Distributed Design for Causal Inferences on Big Observational Data
大型观察数据因果推断的分布式研究设计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：摘要明确针对观察数据因果推断中的处理组协变量不平衡与研究设计，直接对应因果推断。
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
大型观察数据因果推断的分布式研究设计
- 研究问题
- 当观察数据具有高维协变量、异质性和巨大样本量时，如何在分析前改善处理组间协变量平衡，缓解单一设计者的局限？
- 方法与思路
- 作者将协变量子集分配给多个协作设计者，各自生成低维摘要并共享，随后并行构造候选设计，按全部协变量的平衡指标选取最终设计。
- 材料陈述的贡献
- 摘要称，分布式框架能灵活构建协变量平衡较好的设计，并用模拟及二〇一六年因果推断会议数据挑战资料展示其表现。
- 阅读关注点
- 应核对协变量分配及摘要方式、候选设计的生成与选择规则、全局平衡评价，以及设计改进对最终因果估计的实际影响。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出平衡或估计误差数值，良好平衡不能排除未观测混杂。
原文摘要
A fundamental issue in causal inference for Big Observational Data is confounding due to covariate imbalances between treatment groups. This can be addressed by designing the data prior to analysis. Existing design methods, developed for traditional observational studies with single designers, can yield unsatisfactory designs with suboptimum covariate balance for Big Observational Data due to their inability to accommodate the massive dimensionality, heterogeneity, and volume of the Big Data. We propose a new framework for the distributed design of Big Observational Data amongst collaborative designers. Our framework first assigns subsets of the high-dimensional and heterogeneous covariates to multiple designers. The designers then summarize their covariates into lower-dimensional quantities, share their summaries with the others, and design the study in parallel based on their assigned covariates and the summaries they receive. The final design is selected by comparing balance measures for all covariates across the candidates. We perform simulation studies and analyze datasets from the 2016 Atlantic Causal Inference Conference Data Challenge to demonstrate the flexibility and power of our framework for constructing designs with good covariate balance from Big Observational Data.