Targeted Highly Adaptive Lasso Minimum Loss Estimation of Target Functions
目标函数的目标化高度自适应Lasso最小损失估计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：摘要以剂量反应曲线这一因果推断中的函数型参数为估计目标，并采用TMLE框架，故归入因果推断方向。
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…
目标函数的目标化高度自适应Lasso最小损失估计
- 研究问题
- 摘要称，研究如何对非路径可微的函数型参数（如连续暴露的剂量反应曲线）进行估计与推断，且不依赖筛设定或参数假设。
- 方法与思路
- 作者提出目标化高度自适应Lasso：假设目标函数属于第k阶光滑类，用第k阶样条基的线性张成逼近，将真实目标函数投影到有限维工作模型上，得到路径可微的近似，再以数据自适应初始拟合执行标准TMLE，用HAL样条基上的LASSO步骤替代MLE目标化步骤。
- 材料陈述的贡献
- 摘要称证明了所得目标化HAL-MLE逐点渐近正态，收敛速率仅由目标函数的维数与光滑度决定，在忽略logn因子意义下达到无维数速率；剂量反应曲线的模拟显示其在偏差与均方误差上优于HAL插入估计量。
- 阅读关注点
- 应核对：第k阶光滑类与样条基逼近的具体假设、投影与路径可微近似的构造细节、渐近正态与收敛速率定理的条件、模拟设定中真实剂量反应曲线与样本量、以及比较是否仅限HAL插入估计量。
- 阅读边界
- 仅凭摘要无法判断定理条件是否现实、有限样本表现、模拟设计是否覆盖复杂情形，也无法确认与其它估计量的比较；摘要未说明真实数据应用与软件实现。
原文摘要
We propose a Targeted Highly Adaptive Lasso for estimation of non-pathwise differentiable functional parameters such as the dose-response curve (DRC) for continuous exposure. We assume the target function lies in the $k$-th order smoothness class used to define the $k$-th order Highly Adaptive Lasso (HAL), which can be well approximated by linear spans of $k$-th order spline basis functions. We construct a projection of the true target function onto a large finite dimensional working model spanned by an initial set of $k$-th order spline basis functions, which defines a pathwise differentiable approximation of the target functional parameter. A standard TMLE is then applied with a data-adaptive initial fit, replacing the MLE targeting step with a LASSO step over HAL spline basis functions that span the target function. We prove that the resulting Targeted HAL-MLE is pointwise asymptotically normally distributed and achieves a convergence rate determined solely by the dimension and smoothness of the target function, giving dimension free rates up till $\log n$-factors. Through a simulation study for the DRC, we show that the Targeted HAL outperforms a HAL plug-in estimator in terms of bias and mean squared error. Targeted HAL offers a fully data-adaptive approach to inference on functional parameters without requiring sieve specification or parametric assumptions.