ترجمه فارسی مقاله برآوردگرهای غیر پلاک می توانند از برآوردگرهای پلاگین بهتر عمل کنند: یک یادداشت احتیاط آمیز و تشخیص

چکیده

Objectives: Highly flexible nonparametric estimators have gained popularity in causal inference and epidemiology. Popular examples of such estimators include targeted maximum likelihood estimators (TMLE) and double machine learning (DML). TMLE is often argued or suggested to be better than DML estimators and several other estimators in small to moderate samples — even if they share the same large-sample properties — because TMLE is a plug-in estimator and respects the known bounds on the parameter, while other estimators might fall outside the known bounds and yield absurd estimates. However, this argument is not a rigorously proven result and may fail in certain cases. Methods: In a carefully chosen simulation setting, I compare the performance of several versions of TMLE and DML estimators of the average treatment effect among treated in small to moderate samples. Results: In this simulation setting, DML estimators outperforms some versions of TMLE in small samples. TMLE fluctuations are unstable, and hence empirically checking the magnitude of the TMLE fluctuation might alert cases where TMLE might perform poorly. Conclusions: As a plug-in estimator, TMLE is not guaranteed to outperform non-plug-in counterparts such as DML estimators in small samples. Checking the fluctuation magnitude might be a useful diagnosis for TMLE. More rigorous theoretical justification is needed to understand and compare the finite-sample performance of these highly flexible estimators in general.

چکیده به فارسی (ترجمه ماشینی)

اهداف: برآوردگرهای غیر پارامتری بسیار انعطاف پذیر در استنباط علیت و اپیدمیولوژی محبوبیت پیدا کرده اند.نمونه های محبوب چنین برآوردها شامل برآوردگرهای حداکثر احتمال هدفمند (TMLE) و یادگیری ماشین دوتایی (DML) است.TMLE اغلب مطرح می شود یا پیشنهاد می شود که بهتر از برآوردگرهای DML و چندین برآوردگر دیگر در نمونه های کوچک تا متوسط-حتی اگر آنها دارای ویژگی های نمونه بزرگ یکسان باشند-زیرا TMLE یک برآوردگر پلاگین است و به مرزهای شناخته شده در آن احترام می گذاردپارامتر ، در حالی که برآوردگرهای دیگر ممکن است در خارج از مرزهای شناخته شده قرار بگیرند و برآوردهای پوچ داشته باشند.با این حال ، این استدلال نتیجه ای کاملاً اثبات شده نیست و ممکن است در موارد خاص شکست بخورد.مواد و روش ها: در یک تنظیم شبیه سازی با دقت انتخاب شده ، من عملکرد چندین نسخه از برآوردگرهای TMLE و DML از میانگین اثر درمانی را در بین نمونه های کوچک و متوسط ​​مقایسه می کنم.یافته ها: در این تنظیم شبیه سازی ، برآوردگرهای DML از برخی نسخه های TMLE در نمونه های کوچک بهتر عمل می کنند.نوسانات TMLE ناپایدار است و از این رو به طور تجربی بررسی بزرگی نوسانات TMLE ممکن است مواردی را که ممکن است TMLE ممکن است عملکرد ضعیفی داشته باشد ، هشدار دهد.نتیجه گیری: به عنوان یک برآوردگر افزونه ، TMLE تضمین نمی شود که از همتایان غیر بسته بندی مانند برآوردگرهای DML در نمونه های کوچک بهتر عمل کند.بررسی میزان نوسان ممکن است یک تشخیص مفید برای TMLE باشد.برای درک و مقایسه عملکرد نمونه محدود این برآوردگرهای بسیار انعطاف پذیر به طور کلی ، توجیه نظری دقیق تری لازم است.