Combining experimental and observational data through a power likelihood
通过幂似然结合实验与观察数据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：摘要聚焦随机试验与观察数据融合，以提高处理效应估计效率并应对隐藏混杂风险。
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…
通过幂似然结合实验与观察数据
- 研究问题
- 如何利用大规模但可能受未观测混杂影响的观察数据补充小样本随机试验，在提高处理效应估计效率的同时调节外部信息的权重？
- 方法与思路
- 作者采用幂似然融合两类数据，通过数据自适应程序最大化期望对数预测密度来选择学习率，控制观察数据对推断的贡献。
- 材料陈述的贡献
- 摘要称，模拟中方法提高检验功效并保持近似名义覆盖率；文章将 PIONEER 6 试验与美国医保理赔数据结合，展示应用并讨论实践问题。
- 阅读关注点
- 应核对幂似然的构造、学习率选择的数据使用方式，以及预测准则与因果效应准确性的联系；检查模拟中的隐藏混杂和人群差异设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明隐藏混杂的控制保证或融合识别条件，模拟覆盖率不能视为普遍有效性证明。
原文摘要
Randomized controlled trials are the gold standard for causal inference and play a pivotal role in modern evidence-based medicine. However, the sample sizes they use are often too limited to draw significant causal conclusions for subgroups that are less prevalent in the population. In contrast, observational data are becoming increasingly accessible in large volumes but can be subject to bias as a result of hidden confounding. Given these complementary features, we propose a power likelihood approach to augmenting RCTs with observational data to improve the efficiency of treatment effect estimation. We provide a data-adaptive procedure for maximizing the expected log predictive density (ELPD) to select the learning rate that best regulates the information from the observational data. We validate our method through a simulation study that shows increased power while maintaining an approximate nominal coverage rate. Finally, we apply our method in a real-world data fusion study augmenting the PIONEER 6 clinical trial with a US health claims dataset, demonstrating the effectiveness of our method and providing detailed guidance on how to address practical considerations in its application.