通过轮廓迁移学习实现去偏
统计方法学
2025-09-04 v2
摘要
未测量混淆因子是回归式效应估计和因果推断中的主要偏倚来源。本文我们提出一种新型轮廓迁移学习框架 ProTrans，以解决目标数据集中的混淆效应，当可获得具有相似混淆结构的额外来源数据集时。我们引入轮廓残差概念，以刻画来源数据集与目标数据集之间的共享混淆模式。通过将这些轮廓残差纳入目标去偏步骤，我们有效缓解了潜在混淆效应。我们还提出一种源选择策略，以增强 ProTrans 针对非信息来源的鲁棒性。作为副产品，ProTrans 亦可用于在存在潜在混淆因子时估计处理效应，而无需使用仪器变量或代理变量，这些变量往往在实践中难以选择。理论上，我们证明从来源到目标的估计模型偏移在无需对真实混淆结构施加任何假设的情况下即为去偏，且目标参数估计在温和条件下达到最小混沌率。仿真与现实世界实验验证了 ProTrans 的有效性，支持了理论发现。
引用
@article{arxiv.2508.11622,
title = {Deconfounding via Profiled Transfer Learning},
author = {Ziyuan Chen and Yifan Jiang and Jingyuan Liu and Fang Yao},
journal= {arXiv preprint arXiv:2508.11622},
year = {2025}
}
备注
We need to further refine this paper