Meta-Analysis with Untrusted Data
结合不可信数据的元分析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：摘要明确以元分析回答因果问题，讨论可信试验与观察资料的结合；共形区间本身不足以支持分布效应分类。
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
结合不可信数据的元分析
- 研究问题
- 研究如何在可信试验数据有限、研究之间存在异质性且效应观测带噪声时，结合大规模不可信资料提高因果问题预测的精度。
- 方法与思路
- 作者基于完全共形核岭回归，引入 idiocentricity 条件以简化计算，并用残差噪声校正及方差削减技术处理间接效应观测。
- 材料陈述的贡献
- 所给摘要称，方法可结合异质试验与不可信资料，并在医疗数据实验中产生更窄、有效性更好的区间；具体保证尚需核对。
- 阅读关注点
- 应核对预测目标与因果效应目标的区别、不可信数据参与拟合的方式，以及噪声校正、交换性和区间有效性保证的条件。
- 阅读边界
- 来源为 arXiv 预印本，不能确认同行评审或期刊接收；所给摘要标明并非完整摘要，覆盖保证与无强假设的适用边界未说明。
原文摘要
[See paper for full abstract] Meta-analysis is a crucial tool for answering scientific questions. It is usually conducted on a relatively small amount of ``trusted'' data -- ideally from randomized, controlled trials -- which allow causal effects to be reliably estimated with minimal assumptions. We show how to answer causal questions much more precisely by making two changes. First, we incorporate untrusted data drawn from large observational databases, related scientific literature and practical experience -- without sacrificing rigor or introducing strong assumptions. Second, we train richer models capable of handling heterogeneous trials, addressing a long-standing challenge in meta-analysis. Our approach is based on conformal prediction, which fundamentally produces rigorous prediction intervals, but doesn't handle indirect observations: in meta-analysis, we observe only noisy effects due to the limited number of participants in each trial. To handle noise, we develop a simple, efficient version of fully-conformal kernel ridge regression, based on a novel condition called idiocentricity. We introduce noise-correcting terms in the residuals and analyze their interaction with a ``variance shaving'' technique. In multiple experiments on healthcare datasets, our algorithms deliver tighter, sounder intervals than traditional ones. This paper charts a new course for meta-analysis and evidence-based medicine, where heterogeneity and untrusted data are embraced for more nuanced and precise predictions.