基于校准对齐提高协变量不匹配情境下的 RCT 基于 CATE 估计
机器学习
2026-04-07 v2
摘要
随机对照试验（RCT）是估计异质处理效应的黄金标准，但常常缺乏足够的功效以检测效应差异。大规模观察性研究（OS）可用于补充 RCT 以进行条件平均处理效应（CATE）估计，但关键障碍是协变量不匹配：两种数据源测量不同的、仅部分重叠的协变量。我们提出 CALM（Calibrated ALignment under covariate Mismatch），通过学习嵌入将每个来源的特征映射到 common representation space，从而规避插值问题。OS 结果模型被传输到 RCT 嵌入空间并使用试验数据进行校准，保留了来自随机化的因果识别。有限样本风险界限分解为对齐误差、结果模型复杂度和校准复杂度三个术语，阐明了在何种情况下嵌入对齐优于插值。在校准基于的线性变体下，该框架可防止负迁移；神经网络变体在严重分布迁移下可能脆弱。在稀疏线性模型下，嵌入方法严格优于插值。51 种设置的仿真实验确认：(i) 校准方法在线性 CATE 上等价，(ii) 神经网络嵌入变体在 22 种非线性情形下以显著优势获胜。
引用
@article{arxiv.2603.19186,
title = {Improving RCT-Based CATE Estimation Under Covariate Mismatch via Calibrated Alignment},
author = {Amir Asiaee and Samhita Pal},
journal= {arXiv preprint arXiv:2603.19186},
year = {2026}
}