A Double Machine Learning Approach to Combining Experimental and Observational Data
结合实验与观察数据的双重机器学习方法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：摘要研究实验与观察数据融合中的因果识别假设检验及处理效应估计。
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…
结合实验与观察数据的双重机器学习方法
- 研究问题
- 如何结合实验与观察研究，在外部有效性或可忽略性可能失效时检验假设，并明确处理效应一致估计所需的信息？
- 方法与思路
- 作者提出双重机器学习数据融合框架，在较弱条件下构造外部有效性与可忽略性的证伪检验，并提供相应处理效应估计量。
- 材料陈述的贡献
- 摘要称框架允许其中一项假设失效时仍一致估计，但无免费午餐定理要求正确辨别失效假设；另报告比较分析与三个案例。
- 阅读关注点
- 应核对证伪检验究竟检验哪些联合限制、如何辨别失效假设，以及样本融合、机器学习误差控制和一致性定理的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明较弱假设与辨别机制，不能把未拒绝检验理解为假设已获验证。
原文摘要
Experimental and observational studies often lack validity due to untestable assumptions. We propose a double machine learning approach to combine experimental and observational studies, allowing practitioners to test for assumption violations and estimate treatment effects consistently. Our framework proposes a falsification test for external validity and ignorability under milder assumptions. We provide consistent treatment effect estimators even when one of the assumptions is violated. However, our no-free-lunch theorem highlights the necessity of accurately identifying the violated assumption for consistent treatment effect estimation. Through comparative analyses, we show our framework's superiority over existing data fusion methods. The practical utility of our approach is further exemplified by three real-world case studies, underscoring its potential for widespread application in empirical research.