Leveraging Population Outcomes to Improve the Generalization of Experimental Results
利用总体结果数据提升实验结论的推广效率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：摘要直接研究随机实验因果效应向目标总体的推广、总体平均处理效应和加权估计效率，故归入因果推断。
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…
利用总体结果数据提升实验结论的推广效率
- 研究问题
- 当随机实验样本与目标总体差异较大、抽样权重极端时，如何利用总体观测结果数据提高总体平均处理效应估计的效率？
- 方法与思路
- 作者先用总体观测数据的结果变量建立灵活预测模型，再对实验结果进行残差化，随后应用常规加权方法估计总体效应。
- 材料陈述的贡献
- 摘要称估计量在既有加权方法所需假设下保持一致，无需预测模型正确设定，并通过模拟和就业培训实验应用展示效率收益。
- 阅读关注点
- 应核对实验结果推广至总体所需的假设、残差化后如何构造目标估计量，以及效率改善的条件和预测模型训练流程。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未列出推广假设和效率数值，不能据此认定任意预测模型都会降低方差。
原文摘要
Generalizing causal estimates in randomized experiments to a broader target population is essential for guiding decisions by policymakers and practitioners in the social and biomedical sciences. While recent papers developed various weighting estimators for the population average treatment effect (PATE), many of these methods result in large variance because the experimental sample often differs substantially from the target population, and estimated sampling weights are extreme. To improve efficiency in practice, we propose post-residualized weighting in which we use the outcome measured in the observational population data to build a flexible predictive model (e.g., machine learning methods) and residualize the outcome in the experimental data before using conventional weighting methods. We show that the proposed PATE estimator is consistent under the same assumptions required for existing weighting methods, importantly without assuming the correct specification of the predictive model. We demonstrate the efficiency gains from this approach through simulations and our application based on a set of job training experiments.