ترجمه فارسی مقاله به سوی یک نظریه یکپارچه برای ترکیب داده های نیمه پارامتریک با داده های سطح فردی

چکیده

We address the goal of conducting inference about a smooth finite-dimensional parameter by utilizing individual-level data from various independent sources. Recent advancements have led to the development of a comprehensive theory capable of handling scenarios where different data sources align with, possibly distinct subsets of, conditional distributions of a single factorization of the joint target distribution. While this theory proves effective in many significant contexts, it falls short in certain common data fusion problems, such as two-sample instrumental variable analysis, settings that integrate data from epidemiological studies with diverse designs (e.g., prospective cohorts and retrospective case-control studies), and studies with variables prone to measurement error that are supplemented by validation studies. In this paper, we extend the aforementioned comprehensive theory to allow for the fusion of individual-level data from sources aligned with conditional distributions that do not correspond to a single factorization of the target distribution. Assuming conditional and marginal distribution alignments, we provide universal results that characterize the class of all influence functions of regular asymptotically linear estimators and the efficient influence function of any pathwise differentiable parameter, irrespective of the number of data sources, the specific parameter of interest, or the statistical model for the target distribution. This theory paves the way for machine-learning debiased, semiparametric efficient estimation.

چکیده به فارسی (ترجمه ماشینی)

ما با استفاده از داده های سطح فردی از منابع مختلف مستقل ، به هدف انجام استنباط در مورد یک پارامتر محدود ابعاد محدود می پردازیم.پیشرفت های اخیر منجر به توسعه یک تئوری جامع شده است که قادر به دستیابی به سناریوهایی است که در آن منابع داده های مختلف با زیر مجموعه های احتمالاً مجزا ، توزیع مشروط یک عامل واحد از توزیع هدف مشترک هماهنگ هستند.در حالی که این تئوری در بسیاری از زمینه های مهم مؤثر است ، در برخی از مشکلات همجوشی داده های مشترک ، مانند تجزیه و تحلیل متغیر ابزاری دو نمونه ای ، تنظیماتی که داده ها را از مطالعات اپیدمیولوژیک با طرح های متنوع ادغام می کند (به عنوان مثال ، گروه های آینده نگر و مطالعات گذشته نگر کنترل موردی ، کوتاه است.) ، و مطالعات با متغیرهای مستعد خطای اندازه گیری که توسط مطالعات اعتبار سنجی تکمیل می شوند.در این مقاله ، ما تئوری جامع فوق الذکر را گسترش می دهیم تا ادغام داده های سطح فردی از منابع تراز شده با توزیع های مشروط که با یک عامل واحد توزیع هدف مطابقت ندارد ، امکان پذیر شود.با فرض ترازهای توزیع مشروط و حاشیه ای ، ما نتایج جهانی را ارائه می دهیم که کلاس کلیه توابع تأثیرگذاری برآوردگرهای بدون علامت خطی و عملکرد تأثیر کارآمد هر پارامتر متفاوت مسیر را مشخص می کند ، صرف نظر از تعداد منابع داده ، پارامتر خاص علاقه یا یامدل آماری برای توزیع هدف.این تئوری راه را برای برآورد کارآمد و کارآمد نیمه کارآیی ماشین آلات ، هموار می کند.