Synthesized Difference in Differences
合成式双重差分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：摘要直接研究结合随机试验与观察数据识别条件处理效应，并处理混杂和选择偏差。
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
合成式双重差分
- 研究问题
- 如何结合覆盖范围受限的随机试验与存在混杂的观察数据，估计整个临床人群的条件平均处理效应，并应对传统双重差分的平行趋势限制？
- 方法与思路
- 作者提出合成式双重差分，借助额外随机试验数据，对条件双重差分作线性调整，以推断可能不平行的结果变化斜率。
- 材料陈述的贡献
- 摘要称，该方法结合两类数据的优势，并在多个合成与真实数据集上取得领先表现，包括随机试验排除大多数患者的情形。
- 阅读关注点
- 应核对随机试验信息向目标人群迁移的条件、线性调整的识别依据，以及试验样本覆盖不足时如何识别条件处理效应。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要未说明完整识别条件、比较基准及具体结果，不能据此确认其普遍优越性。
原文摘要
We consider estimating the conditional average treatment effect for everyone by eliminating confounding and selection bias. Unfortunately, randomized clinical trials (RCTs) eliminate confounding but impose strict exclusion criteria that prevent sampling of the entire clinical population. Observational datasets are more inclusive but suffer from confounding. We therefore analyze RCT and observational data simultaneously in order to extract the strengths of each. Our solution builds upon Difference in Differences (DD), an algorithm that eliminates confounding from observational data by comparing outcomes before and after treatment administration. DD requires a parallel slopes assumption that may not apply in practice when confounding shifts across time. We instead propose Synthesized Difference in Differences (SDD) that infers the correct (possibly non-parallel) slopes by linearly adjusting a conditional version of DD using additional RCT data. The algorithm achieves state of the art performance across multiple synthetic and real datasets even when the RCT excludes the majority of patients.