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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Non-Plug-In Estimators Could Outperform Plug-In Estimators: a Cautionary Note and a Diagnosis
عنوان مقاله به فارسی برآوردگرهای غیر پلاک می توانند از برآوردگرهای پلاگین بهتر عمل کنند: یک یادداشت احتیاط آمیز و تشخیص
نویسندگان Hongxiang Qiu
فرمت مقاله انگلیسی PDF
تعداد صفحات 23
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Methodology,روش شناسی ,
توضیحات Submitted 19 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 19 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.