Robust estimation of heterogeneous treatment effects in randomized trials leveraging external data
借助外部数据稳健估计随机试验中的异质性处理效应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：摘要明确以随机试验人群的条件平均处理效应及异质性检验为目标。
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…
借助外部数据稳健估计随机试验中的异质性处理效应
- 研究问题
- 随机试验对处理效应异质性的检验能力不足时，如何借助其他试验或观察数据改善试验人群的条件平均处理效应估计？
- 方法与思路
- 作者提出模型无关的 QR-learner，并进一步将其与仅使用试验数据的学习器组合，以利用外部信息并应对数据不一致。
- 材料陈述的贡献
- 摘要称方法可降低均方误差，在外部数据不匹配时仍恢复真实 CATE；组合程序渐近表现不差于两个组成学习器。
- 阅读关注点
- 应核对外部数据不匹配的具体定义、稳健性保证所需条件、组合规则，以及异质性检验功效如何衡量。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验；摘要未说明一致性和风险保证的完整条件，不能视为无条件保证。
原文摘要
Randomized trials are typically designed to detect average treatment effects but often lack the statistical power to uncover individual-level treatment effect heterogeneity, limiting their value for personalized decision-making. To address this, we propose the QR-learner, a model-agnostic learner that estimates conditional average treatment effects (CATE) within the trial population by leveraging external data from other trials or observational studies. The proposed method is robust: it can reduce the mean squared error relative to a trial-only CATE learner, and is guaranteed to recover the true CATE even when the external data are not aligned with the trial. Moreover, we introduce a procedure that combines the QR-learner with a trial-only CATE learner and show that it asymptotically matches or exceeds both component learners in terms of mean squared error. We examine the performance of our approach in simulation studies and apply the methods to a real-world dataset, demonstrating improvements in both CATE estimation and statistical power for detecting heterogeneous effects.