Transporting treatment effects by calibrating large-scale observational outcomes
通过校准大规模观察结局迁移处理效应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：摘要明确结合实验与观察数据估计条件平均处理效应及迁移效应，直接对应因果推断与外部有效性。
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
通过校准大规模观察结局迁移处理效应
- 研究问题
- 当实验样本较小、观察样本较大且结局测量可能有偏时，如何结合两类数据估计向观察人群迁移的处理效应并开展推断？
- 方法与思路
- 作者将观察结局估计的处理对照差异用实验数据作 OLS 校准，形成条件平均处理效应估计，再在观察样本上取平均。
- 材料陈述的贡献
- 摘要称校准错设时极限目标仍为加权迁移平均效应；在实验样本增长较慢时，对该目标的推断渐近有效且半参数有效率。
- 阅读关注点
- 核对加权目标与通常迁移平均效应的区别、无重叠结论依赖的其他条件，以及测量偏差、校准错设和两样本增长速度的作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收状态未核验；无重叠的推断主张针对文中极限目标与增长设定，不能直接扩展为任意人群平均效应。
原文摘要
A high-quality experimental dataset is often much smaller than a corresponding observational dataset. When this holds with possibly biased measurements of the outcome of interest in the latter, we propose an estimation and inference procedure for a transported treatment effect. Our point estimator can be computed as follows. First, we estimate the conditional average treatment effect (CATE) by calibrating a treatment-control contrast estimated using the observational outcomes to the experimental dataset using ordinary least squares (OLS). Then, we compute the sample average of this estimated CATE over the observational dataset. We show that the limiting estimand is a weighted transported average treatment effect even when the OLS calibration is misspecified. Furthermore, our inference for this estimand is asymptotically valid and semiparametrically efficient when the size of the experimental dataset grows more slowly than the size of the observational dataset, regardless of the existence of positivity (overlap) between the two datasets. We illustrate the stable empirical performance of our method under varying degrees of positivity using numerical simulations and a data example using field experiments and satellite-based yield estimates to estimate the average effect of crop rotation on maize (corn) yields over a large area of the Midwestern United States.