Distributional Treatment Effect Transportability across Heterogeneous Sites
异质场所之间分布处理效应的可迁移性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：摘要明确以处理结果分布的跨场所迁移为目标，而非仅估计平均效应，对应因果推断和分布效应。
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
异质场所之间分布处理效应的可迁移性
- 研究问题
- 当来源场所同时有处理与对照样本、目标场所只有对照样本时，如何在跨场所异质性下恢复目标场所完整的处理结果分布？
- 方法与思路
- 作者用最优传输比较两地对照组，学习联合特征与结果分布之间的转换，再将该转换作用于来源处理组以生成目标合成样本。
- 材料陈述的贡献
- 摘要称建立合成经验分布向目标处理分布的收敛，并通过多种模拟及患者来源异种移植数据应用展示分布恢复能力。
- 阅读关注点
- 应核对从对照组学习的转换为何适用于处理组、转换的可识别性及最优传输限制，并检查潜在场所异质性的允许范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明迁移识别和收敛的具体条件，不能据此认定任意场所差异均可校正。
原文摘要
We study distributional transportability of treatment effects in a ``cross-site, one-armed target" design, where both treated and control units are observed in a source site, but only control units are observed in a target site. Our object of interest is not estimating the average treatment effect, but recovering the full treated distribution in the target site using transfer knowledge from the source site, while allowing cross-site heterogeneity in measurement systems, observed features, outcome reporting, population composition, and latent contextual factors. We model cross-site heterogeneity through a transformation between the sites that transports the joint feature--outcome distributions. This transformation is learned from comparing the observed control samples in the source and target sites, using an optimal transport criterion. The learned transformation is then applied to the source treated sample to construct a synthetic sample from the target treated distribution. We establish convergence of the resulting synthetic empirical distribution to the target treated distribution. Simulation studies across multiple data-generating scenarios and a real-world application to patient-derived xenograft (PDX) data demonstrate that our framework recovers the full distributional properties of the target treated population.