用于治疗效应估计的预测赋能数据融合

arXiv:2610.12332v1 公告类型：交叉收录 摘要：随机对照试验（RCT）能够在不受混杂影响的情况下识别治疗效应，但其规模通常较小；相比之下，观察性研究（OBS）规模较大，却可能受到混杂影响。针对平均治疗效应（ATE）和条件平均治疗效应（CATE），已有许多将小规模 RCT 与大规模 OBS 相结合的估计方法。然而，现有的 ATE 估计方法要么对 OBS 作出假设，要么未能充分借助 OBS 提升统计效能。与 ATE 相比，针对 CATE 的研究较少。现有的 CATE 方法要么假设 OBS 不存在混杂，要么依赖混杂函数模型，要么接受偏差以换取更低的方差。因此，我们提出了一个框架，无需对 OBS 作出特殊假设，即可融合 OBS 和 RCT，在保持基于 RCT 的估计无偏性的同时，借助大规模 OBS 提升估计精度。基于这一原则，我们构建了具有闭式权重和置信区间的 ATE 估计器 AIPW-Fusion，以及两个 CATE 学习器 DR-Fusion 和 R-Fusion。实验验证了我们的研究结果。