Comparing TMLE variants: Cross-fit and cross-validated approaches for robust causal effect estimation
Targeted Maximum Likelihood Estimation (TMLE) enables robust causal estimation. We compared variants, single cross-fit (SCTMLE), double cross-fit (DCTMLE), outcome-model cross-validation (CVqTMLE), and full CVTMLE, against vanilla TMLE for ML models beyond the Donsker class. Simulations and a case study evaluated bias, MSE, coverage, and standard error, with and without repeated splitting. All variants were robust. SCTMLE minimized bias but increased relative error. DCTMLE minimized MSE with strong performance. CVqTMLE was balanced. Full CVTMLE excelled in coverage and error estimation. Repeated splitting stabilized results after 25 replicates. We recommend DCTMLE to minimize error, full CVTMLE for precise inference, and CVqTMLE for efficiency. Method choice depends on study goals.
Comparaison des variantes TMLE : approches par ajustement croisé (cross-fit) et validation croisée pour une estimation robuste de l'effet causal
L'estimation par maximum de vraisemblance ciblée (TMLE) permet une estimation causale robuste. Nous avons comparé ses variantes — TMLE à ajustement croisé simple (SCTMLE), double (DCTMLE), validation croisée du modèle de résultat (CVqTMLE) et CVTMLE complet — au TMLE standard pour des modèles d'apprentissage automatique hors de la classe de Donsker. Des simulations et une étude de cas ont évalué le biais, l'erreur quadratique moyenne (MSE), la couverture et l'erreur standard, avec et sans découpage répété de l'échantillon.
Toutes les variantes se sont révélées robustes. Le SCTMLE a minimisé le biais, mais a augmenté l'erreur relative. Le DCTMLE a minimisé la MSE avec une performance solide. Le CVqTMLE s'est montré équilibré. Le CVTMLE complet a excellé dans la couverture et l'estimation de l'erreur. Le découpage répété a stabilisé les résultats après 25 réplications. Nous recommandons le DCTMLE pour minimiser l'erreur, le CVTMLE complet pour une inférence précise, et le CVqTMLE pour l'efficacité. Le choix de la méthode dépend des objectifs de l'étude.
Toutes les variantes se sont révélées robustes. Le SCTMLE a minimisé le biais, mais a augmenté l'erreur relative. Le DCTMLE a minimisé la MSE avec une performance solide. Le CVqTMLE s'est montré équilibré. Le CVTMLE complet a excellé dans la couverture et l'estimation de l'erreur. Le découpage répété a stabilisé les résultats après 25 réplications. Nous recommandons le DCTMLE pour minimiser l'erreur, le CVTMLE complet pour une inférence précise, et le CVqTMLE pour l'efficacité. Le choix de la méthode dépend des objectifs de l'étude.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English