Learning about Treatment Effects with Prior Studies: A Bayesian Model Averaging Approach
利用既有研究学习处理效应：贝叶斯模型平均方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以实验中的处理效应估计及既有研究的外部有效性为中心，直接支持因果推断分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用既有研究学习处理效应：贝叶斯模型平均方法
- 研究问题
- 在既有试验、相关研究或专家信息的外部有效性不确定时，如何整合这些来源与新实验，并兼顾信息收益和来源偏误风险？
- 方法与思路
- 作者将各来源表示为具有不同均值和精度的高斯先验，通过贝叶斯模型平均更新权重，并研究先验精度随新样本量增长的渐近框架。
- 材料陈述的贡献
- 摘要称权重由偏误与信息量共同决定：存在无偏来源时可更快集中；所有来源有偏时，加入弥散先验可恢复标准收敛率。
- 阅读关注点
- 应核对处理效应的目标总体、无偏来源的定义、外部有效性指标及集中率条件，并检查随样本量增长的先验精度如何解释。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未经核实；摘要未给出集中率公式或全部条件，不能认定任意历史信息均能改善估计。
原文摘要
We establish concentration rates for estimation of treatment effects in experiments that incorporate prior sources of information -- such as past pilots, related studies, or expert assessments -- whose external validity is uncertain. Each source is modeled as a Gaussian prior with its own mean and precision, and sources are combined using Bayesian model averaging (BMA), allowing data from the new experiment to update posterior weights. To capture empirically relevant settings in which prior studies may be as informative as the current experiment, we introduce a nonstandard asymptotic framework in which prior precisions grow with the experiment's sample size. In this regime, posterior weights are governed by an external-validity index that depends jointly on a source's bias and information content: biased sources are exponentially downweighted, while unbiased sources dominate. When at least one source is unbiased, our procedure concentrates on the unbiased set and achieves faster convergence than relying on new data alone. When all sources are biased, including a deliberately conservative (diffuse) prior guarantees robustness and recovers the standard convergence rate.