Weight a Minute: Understanding Variability in PATE Estimates Across Target Populations
权重且慢：理解不同目标总体下总体平均处理效应估计的变动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：摘要直接研究总体平均处理效应的推广、逆抽样概率加权和效应修饰，属于因果推断。
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…
权重且慢：理解不同目标总体下总体平均处理效应估计的变动
- 研究问题
- 当用于表示目标总体的数据集偏离真正希望推断的总体时，逆抽样概率加权会如何影响总体平均处理效应估计的偏倚？
- 方法与思路
- 作者利用多个真实来源的经验协变量分布设计模拟，在不同效应修饰情境下，比较面向多个候选目标总体的加权估计。
- 材料陈述的贡献
- 摘要报告，即使权重模型正确设定，目标数据与推断总体的不匹配也会产生偏倚；偏离较大时，加权可能比不加权更差。
- 阅读关注点
- 应核对意向推断总体与操作性目标数据的区分、效应修饰设定、样本支持重叠，以及模拟中正确设定权重的具体含义。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未提供偏倚量级、完整模拟设定或判断目标数据代表性的操作标准。
原文摘要
Clinical study populations often differ meaningfully from the broader populations to which results are intended to generalize. Weighting methods such as inverse probability of sampling weights (IPSW) reweight study participants to resemble a target population, but the accuracy of these estimates depends heavily on how well the chosen population represents the population of substantive interest. We conduct a simulation study grounded in empirical covariate distributions from several real-world data sources spanning a continuum from highly selective to broadly inclusive populations. Using treatment effect scenarios with varying levels of effect modification, we evaluate IPSW estimators of the population average treatment effect (PATE) across multiple candidate target populations. We quantify the bias that arises when the dataset used to operationalize the target population differs from the intended inference population, even when IPSW is correctly specified. Our results show that bias increases systematically as target populations diverge from a well-representative population, and that weighting to a poorly aligned target can introduce more bias than not weighting at all. These findings highlight that selecting an appropriate target population dataset is a critical design choice for valid generalization.