Cross-Fitted Survey-Weighted TMLE with Design-Based Variance for Causal Machine Learning
具有设计型方差的交叉拟合调查加权 TMLEAI 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：摘要以复杂调查中的总体平均处理效应和调查加权 TMLE 为研究对象，直接属于因果推断。
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…
关注这篇论文的作者
具有设计型方差的交叉拟合调查加权 TMLE
- 研究问题
- 在分层多阶段抽样中，使用灵活机器学习估计总体平均处理效应时，如何让调查加权 TMLE 的区间推断保持有效？
- 方法与思路
- 作者按初级抽样单位实施簇级交叉拟合，并以影响函数的泰勒线性化计算设计型方差，在假定干扰函数乘积收敛率下分析理论。
- 材料陈述的贡献
- 摘要称，所设条件下可证明渐近正态性及方差的设计一致性；模拟显示簇级交叉拟合改善覆盖率，内部交叉验证不能替代它。
- 阅读关注点
- 应核对簇级样本分割、抽样权重和线性化细节，重点检查乘积收敛率假设、初级抽样单位数量及模拟结论的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；乘积收敛率是作者假设，覆盖率结论限于所评估设计和学习器。
原文摘要
Cross-fitting is not a refinement of survey-weighted causal machine learning but, once the nuisances are flexible, what restores valid inference. We study the population average treatment effect under a stratified multistage design, estimated by a survey-aware targeted maximum likelihood estimator (TMLE) whose variance is obtained by Taylor-series linearization of the influence function, treating the primary sampling unit as the replication unit. Our central result is that this validity turns on cross-fitting at the cluster level: sufficiency is established in theory, and the failure without it is shown in simulation. Once flexible learners cross a complexity (Donsker) boundary, single-fit survey TMLE can severely under-cover, and internal cluster-aware cross-validation does not substitute for cross-fitting; among the estimators we evaluate, only out-of-fold fitting at the cluster level restores valid coverage. In simulations spanning a many-PSU and an NHANES-like design, on a diverse ensemble the single-fit and internal cross-validation estimators cover at about 0.89-0.91 and 0.85-0.88 while the cross-fitted estimator holds at 0.93-0.95, and an aggressively grown learner drives single-fit coverage to 0.18-0.22. Two scope choices are deliberate: survey-weighted point estimation is prior work, and the nuisance product-rate condition is assumed and probed empirically. Within these conditions we prove asymptotic normality and design-consistency of the linearization variance. Four NHANES analyses and open-source software illustrate the method.