Inferencia asistida por modelos de alta dimensión para los efectos del tratamiento con tratamientos multivalores

Área de la Ciencia:

• Las estadísticas
• Inferencia causal
• Las economías

Sus antecedentes:

• La estimación de los efectos promedio del tratamiento (ATE) con tratamientos de múltiples valores en entornos de alta dimensión presenta desafíos.
• Los métodos existentes que utilizan estimadores ponderados por probabilidad inversa aumentada (IPW) a menudo luchan con el ajuste separado de los modelos de puntuación de propensión y regresión de resultados.
• La estimación regularizada basada en la probabilidad puede dar lugar a dificultades en la inferencia posterior de los parámetros del tratamiento.

Objetivo del estudio:

• Desarrollar un nuevo marco de estimación calibrado regularizado para los modelos de propensión de puntuación y regresión de resultados.
• Asegurar intervalos de confianza válidos bajo una posible especificación errónea del modelo.
• Generalizar el estimador aumentado de IPW para tratamientos de valores múltiples y lograr el equilibrio de las covariantes.

Principales métodos:

• El uso de la escasez, incluidas las sanciones por selección variable en entornos de alta dimensión.
• Utilizando funciones de pérdida cuidadosamente elegidas para una inferencia estadística válida.
• Generalización del estimador IPW aumentado con nuevas ecuaciones de calibración para la identificación justa.
• Desarrollo de algoritmos prácticos utilizando las puntuaciones de grupo de Lasso y Fisher para el cálculo.
• Proporcionar un análisis riguroso de alta dimensión en condiciones de escasez.

Principales resultados:

• La estimación calibrada regularizada propuesta facilita la selección de la variable al tiempo que garantiza intervalos de confianza válidos.
• El estimador IPW aumentado generalizado logra una identificación justa y un equilibrio de covariantes.
• El análisis teórico riguroso confirma la validez de los estimadores bajo la escasez.
• Los estudios de simulación y una aplicación empírica demuestran la utilidad práctica de los métodos.

Conclusiones:

• La estimación calibrada regularizada ofrece un enfoque sólido para la estimación de ATE con tratamientos de múltiples valores en datos de alta dimensión.
• Los métodos desarrollados abordan las limitaciones de las técnicas existentes, en particular en lo que respecta a la errónea especificación y inferencia del modelo.
• El paquete R mRCAL proporciona una aplicación práctica para los investigadores.