Combining observational and experimental data for causal inference considering data privacy
考虑数据隐私的观察性与实验数据融合因果推断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：摘要明确研究观察性与实验数据融合下的平均处理效应估计和外部推广。
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…
考虑数据隐私的观察性与实验数据融合因果推断
- 研究问题
- 当原始观察性数据因隐私限制无法共享时，能否将经过披露限制变换的数据与实验数据结合，提高处理效应估计的精度和推广性？
- 方法与思路
- 作者考察不同观察性数据披露限制变换，用其辅助估计样本及总体平均处理效应，并通过模拟比较隐私保护与数据效用。
- 材料陈述的贡献
- 摘要称经变换的观察性数据仍可能改善仅依赖随机实验的估计，并展示不同变换在隐私风险与估计效用之间的权衡。
- 阅读关注点
- 核对变换方式与隐私指标、实验向总体推广的识别条件，以及变换如何影响偏差、精度和不确定性计算。
- 阅读边界
- 所据版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明正式隐私保证、具体变换或识别条件。
原文摘要
Combining observational and experimental data for causal inference can improve treatment effect estimation. However, many observational data sets cannot be released due to data privacy considerations, so one researcher may not have access to both experimental and observational data. Nonetheless, a small amount of risk of disclosing sensitive information might be tolerable to organizations that house confidential data. In these cases, organizations can employ data privacy techniques, which decrease disclosure risk, potentially at the expense of data utility. In this paper, we explore disclosure limiting transformations of observational data, which can be combined with experimental data to estimate the sample and population average treatment effects. We consider leveraging observational data to improve generalizability of treatment effect estimates when a randomized experiment (RCT) is not representative of the population of interest, and to increase precision of treatment effect estimates. Through simulation studies, we illustrate the trade-off between privacy and utility when employing different disclosure limiting transformations. We find that leveraging transformed observational data in treatment effect estimation can still improve estimation over only using data from an RCT.