技术摘要：针对目标函数的靶向高适应 Lasso 最小损失估计

1. 问题陈述

本文探讨了估计非路径可微泛函参数（non-pathwise differentiable functional parameters）的统计挑战，特别关注连续暴露下的混杂因素调整剂量-反应曲线（confounder-adjusted Dose-Response Curve, DRC）。DRC 定义为 $\psi_0(a) = E_0[Y(a)]$，代表在特定治疗剂量 $a$ 下的期望结局，并已针对基线协变量 $W$ 进行了调整。

标准的靶向最小损失估计（TMLE）是针对路径可微参数（例如平均治疗效应）的稳健框架。然而，它无法直接扩展到像全量 DRC 函数这样的非路径可微目标。现有的方法，例如插件式高度适应 Lasso 最大似然估计量（plug-in HAL MLE），存在两个主要局限性：

1. 偏差削减效率低下：插件式 HAL-MLE 旨在估计高维条件结局回归 $\bar{Q}_0(A, W)$。为了降低针对低维目标 $\psi_0$ 的偏差，它需要对 $\bar{Q}_0$ 进行全局欠平滑（undersmoothing），这不仅效率低下，还会降低对로 干扰参数（nuisance parameter）的估计质量。
2. 平滑性约束：插件式估计量的收敛速率由高维结局回归 $\bar{Q}_0$ 的平滑度决定。如果 $\bar{Q}_0$ 比较粗糙（例如在 $W$ 上是不连续的），即使目标 DRC $\psi_0$ 是平滑的，插件式估计量也无法达到目标函数的最佳极小极大速率（minimax rate）。

2. 方法论

作者提出了靶向高度适应 Lasso 最小损失估计量（T-HAL-MLE）。该方法通过将干扰参数的平滑性要求与目标函数的平滑性要求解耦，构建了一个能够实现目标函数最优收敛速率的估计量。

核心策略

该方法论在概念上分为三个阶段进行：

1. 筛分构造与投影（Sieve Construction and Projection）：
   该方法并非通过估计完整的无限维 $\bar{Q}_0$ 再进行边缘化，而是为目标函数 $\psi_0$ 引入了一个筛分（即有限维的工作模型）。该工作模型记作 $D^{(k)}(R_\lambda)$，由 $k$ 阶样条基函数生成。真实的 $\psi_0$ 被投影到这个工作模型上，以定义一个路径可微近似 $\Psi_\lambda(P)$。

   • 投影是通过将目标函数投影到样条基函数上并进行 $L_2$ 最小化（由密度 $\omega(a)$ 加权）来定义的。
   • 该投影参数 $\alpha_\lambda(P)$ 是路径可微的，从而允许应用标准的 TMLE 理论。

2. 基于 LASSO 的数据自适应筛分：
   手动构建固定的筛分对于高维目标而言非常困难。作者提出了一种 Targeted HAL-MLE，避免了显式的筛分构造：

   • 首先使用 HAL-MLE 进行初始拟合，得到一个初始的大型工作模型（丰富的基函数集）。
   • 执行一个使用 LASSO（最小绝对收缩和选择算子）而非标准最大似然估计（MLE）的靶向步骤。LASSO 在带有 $L_1$ 范数约束的波动参数 $\epsilon$ 空间内最小化经验风险。
   • 该 LASSO 步骤能自适应地选择目标函数相关的基函数，从而有效地构建出一个稀疏的工作模型 $D^{(k)}(R_{\lambda,n})$，而无需用户预先指定筛分维度或增长率。

3. 理论保证：
   作者证明了所得估计量旨在靶向投影 $\Psi_\lambda(P_0)$，并且在适当的欠平滑处理下（选择随样本量 $n$ 增长的筛分维度 $n(\lambda)$），能够实现相对于真实目标 $\psi_0$ 的渐近正态性。

   • 收敛速率：该估计量实现的收敛速率为 $O_+(n^{-k^*/(2k^*+1)})$，其中 $k^* = k+1$，且 $k$ 是目标函数 $\psi_0$ 的平滑度，而非干扰参数 $\bar{Q}_0$ 的平滑度。这是一个维度无关速率（忽略对数因子）。
   • 渐近正态性：该估计量是逐点渐近正态分布的，从而支持有效的 Wald 型推断和同步置信带。

3. 主要贡献

• 针对非路径可微目标的创新估计量：本文首次为非路径可微泛函参数（如 DRC）提供了一种正式的 TMLE 构建方法，该方法能实现仅由目标平滑度决定的极小极大最优速率。
• 基于 LASSO 的数据自适应筛分：引入了一种通过在 TMLE 框架内使用 LASSO 来避免手动指定筛分的方法。这使得方法能够自适应地选择工作模型的复杂度，在无需用户预设筛分维度的情况下平衡偏差与方差。
• 维度无关速率的理论证明：作者证明了 T-HAL-MLE 实现的收敛速率仅取决于目标函数 $\psi_0$ 的平滑度，即使底层的结局回归 $\bar{Q}_0$ 平滑度较低或具有更高维度。这克服了插件式 HAL 估计量的关键局限。
• 推断有效性：建立了逐点渐近正态性，并为整个函数提供了构建同步置信带的框架。

4. 模拟结果

作者进行了蒙特卡洛模拟研究，将 T-HAL-MLE 与 插件式 HAL-MLE 以及 T-HAL-MLE (Plugin) 变体（该变体执行了靶向步骤但跳过了最终向所选基函数的投影）进行了对比。

• 性能指标：研究评估了在各种数据生成过程（DGP）下的均方根误差（RMSE）、偏差和置信区间覆盖率，包括具有不连续性和高频振荡的数据。
• 偏差削减：与插件式 HAL-MLE 相比，T-HAL-MLE 始终表现出更低的偏差和 RMSE。靶向步骤成功减少了插件式方法中固有的偏差。
• 置信区间：
  • 在均匀治疗分布下，T-HAL-MLE 实现了接近标称值的 95% 覆盖率。
  • 在正态治疗分布下（这会在尾部产生稀疏性），由于在稀疏区域存在残余偏差，T-HAL-MLE 在挑战性设置中（如存在多个不连续点时）出现了覆盖不足的情况。然而，它仍然优于插件式 HAL-MLE，后者表现出较宽的区间和较差的覆盖率。
• 方差：T-HAL-MLE 比插件式 HAL-MLE 产生了更窄的置信区间，因为其方差估计量反映的是低维工作模型的复杂度，而非拟合结局模型的完整复杂度。

5. 重要性与主张

本文声称 T-HAL-MLE 提供了一种用于泛函参数推断的全数据自适应方法，该方法不需要参数假设或手动指定筛分。

• 效率：通过靶向目标函数的投影而非完整的结局回归，该方法避免了全局欠平滑带来的低效。即使目标函数比底层数据生成机制显著平滑，它也能实现最优速率。
• 稳健性：在靶向步骤中使用 LASSO 确保了估计量的截面变差范数（sectional variation norm）得到控制，在选择最相关基函数的同时，保持了渐近正态性所需的条件。
• 局限性：作者承认，与插件式估计量相比，该方法可能对逆概率加权（由于有效影响函数中的 $1/g(A|W)$ 项）更为敏感，这可能会影响在正值性（positivity）违规区域的有限样本稳健性。他们建议未来可以扩展 A-TMLE 或靶向自助法（targeted bootstrap）来解决此问题。

总之，本文为估计复杂的、非路径可微的因果函数建立了一个严谨的理论框架和实用算法，证明了靶向估计可以克服标准插件式非参数方法的局限性。