Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data
交叉验证因果推断：结合实验与观察数据的方法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：摘要直接研究实验与观察数据整合、未测量混杂及因果参数估计。
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…
交叉验证因果推断：结合实验与观察数据的方法
- 研究问题
- 如何结合小样本实验数据的内部有效性与大样本观察数据的信息，同时处理观察数据未测量混杂对因果估计的影响？
- 方法与思路
- 作者将因果估计写成经验风险最小化问题，联合加权实验与观察数据损失，并在实验数据的各折上针对因果参数交叉验证权重。
- 材料陈述的贡献
- 摘要称提出系统的数据整合框架并给出非渐近误差界，真实与合成数据实验支持其有效性和可靠性，具体改善幅度未说明。
- 阅读关注点
- 应核对两类损失如何分别约束因果参数和模型拟合、实验折上的验证目标，以及误差界如何反映观察数据偏误和样本规模。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出数据整合及误差界条件，不能认为交叉验证自动消除混杂。
原文摘要
We develop new methods to integrate experimental and observational data in causal inference. While randomized controlled trials offer strong internal validity, they are often costly and therefore limited in sample size. Observational data, though cheaper and often with larger sample sizes, are prone to biases due to unmeasured confounders. To harness their complementary strengths, we propose a systematic framework that formulates causal estimation as an empirical risk minimization (ERM) problem. A full model containing the causal parameter is obtained by minimizing a weighted combination of experimental and observational losses--capturing the causal parameter's validity and the full model's fit, respectively. The weight is chosen through cross-validation on the causal parameter across experimental folds. Our experiments on real and synthetic data show the efficacy and reliability of our method. We also provide theoretical non-asymptotic error bounds.