Enhancing Treatment Effect Estimation: A Model Robust Approach Integrating Randomized Experiments and External Controls using the Double Penalty Integration Estimator
结合随机实验与外部对照的模型稳健处理效应估计：双重惩罚整合估计量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：摘要直接研究随机实验与外部对照整合后的平均处理效应估计。
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
结合随机实验与外部对照的模型稳健处理效应估计：双重惩罚整合估计量
- 研究问题
- 随机实验样本不足时，如何整合可能不可比的外部对照，在避免处理效应偏误的同时提高平均处理效应估计效率？
- 方法与思路
- 作者用偏差函数刻画外部与同期对照的结果均值差异，将其加入 ANCOVA，并对结果模型与偏差函数分别设置惩罚。
- 材料陈述的贡献
- 摘要称扩展模型可在 ANCOVA 错设时保持一致性；适当惩罚下 DPIE 具备一致性、oracle 性质及渐近正态性，并提高效率。
- 阅读关注点
- 应核对偏差函数所需的正确设定或逼近条件、外部样本可用性、惩罚参数要求，以及效率比较依赖的模型与样本范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未完整列出稳健性和惩罚条件，不能将 ANCOVA 错设稳健理解为任意模型错误均可容忍。
原文摘要
Randomized experiments (REs) are the cornerstone for treatment effect evaluation. However, due to practical considerations, REs may encounter difficulty recruiting sufficient patients. External controls (ECs) can supplement REs to boost estimation efficiency. Yet, there may be incomparability between ECs and concurrent controls (CCs), resulting in misleading treatment effect evaluation. We introduce a novel bias function to measure the difference in the outcome mean functions between ECs and CCs. We show that the ANCOVA model augmented by the bias function for ECs renders a consistent estimator of the average treatment effect, regardless of whether or not the ANCOVA model is correct. To accommodate possibly different structures of the ANCOVA model and the bias function, we propose a double penalty integration estimator (DPIE) with different penalization terms for the two functions. With an appropriate choice of penalty parameters, our DPIE ensures consistency, oracle property, and asymptotic normality even in the presence of model misspecification. DPIE is more efficient than the estimator derived from REs alone, validated through theoretical and experimental results.