Model-Assisted Uniformly Honest Inference for Optimal Treatment Regimes in High Dimension
高维最优治疗规则的模型辅助一致诚实推断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。
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：摘要直接研究最优治疗规则及治疗与协变量交互的推断，与因果决策和治疗效应分析相关。
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…
高维最优治疗规则的模型辅助一致诚实推断
- 研究问题
- 在高维最优治疗决策中，如何判断一组协变量是否与决策规则有关，并在变量测量成本存在时量化相关不确定性？
- 方法与思路
- 作者使用未知连接函数的半参数框架，分析非凸估计的局部稀疏解，并对去偏解实施 wild bootstrap 同时推断。
- 材料陈述的贡献
- 摘要称局部解可达到近预言机误差界，bootstrap 可提供渐近一致诚实推断，无需完美变量选择或零与非零效应分离。
- 阅读关注点
- 核对治疗规则的识别条件、一致诚实性覆盖的参数集合、局部解可行性，以及组变量效应与决策相关性的定义。
- 阅读边界
- 摘要未列出因果识别假设、覆盖均匀性的范围及具体误差界，不能据此认定任意高维治疗规则均适用。来源为版本未注明的 OpenAlex 索引摘要，刊本变化未知。
原文摘要
This article develops new tools to quantify uncertainty in optimal decision making and to gain insight into which variables one should collect information about given the potential cost of measuring a large number of variables. We investigate simultaneous inference to determine if a group of variables is relevant for estimating an optimal decision rule in a high-dimensional semiparametric framework. The unknown link function permits flexible modeling of the interactions between the treatment and the covariates, but leads to nonconvex estimation in high dimension and imposes significant challenges for inference. We first establish that a local restricted strong convexity condition holds with high probability and that any feasible local sparse solution of the estimation problem can achieve the near-oracle estimation error bound. We further rigorously verify that a wild bootstrap procedure based on a debiased version of the local solution can provide asymptotically honest uniform inference for the effect of a group of variables on optimal decision making. The advantage of honest inference is that it does not require the initial estimator to achieve perfect model selection and does not require the zero and nonzero effects to be well-separated. We also propose an efficient algorithm for estimation. Our simulations suggest satisfactory performance. An example from a diabetes study illustrates the real application. Supplementary materials for this article are available online.