TEA-Time: Transporting Effects Across Time
TEA-Time：跨时间迁移处理效应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：摘要直接研究随机试验处理效应的跨时间迁移、识别策略及双重稳健估计，因此归入因果推断方向。
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…
TEA-Time：跨时间迁移处理效应
- 研究问题
- 随机试验的处理效应依赖开展时间时，如何定义迁移至其他时间的平均效应，并识别何种迁移策略能够可靠估计目标？
- 方法与思路
- 作者在可分离时间效应假设下定义迁移目标，推导重复试验与共同试验臂两种识别策略，并构建双重稳健、半参数有效估计量。
- 材料陈述的贡献
- 摘要称共同试验臂策略在标题 A/B 测试中更精确，但特定时间间隔依赖会引起系统偏差；重复试验策略对此更贴近真实值。
- 阅读关注点
- 应核对时间效应的可分离形式、两种策略所需数据与识别限制，以及干预至测量的间隔如何影响一致性和效率。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未给出完整识别条件和误差数值，不能将共同试验臂的精度优势视为可靠性保证。
原文摘要
Treatment effects estimated from a randomized controlled trial are local not only to the study population but also to the time at which the trial was conducted. The literature on generalizing experimental findings to new populations is extensive, yet transporting effects across time has received far less attention, and even defining the target estimand is nonobvious. We formalize the transported average treatment effect under a separable temporal effects assumption, derive two identification strategies: replicated trials and common arm, and develop doubly robust, semiparametrically efficient estimators for each. Applied to a large archive of headline A/B tests, the common arm strategy is substantially more precise but exhibits systematic bias when the temporal factor depends on the gap between intervention and measurement rather than on measurement time alone, while the replicated trials strategy, which allows this dependence, tracks the ground truth more faithfully. Simulation studies investigate when each strategy is reliable and when it silently fails.