Estimating average treatment effects when treatment data are absent in a target study
目标研究缺少处理数据时的平均处理效应估计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：摘要直接讨论缺少处理信息时的处理干预、反事实均值和平均处理效应，支持归入因果推断方向。
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
目标研究缺少处理数据时的平均处理效应估计
- 研究问题
- 目标观测数据没有处理信息、外部数据可能没有结果信息时，如何整合两者，估计处理干预下的反事实结果均值？
- 方法与思路
- 作者拟从外部数据刻画处理导致的处理后暴露分布变化，再将该信息与目标观测数据结合，用于反事实均值估计。
- 材料陈述的贡献
- 摘要提出用数据整合刻画真实处理诱导的暴露分布，以回应随机倾向得分干预是否近似目标处理效应的不确定性。
- 阅读关注点
- 应核对跨数据来源的可迁移性要求、处理后暴露与结果的因果联系，以及反事实均值如何转化为平均处理效应。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要仅表示将讨论假设和估计策略，未提供具体条件或结论。
原文摘要
Researchers are frequently interested in understanding the causal effect of treatment interventions. However, in some cases, the treatment of interest--readily available in a randomized controlled trial (RCT)--is either not directly measured or entirely unavailable in observational datasets. This challenge has motivated the development of stochastic incremental propensity score interventions which operate on post-treatment exposures affected by the treatment of interest with the aim of approximating the causal effects of the treatment intervention. Yet, a key challenge lies in the fact that the precise distributional shift of these post-treatment exposures induced by the treatment is typically unknown, making it uncertain whether the approximation truly reflects the causal effect of interest. The primary objective of this paper is to explore data integration methodologies to characterize a distribution of post-treatment exposures resulting from the treatment in an external dataset, and to use this information to estimate counterfactual mean outcomes under treatment interventions, in settings where the observational data lack treatment information and the external data may not contain measurements of the outcome of interest. We will discuss the underlying assumptions required for this approach and provide methodological guidance on estimation strategies to address these challenges.