Learning Instrumental Variable from Data Fusion for Treatment Effect Estimation
从数据融合中学习工具变量以估计处理效应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：摘要明确通过学习工具变量处理未观测混杂，并估计数据融合场景中的处理效应。
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…
从数据融合中学习工具变量以估计处理效应
- 研究问题
- 融合多个处理分配机制不同的数据源时，若来源标签遗漏且存在未观测混杂，能否重构来源信息作为工具变量估计处理效应？
- 方法与思路
- 作者提出 Meta-EM 框架，在表示空间建立处理变量的线性混合模型，学习来源分布与群组工具变量，并交替优化后用于工具变量回归。
- 材料陈述的贡献
- 摘要提出将重构的数据源标签作为群组工具变量的思路及统一训练框架，并称经验比较显示其优于所选现有方法。
- 阅读关注点
- 应核对重构标签作为工具变量的相关性、外生性和排除限制，表示学习是否引入偏差，以及效应目标和实验比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明工具变量有效性的完整条件，来源分配机制不同并不自动保证工具有效。
原文摘要
The advent of the big data era brought new opportunities and challenges to draw treatment effect in data fusion, that is, a mixed dataset collected from multiple sources (each source with an independent treatment assignment mechanism). Due to possibly omitted source labels and unmeasured confounders, traditional methods cannot estimate individual treatment assignment probability and infer treatment effect effectively. Therefore, we propose to reconstruct the source label and model it as a Group Instrumental Variable (GIV) to implement IV-based Regression for treatment effect estimation. In this paper, we conceptualize this line of thought and develop a unified framework (Meta-EM) to (1) map the raw data into a representation space to construct Linear Mixed Models for the assigned treatment variable; (2) estimate the distribution differences and model the GIV for the different treatment assignment mechanisms; and (3) adopt an alternating training strategy to iteratively optimize the representations and the joint distribution to model GIV for IV regression. Empirical results demonstrate the advantages of our Meta-EM compared with state-of-the-art methods.