A Data Fusion Method for Quantile Treatment Effects
分位数处理效应的数据融合方法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：摘要明确研究混杂信息不完整时的数据融合，以及分位数处理效应的估计与效率。
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…
关注这篇论文的作者
分位数处理效应的数据融合方法
- 研究问题
- 如何结合混杂变量完整的小型验证数据与存在未测混杂的大型辅助数据，提高分位数处理效应估计的效率？
- 方法与思路
- 作者基于双重稳健估计函数融合两套数据，允许辅助数据相关模型误设，并利用渐近线性表示构造协方差估计方法。
- 材料陈述的贡献
- 摘要称融合估计量在一定条件下渐近正态，且比仅用验证数据的初始估计更有效率，模拟与应用用于展示方法表现。
- 阅读关注点
- 应核对两套数据可融合的条件、目标人群与分位数定义，以及辅助模型误设的允许范围和效率改善所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未说明跨数据识别条件及应用细节，不能据此认为未测混杂普遍可被消除。
原文摘要
With the increasing availability of datasets, developing data fusion methods to leverage the strengths of different datasets to draw causal effects is of great practical importance to many scientific fields. In this paper, we consider estimating the quantile treatment effects using small validation data with fully-observed confounders and large auxiliary data with unmeasured confounders. We propose a Fused Quantile Treatment effects Estimator (FQTE) by integrating the information from two datasets based on doubly robust estimating functions. We allow for the misspecification of the models on the dataset with unmeasured confounders. Under mild conditions, we show that the proposed FQTE is asymptotically normal and more efficient than the initial QTE estimator using the validation data solely. By establishing the asymptotic linear forms of related estimators, convenient methods for covariance estimation are provided. Simulation studies demonstrate the empirical validity and improved efficiency of our fused estimators. We illustrate the proposed method with an application.