[论文解读] The Calculus of M-estimation in R with geex

Bradley Saul, Michael G. Hudgens|PubMed|Sep 5, 2017

Statistical Methods and Inference参考文献 16被引用 5

一句话总结

本论文介绍了 R 包 geex，该包通过数值求解用户定义的 estimating equations 并计算经验异方差稳健标准误，实现了灵活的 M-估计，且无需解析导数。它支持多种应用场景，包括广义估计方程、双重稳健因果推断，以及小样本和相关数据的方差校正。

ABSTRACT

M-estimation, or estimating equation, methods are widely applicable for point estimation and asymptotic inference. In this paper, we present an R package that can find roots and compute the empirical sandwich variance estimator for any set of user-specified, unbiased estimating equations. Examples from the M-estimation primer by Stefanski and Boos (2002) demonstrate use of the software. The package also includes a framework for finite sample, heteroscedastic, and autocorrelation variance corrections, and a website with an extensive collection of tutorials.

研究动机与目标

• 为 M-估计提供一个通用的 R 框架，支持任意无偏 estimating equation。
• 通过自动化计算经验异方差稳健标准误，消除对参数方差估计器解析导数推导的需求。
• 通过灵活的方差校正选项，支持在纵向数据、因果推断和相关数据等复杂场景下的稳健统计推断。
• 为研究人员提供一个教学性和实用性兼具的工具，用于在 R 中实现和试验 M-估计方法。

提出的方法

• 通过 estFUN 接口将数学 estimating 函数 ψ(O_i, θ) 转换为 R 函数。
• 使用数值微分近似得分函数 ∂ψ/∂θ 以进行方差估计。
• 通过 A(θ̂) 和 B(θ̂) 矩阵的经验均值计算经验异方差稳健标准误估计量。
• 通过插值修正方法支持小样本校正和自相关稳健方差估计器。
• 通过 grab_psiFUN、grab_design_matrix 和 grab_fixed_formula 等工具与现有模型对象集成。
• 通过在单一 estimating equation 框架内结合倾向得分模型和结果回归模型，实现双重稳健估计。

实验结果

研究问题

• RQ1 如何在不需 estimating 函数解析导数的情况下，在 R 中实现 M-估计？
• RQ2 一个通用的 R 包能否高效计算多种统计模型的参数估计和稳健标准误？
• RQ3 geex 包如何通过 estimating equations 支持双重稳健因果推断？
• RQ4 geex 中可用于小样本和相关数据的方差校正方法有哪些？
• RQ5 与现有 R 包相比，geex 在 M-估计的灵活性和可用性方面表现如何？

主要发现

• geex 包成功计算了任意用户指定的无偏 estimating equation 的 M-估计点估计和经验异方差稳健标准误估计，且无需解析导数。
• 该包支持在复杂模型（如广义估计方程 GEE 和双重稳健因果估计器）中的估计，在正则条件下具有一致性和渐近正态性。
• 通过数值评估 A(θ̂) 和 B(θ̂) 的经验矩，经验异方差稳健标准误估计量被一致估计，从而实现稳健推断。
• 小样本校正和自相关稳健方差校正原生支持，提升了小样本或依赖数据下的性能。
• 该实现被证明能正确复现既有的方法结果，包括 Lunceford & Harrington (2004) 的双重稳健估计器，验证了其准确性。
• 该包提供了一个统一且可扩展的 API，简化了在 R 中跨多种统计问题实现 M-估计的过程。