用于治疗效应估计的预测驱动数据融合

随机对照试验（RCT）能够在不存在混杂的情况下识别治疗效应，但样本量通常较小；观察性研究（OBS）的样本量较大，却可能存在混杂。已有许多估计量将小规模 RCT 与大规模 OBS 相结合，用于估计平均治疗效应（ATE）和条件平均治疗效应（CATE）。然而，现有的 ATE 估计量要么对 OBS 作出假设，要么未能充分借助 OBS 提供的信息。相比 ATE，CATE 的研究较少。现有的 CATE 方法要么假设 OBS 中不存在混杂，要么依赖于混杂函数模型，要么以引入偏差为代价换取更低的方差。因此，我们提出一个框架：在不对 OBS 作特殊假设的情况下，通过保持基于 RCT 的估计无偏，同时借助大规模 OBS 提高估计精度，从而融合 OBS 与 RCT。基于这一原则，我们构建了 ATE 估计量 AIPW-Fusion，该估计量具有闭式权重和置信区间；此外还构建了两个 CATE 学习器 DR-Fusion 和 R-Fusion。实验结果验证了我们的发现。