Data Fusion Using Weakly Aligned Sources
利用弱对齐数据源进行数据融合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。
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：摘要核心是通用半参数数据融合，应用描述为关联分析，未明确对应所列因果或其他经济计量细分。
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…
利用弱对齐数据源进行数据融合
- 研究问题
- 当不同数据源无法完全共享相关条件分布时，如何利用可参数化描述的分布偏离，提高光滑有限维参数的估计效率？
- 方法与思路
- 作者允许纳入弱对齐数据源，要求其错配程度可由有限维参数刻画，并据此研究半参数效率界与估计量构造。
- 材料陈述的贡献
- 摘要称，方法量化弱对齐数据带来的额外效率收益，刻画半参数效率界，并用两项艾滋病预防试验展示生物标志物与基因型关联分析。
- 阅读关注点
- 核对完全对齐与弱对齐的数学定义、错配参数如何识别和估计，以及效率收益是否计入这些参数的估计不确定性。
- 阅读边界
- 所给为 OpenAlex 索引摘要，稿件版本未注明。摘要未说明具体对齐条件与错配模型，所述关联应用也不足以支持因果效应解释。
原文摘要
We introduce a new data fusion method that utilizes multiple data sources to estimate a smooth, finite-dimensional parameter. Most existing methods only make use of fully aligned data sources that share common conditional distributions of one or more variables of interest. However, in many settings, the scarcity of fully aligned sources can make existing methods require unduly large sample sizes to be useful. Our approach enables the incorporation of weakly aligned data sources that are not perfectly aligned, provided their degree of misalignment is known up to finite-dimensional parameters. We quantify the additional efficiency gains achieved through the integration of these weakly aligned sources. We characterize the semiparametric efficiency bound and provide a general means to construct estimators achieving these efficiency gains. We illustrate our results by fusing data from two harmonized HIV monoclonal antibody prevention efficacy trials to study how a neutralizing antibody biomarker associates with HIV genotype.