Performance of augmented inverse probability weighting estimation for high-dimensional data
Bibliographic record
Abstract
Les estimateurs doublement robustes ont été largement utilisés pour estimer l'effet du traitement, parce que ils sont sans biais lorsque le modèle de régression du résultat ou le modèle de score de propension est correctement spécifié. Aujourd'hui quand le dimension de données augmente, on sait peu la performance de ces méthodes dans les données en haute dimension. Dans cette thèse, nous avons cherché à exam- iner la performance d'un estimateur doublement robuste: la pondération par probabilité inverse augmentée (AIPW) dans ces données. Plusieurs études de simulation de Monte Carlo ont été menes, et l'effet du traitement a été estimé quand les modèles sont correctement spécifiés ou incorrectement spécifiés. Les résultats de la simulation ont montré que l'estimation du score de propension était difficile en haute dimension. Des méthodes avancées devraient être utilisées pour estimer le score de propension et éliminer les déséquilibres. Nous avons également étudié plus l'algorithme de score de propension en haute dimensionnel, une méthode de sélection de variables pour l'ajustement de confusion dans les donnes en haute dimension. Nous avons intégré cet algorithme dans le processus d'estimation et avons exploré la valeur optimale du nombre de variables à ajuster. Enfin, nous avons présenté une étude de simulation de plasmode basée sur des données relles de Clinical Practice Research Datalink, qui étudie l'effet de l'utilisation de statines sur la mortalité d'un an.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.056 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".