Multi-Source Causal Inference Using Control Variates
利用控制变量法进行多来源因果推断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：摘要直接研究多数据来源下平均处理效应估计、结果选择偏差及因果估计精度改善。
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…
利用控制变量法进行多来源因果推断
- 研究问题
- 当部分数据因结果选择偏差而不能识别平均处理效应时，如何结合能够识别该效应的小型辅助数据，利用其余数据提高估计精度？
- 方法与思路
- 作者用不可识别平均处理效应的数据构造控制变量；在结果选择偏差应用中，以两类数据的优势比估计之差辅助已有的一致效应估计。
- 材料陈述的贡献
- 摘要称，理论分析表明控制变量能降低平均处理效应估计方差，模拟及两个真实数据案例也报告了显著的方差降低。
- 阅读关注点
- 应核对跨来源优势比差构成有效控制变量的条件、辅助数据一致估计的依据，以及来源异质性、控制系数估计和样本复用的影响。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要未说明完整跨数据源条件和降方差幅度，不能认为该方法自行解决了原有不可识别问题。
原文摘要
While many areas of machine learning have benefited from the increasing availability of large and varied datasets, the benefit to causal inference has been limited given the strong assumptions needed to ensure identifiability of causal effects; these are often not satisfied in real-world datasets. For example, many large observational datasets (e.g., case-control studies in epidemiology, click-through data in recommender systems) suffer from selection bias on the outcome, which makes the average treatment effect (ATE) unidentifiable. We propose a general algorithm to estimate causal effects from \emph{multiple} data sources, where the ATE may be identifiable only in some datasets but not others. The key idea is to construct control variates using the datasets in which the ATE is not identifiable. We show theoretically that this reduces the variance of the ATE estimate. We apply this framework to inference from observational data under outcome selection bias, assuming access to an auxiliary small dataset from which we can obtain a consistent estimate of the ATE. We construct a control variate by taking the difference of the odds ratio estimates from the two datasets. Across simulations and two case studies with real data, we show that this control variate can significantly reduce the variance of the ATE estimate.