Improving RCT-Based CATE Estimation Under Covariate Mismatch via Double Calibration
协变量不匹配下通过双重校准改善随机试验的条件平均治疗效应估计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：摘要直接研究随机试验中的条件平均治疗效应，并借用观察性数据改善估计，属于因果推断方向。
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…
协变量不匹配下通过双重校准改善随机试验的条件平均治疗效应估计
- 研究问题
- 随机试验与观察性研究的协变量不完全匹配时，如何借用观察性信息提高异质治疗效应估计精度，同时保留试验的因果对比？
- 方法与思路
- 作者提出两阶段 MR-OSCAR：先利用观察性数据预测试验缺失变量，再将观察性结局预测校准至随机试验，并分解有限样本误差。
- 材料陈述的贡献
- 摘要称插补误差随变量映射可预测性提高而缩小，模拟揭示借用信息有益或无益的情形，并以儿童肥胖试验说明研究动机。
- 阅读关注点
- 应核对校准保留因果对比的条件、插补变量与目标协变量的关系，以及误差分解和试验独有调节变量如何影响借用信息的收益。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出完整理论条件，所提 Vanderbilt 电子病历分析尚属后续计划。
原文摘要
We develop estimators that improve precision of heterogeneous treatment effect estimates that allow borrowing information from observational studies when the available covariates in each data source do not perfectly match. Standard data-borrowing methods often assume perfectly matched covariates. We propose MR-OSCAR, an RCT-calibrated, two-stage estimation approach that first predicts the trial-missing variables using the observational data via imputation and then calibrates observational outcome predictions to the randomized trial, preserving the causal contrast, unlike the results for generalization, where imputation does not improve performance. Our theory gives finite-sample guarantees with a transparent error decomposition including an imputation error that shrinks as the observational mapping becomes more predictable. Simulations show that imputation almost always outperforms naively using only the shared covariates and clarifies when borrowing helps (strong predictability of the missing block, moderate trial size) and when it does not (poor predictability or dominant trial-only moderators). We motivate the approach with the Greenlight Plus trial on early childhood obesity and outline a forthcoming EHR analysis at Vanderbilt, highlighting the use of our method in common scenarios where data do not perfectly align.