epidemiologists (no wizard required)
从统计目标量到机器学习估计量：面向流行病学研究者的推导指南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：摘要以依赖机器学习的因果推断为背景，讲解有效影响函数与收敛率双重稳健性。
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…
从统计目标量到机器学习估计量：面向流行病学研究者的推导指南
- 研究问题
- 流行病学研究者如何从统计目标量出发理解有效影响函数估计量的构造，并判断引入机器学习后推断有效性的来源？
- 方法与思路
- 作者以代数和基础统计推断结果为主，解释有效影响函数的定义及估计量推导，再通过收敛率双重稳健性展示机器学习的适用性。
- 材料陈述的贡献
- 摘要将论文定位为较易理解的推导指南，连接研究问题、统计参数、影响函数和机器学习估计，而非明确声称提出新的估计理论。
- 阅读关注点
- 应核对示例目标量及统计模型、有效影响函数的推导步骤，以及余项如何决定收敛率双重稳健性和有效推断所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明具体示例参数、完整速率条件或实现细节，不能判断适用于哪些研究设计。
原文摘要
Epidemiologists increasingly use causal inference methods that rely on machine learning, as these approaches can relax unnecessary model specification assumptions. While deriving and studying asymptotic properties of such estimators is a task usually associated with statisticians, it is useful for epidemiologists to understand the steps involved, as epidemiologists are often at the forefront of defining important new research questions and translating them into new parameters to be estimated. In this paper, our goal was to provide a relatively accessible guide through the process of (i) deriving an estimator based on the so-called efficient influence function (which we define and explain), and (ii) showing such an estimator's ability to validly incorporate machine learning, by demonstrating the so-called rate double robustness property. The derivations in this paper rely mainly on algebra and some foundational results from statistical inference, which are explained.