用于结合有偏与无偏因果估计的经验贝叶斯双收缩
统计方法学
2023-09-14 v1
摘要
受观测数据集激增以及将非随机证据与随机对照试验相整合的需求推动，因果推断研究者近期提出了若干结合有偏与无偏估计量的新方法。我们通过发展一类用于数据结合问题的新估计量——双收缩估计量，为这一不断增长的文献作出贡献。双收缩器首先计算有偏与无偏估计量的数据驱动凸组合，然后施加最终的、类似 Stein 的向零收缩。此类估计量无需超参数调优，且面向多维因果估计量，例如条件平均处理效应（CATE）向量。我们推导了若干可操作的双收缩估计量版本，并提出了构建有效经验贝叶斯置信区间的方法。我们还利用女性健康倡议（Women's Health Initiative）数据的模拟展示了估计量的效用。
引用
@article{arxiv.2309.06727,
title = {Empirical Bayes Double Shrinkage for Combining Biased and Unbiased Causal Estimates},
author = {Evan T. R. Rosenman and Francesca Dominici and Luke Miratrix},
journal= {arXiv preprint arXiv:2309.06727},
year = {2023}
}