Data fusion for efficiency gain in ATE estimation: A practical review with simulations
数据融合提升平均处理效应估计效率：实用综述与模拟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：摘要明确研究随机试验与真实世界数据融合下平均处理效应的估计效率。
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…
数据融合提升平均处理效应估计效率：实用综述与模拟
- 研究问题
- 融合真实世界数据与随机对照试验以提高平均处理效应估计效率时，如何根据研究问题选择方法并权衡潜在收益和风险？
- 方法与思路
- 作者系统综述并比较数据融合方法的假设、限制与实施复杂度，再以贴近实际情境的模拟考察不同方法的风险收益关系。
- 材料陈述的贡献
- 摘要称，论文识别并解释多种方法中普遍存在的风险收益权衡，整理各方法的长处与局限，为实际因果研究的方法选择提供参考。
- 阅读关注点
- 应核对各方法需要的数据来源可比性与识别假设、模拟中的风险和收益指标，以及效率提升在假设偏离时是否仍能维持。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出具体方法和模拟结果，减少试验人数或加快用药只是动机性潜力。
原文摘要
The integration of real-world data (RWD) and randomized controlled trials (RCT) is increasingly important for advancing causal inference in scientific research. This combination holds great promise for enhancing the efficiency of causal effect estimation, offering benefits such as reduced trial participant numbers and expedited drug access for patients. Despite the availability of numerous data fusion methods, selecting the most appropriate one for a specific research question remains challenging. This paper systematically reviews and compares these methods regarding their assumptions, limitations, and implementation complexities. Through simulations reflecting real-world scenarios, we identify a prevalent risk-reward trade-off across different methods. We investigate and interpret this trade-off, providing key insights into the strengths and weaknesses of various methods; thereby helping researchers navigate through the application of data fusion for improved causal inference.