Optimal Sample Splitting for Observational Studies
观测研究中的最优样本拆分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：摘要明确讨论观测研究中处理效应对未测量混杂的敏感性，以及服务于因果分析的研究设计和样本拆分。
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
观测研究中的最优样本拆分
- 研究问题
- 观测研究将数据拆为规划样本与分析样本时，如何选择拆分比例，使研究设计对未观测混杂偏差更不敏感？
- 方法与思路
- 作者利用 plasmode 数据集寻找规划与分析样本的最优比例，考察高维结果空间，并应用于儿童二手烟暴露研究。
- 材料陈述的贡献
- 摘要称该方法为以往较为随意的拆分比例选择提供数据驱动方案，在高维结果空间表现良好，并提供 R 包实现。
- 阅读关注点
- 核对最优比例对应的目标函数、plasmode 数据构造方式，以及比例选择是否充分计入分析样本缩小带来的精度损失。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未获核实；摘要未说明敏感性模型、最优性范围或应用中的具体效应结果。
原文摘要
In observational studies of treatment effects, estimates may be biased by unmeasured confounders, which can potentially affect the validity of the results. Understanding sensitivity to such biases helps assess how unmeasured confounding impacts credibility. The design of an observational study strongly influences its sensitivity to bias. Previous work has shown that the sensitivity to bias can be reduced by dividing a dataset into a planning sample and a larger analysis sample, where the planning sample guides design decisions. But the choice of what fraction of the data to put in the planning sample vs. the analysis sample was ad hoc. Here, we develop an approach to find the optimal fraction using plasmode datasets. We show that our method works well in high-dimensional outcome spaces. We apply our method to study the effects of exposure to second-hand smoke in children. The OptimalSampling R package implementing our method is available at GitHub.