Conditional Cross-Design Synthesis Estimators for Generalizability in Medicaid
医疗补助人群推广分析中的条件跨设计综合估计量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：摘要明确结合随机试验与观察数据，研究目标人群因果效应的推广及混杂偏差校正。
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…
医疗补助人群推广分析中的条件跨设计综合估计量
- 研究问题
- 论文研究随机试验未充分覆盖目标人群、但观察数据补充覆盖时，如何结合两种设计，处理各自偏差并估计目标人群的因果效应。
- 方法与思路
- 作者提出条件跨设计综合估计量，包括结果回归、倾向加权和双重稳健方法，并利用随机与观察数据的协变量重叠校正偏差。
- 材料陈述的贡献
- 摘要称这些方法借助重叠部分消除潜在未测混杂偏差，并用于估计纽约市医疗补助受益人中管理式医疗计划对医疗支出的因果效应。
- 阅读关注点
- 阅读全文时应核对重叠区域如何校准观察数据偏差、校准关系向非重叠区域延伸的条件，以及目标人群定义和双重稳健性的具体含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明偏差校正的完整假设，协变量重叠本身不能保证消除任意未测混杂。
原文摘要
While much of the causal inference literature has focused on addressing internal validity biases, both internal and external validity are necessary for unbiased estimates in a target population of interest. However, few generalizability approaches exist for estimating causal quantities in a target population when the target population is not well-represented by a randomized study but is reflected when additionally incorporating observational data. To generalize to a target population represented by a union of these data, we propose a class of novel conditional cross-design synthesis estimators that combine randomized and observational data, while addressing their respective biases. The estimators include outcome regression, propensity weighting, and double robust approaches. All use the covariate overlap between the randomized and observational data to remove potential unmeasured confounding bias. We apply these methods to estimate the causal effect of managed care plans on health care spending among Medicaid beneficiaries in New York City.