Empirical Bayes Double Shrinkage for Combining Biased and Unbiased Causal Estimates
结合有偏与无偏因果估计的经验贝叶斯双重收缩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：摘要直接讨论观察性与随机试验证据结合，以及多维条件平均处理效应估计。
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…
结合有偏与无偏因果估计的经验贝叶斯双重收缩
- 研究问题
- 如何将观察性证据中的有偏估计与随机试验中的无偏估计结合，用于条件平均处理效应向量等多维因果目标？
- 方法与思路
- 作者先构造两类估计量的数据驱动凸组合，再进行向零的 Stein 式收缩，并提出经验贝叶斯置信区间方法。
- 材料陈述的贡献
- 摘要提出若干无需超参数调节的双重收缩估计量及区间构造，并利用妇女健康倡议数据开展模拟展示其用途。
- 阅读关注点
- 应核对偏差与协方差的建模、两次收缩的权重及目标，以及经验贝叶斯区间的有效性定义与模拟比较设计。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审与期刊接收未核实；摘要未说明风险改善和区间有效性的条件，也未报告效果幅度。
原文摘要
Motivated by the proliferation of observational datasets and the need to integrate non-randomized evidence with randomized controlled trials, causal inference researchers have recently proposed several new methodologies for combining biased and unbiased estimators. We contribute to this growing literature by developing a new class of estimators for the data-combination problem: double-shrinkage estimators. Double-shrinkers first compute a data-driven convex combination of the the biased and unbiased estimators, and then apply a final, Stein-like shrinkage toward zero. Such estimators do not require hyperparameter tuning, and are targeted at multidimensional causal estimands, such as vectors of conditional average treatment effects (CATEs). We derive several workable versions of double-shrinkage estimators and propose a method for constructing valid Empirical Bayes confidence intervals. We also demonstrate the utility of our estimators using simulations on data from the Women's Health Initiative.