Treatment Effect Estimation with Efficient Data Aggregation
通过高效数据聚合估计处理效应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：摘要以跨研究共享的平均处理效应为目标，研究其在模型选择后的聚合估计。
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…
通过高效数据聚合估计处理效应
- 研究问题
- 多个研究先用 LASSO 选择协变量后，如何仅汇总简单统计量估计共同处理效应，并避免模型选择造成的事后估计偏差？
- 方法与思路
- 作者提出基于 data carving 的聚合方案，结合各研究的模型选择信息与汇总统计量，并利用这些信息指导新验证研究的设计。
- 材料陈述的贡献
- 摘要称，该方案在其设定下产生共同参数的无偏估计，充分使用既有研究数据，并通过无需共享原始数据保留个体数据隐私。
- 阅读关注点
- 应核对无偏性的目标和条件、选择事件如何进入聚合推断、需要传递哪些统计量，以及研究间共同参数假设与验证研究的作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体无偏性条件及效率比较，无需共享原始数据也不等于提供正式隐私保证。
原文摘要
Data aggregation, also known as meta analysis, is widely used to combine knowledge on parameters shared in common (e.g., average treatment effect) between multiple studies. In this paper, we introduce an attractive data aggregation scheme that pools summary statistics from various existing studies. Our scheme informs the design of new validation studies and yields us unbiased estimators for the shared parameters. In our setup, each existing study applies a LASSO regression to select a parsimonious model from a large set of covariates. It is well known that post-hoc estimators, in the selected model, tend to be biased. We show that a novel technique called \textit{data carving} yields us a new unbiased estimator by aggregating simple summary statistics from all existing studies. Our estimator has two key features: (a) we make the fullest possible use of data, from all studies, without the risk of bias from model selection; (b) we enjoy the added benefit of individual data privacy, because raw data from these studies need not be shared or stored for efficient estimation.