The Hardness of Validating Observational Studies with Experimental Data
使用实验数据验证观察研究的理论困难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：摘要围绕隐藏混杂导致的因果效应偏误、实验与观察数据的整合，以及处理效应区间的有效性展开，直接属于因果推断。
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…
使用实验数据验证观察研究的理论困难
- 研究问题
- 少量实验数据能否验证大规模观察数据得到的因果效应，并消除隐藏混杂偏误，尤其在实验数据覆盖范围之外？
- 方法与思路
- 作者用不可能推断框架分析验证的理论限制，再对偏误校正函数施加平滑性要求，提出基于高斯过程的效应区间方法。
- 材料陈述的贡献
- 摘要称，实验数据一般可以证伪但不能验证观察效应估计；增加适当假设后，所提方法可在实验支持集内外构造覆盖区间。
- 阅读关注点
- 应核对不可能性定理针对的模型集合、证伪与验证的精确定义，以及高斯过程假设如何支持区间覆盖和支持集外推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获验证；摘要未给出平滑性条件或覆盖保证的完整形式，不能无条件外推。
原文摘要
Observational data is often readily available in large quantities, but can lead to biased causal effect estimates due to the presence of unobserved confounding. Recent works attempt to remove this bias by supplementing observational data with experimental data, which, when available, is typically on a smaller scale due to the time and cost involved in running a randomised controlled trial. In this work, we prove a theorem that places fundamental limits on this ``best of both worlds'' approach. Using the framework of impossible inference, we show that although it is possible to use experimental data to \emph{falsify} causal effect estimates from observational data, in general it is not possible to \emph{validate} such estimates. Our theorem proves that while experimental data can be used to detect bias in observational studies, without additional assumptions on the smoothness of the correction function, it can not be used to remove it. We provide a practical example of such an assumption, developing a novel Gaussian Process based approach to construct intervals which contain the true treatment effect with high probability, both inside and outside of the support of the experimental data. We demonstrate our methodology on both simulated and semi-synthetic datasets and make the \href{https://github.com/Jakefawkes/Obs_and_exp_data}{code available}.