新框架融合随机试验与观察数据估计处理效应
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 Prediction-Powered Data Fusion 框架，用于处理效应估计。该方法针对随机对照试验样本小、观察性研究样本大但可能存在混杂的问题，在不假设观察数据无混杂的前提下，保留随机试验估计的无偏性，同时借助大样本观察数据提升精度。基于该原则，作者构建了具有闭式权重与置信区间的 ATE 估计量 AIPW-Fusion，以及两个 CATE 学习器 DR-Fusion 和 R-Fusion，并通过实验验证了结果。论文共 35 页，代码已公开。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
随机对照试验能够识别处理效应而不受混杂影响，但样本规模通常较小；观察性研究样本量大，却可能存在混杂。已有不少方法尝试把小型随机试验与大型观察性研究结合起来，用于估计平均处理效应和条件平均处理效应。但论文指出，现有的平均处理效应估计方法要么对观察性研究附加假设，要么没有充分借用其信息量；条件平均处理效应的研究相对更少，已有方法或假设观察数据无混杂，或依赖混杂函数模型，或以接受偏差为代价换取更低方差。
提出的方法
作者提出一个融合框架，其核心思路是在不对观察性研究做特殊假设的情况下，把观察性研究与随机试验结合起来：既保持基于随机试验估计的无偏性，又从大样本观察数据中借用信息以提升精度。按照这一原则，作者构建了平均处理效应估计量 AIPW-Fusion，该估计量具有闭式权重和置信区间；同时提出两个条件平均处理效应学习器 DR-Fusion 和 R-Fusion。论文通过实验对上述结论进行了验证。
论文基本信息
该论文提交于 2026 年 10 月 8 日，作者为 Yonghan Jung 与 Shu Yang，全文共 35 页，代码链接已在论文页面给出。论文归类于 stat.ML，同时涉及 cs.AI、cs.LG 与 stat.ME 等方向。
为什么值得看
因果推断中融合两类数据是常见难题，该工作在不额外假设观察数据的前提下兼顾无偏与精度，并给出可直接使用的估计量与学习器。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。