Prediction-Powered Data Fusion for Treatment Effect Estimation
用于处理效应估计的预测驱动数据融合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：摘要直接研究随机试验与观测数据融合下的平均及条件平均处理效应估计，明确对应因果推断方向。
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
用于处理效应估计的预测驱动数据融合
- 研究问题
- 如何融合小规模随机试验与可能混杂的大规模观测数据，在保留试验估计无偏性的同时，提高平均及条件平均处理效应估计精度？
- 方法与思路
- 作者提出利用观测数据预测信息辅助试验估计的融合框架，构造 AIPW-Fusion 估计量及 DR-Fusion、R-Fusion 条件效应学习器。
- 材料陈述的贡献
- 摘要称框架不对观测数据施加特殊假设，保留试验估计的无偏性并借力提高精度；平均效应估计提供闭式权重与置信区间。
- 阅读关注点
- 应核对无偏性主张的具体条件、两类数据的目标总体关系、预测信息与权重的构造，以及条件效应学习器和区间的理论依据。
- 阅读边界
- 仅据 arXiv v1 预印本摘要，不能据此声称已同行评审或期刊接收；“无特殊假设”的范围、精度保证条件及实验数值未说明。
原文摘要
Randomized controlled trials (RCTs) identify treatment effects without confounding but are often small, whereas observational studies (OBS) are large but may be confounded. Many estimators combining a small RCT with a large OBS have been developed for the average treatment effect (ATE) and the conditional ATE (CATE). However, existing ATE estimators either make assumptions on the OBS or do not borrow enough power from them. The CATE has been studied less than the ATE. Existing CATE methods either assume the OBS are unconfounded, rely on a model of the confounding function, or accept bias in exchange for lower variance. We therefore propose a framework that, without special assumptions on the OBS, fuses the OBS and the RCT by preserving the unbiasedness of RCT-based estimation while borrowing power from the large OBS to boost precision. Applying this principle, we build an ATE estimator, AIPW-Fusion, with closed-form weights and confidence intervals, and two CATE learners, DR-Fusion and R-Fusion. Experiments corroborate our findings.