Beyond Exchangeability: Distribution-Shift-Aware Integration of External Control Data in Randomized Trials
超越可交换性：随机试验中考虑分布偏移的外部对照整合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因果效应估计，以及存在分布偏移时外部对照的有效整合。
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…
超越可交换性：随机试验中考虑分布偏移的外部对照整合
- 研究问题
- 外部对照与随机试验因入组标准、治疗环境或采集方式产生分布差异时，如何整合信息并保持一致性与效率？
- 方法与思路
- 作者显式建模分布偏移，以平衡试验和外部人群的校准方程调整试验专用有效影响函数，并构造自适应收缩估计器。
- 材料陈述的贡献
- 摘要称该框架在可交换性失效时仍可利用外部对照，收缩估计保持一致且效率优于仅用试验的基准，并提供模拟和应用。
- 阅读关注点
- 应核对允许的分布偏移类别、校准如何支持识别、收缩规则，以及效率占优结论所需条件和比较的渐近或有限样本范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出识别与效率保证的条件，不能推断任意外部对照都可有效借用。
原文摘要
Randomized controlled trials (RCTs) are the gold standard for evaluating causal effects but are often costly and difficult to scale; consequently, they are frequently augmented with auxiliary external controls in many applications. Prior approaches for borrowing such data typically rely on exchangeability, under which the external controls are readily usable for inference in the trial population. In practice, however, differences in eligibility criteria, standard of care, and data collection procedures may induce distribution shifts between the RCT and the external controls, rendering exchangeability implausible. In this paper, we propose a novel framework for integrating external controls by explicitly modeling these distribution shifts. We construct augmented estimators by adapting trial-only efficient influence functions through calibration equations that balance the trial and external populations, thereby fully exploiting the external control data even when exchangeability fails. We further develop an adaptive shrinkage estimator that preserves consistency while guaranteeing efficiency dominance over the trial-only benchmark. Synthetic experiments and a real data application demonstrate the practical advantages of the proposed approaches.