Designing Experiments Toward Shrinkage Estimation
面向收缩估计的实验设计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：摘要明确研究随机试验与观察研究的因果估计融合，并据此优化实验设计，因此对应因果推断方向。
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…
关注这篇论文的作者
面向收缩估计的实验设计
- 研究问题
- 若计划将随机试验的因果估计向观察研究结果收缩，应如何分配各层实验样本，同时应对观察研究中的未测量混杂？
- 方法与思路
- 作者采用按方差比例进行分量收缩的经验贝叶斯估计，数值计算风险并优化分层分配，同时通过敏感性分析设置设计约束。
- 材料陈述的贡献
- 摘要提出并比较 Neyman 分配、无未测量混杂假设下的设计与防御性设计，称模拟中的稀有二元结局场景显示设计优势。
- 阅读关注点
- 应核对收缩风险的定义、观察估计偏差如何进入分配优化、敏感性约束的作用，以及不使用收缩时实验分析是否仍可靠。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出风险条件、混杂容许范围或优势数值，不能推断对所有实验均改进。
原文摘要
We consider how increasingly available observational data can be used to improve the design of randomized controlled trials (RCTs). We seek to design a prospective RCT, with the intent of using an Empirical Bayes estimator to shrink the causal estimates from our trial toward causal estimates obtained from an observational study. We ask: how might we design the experiment to better complement the observational study in this setting? We propose using an estimator that shrinks each component of the RCT causal estimator toward its observational counterpart by a factor proportional to its variance. First, we show that the risk of this estimator can be computed efficiently via numerical integration. We then propose algorithms for determining the best allocation of units to strata (the best "design"). We consider three options: Neyman allocation; a "naive" design assuming no unmeasured confounding in the observational study; and a "defensive" design accounting for the imperfect parameter estimates we would obtain from the observational study with unmeasured confounding. We also incorporate results from sensitivity analysis to establish guardrails on the designs, so that our experiment could be reasonably analyzed with and without shrinkage. We demonstrate the superiority of these experimental designs with a simulation study involving causal inference on a rare, binary outcome.