利用总体结果改善实验结果的泛化能力
统计方法学
2021-11-03 v1
摘要
将随机实验中的因果估计泛化到更广泛的目标总体，对于社会和生物医学科学中政策制定者与从业者的决策指导至关重要。尽管近期论文针对总体平均处理效应（PATE）提出了多种加权估计量，但由于实验样本常与目标总体差异显著且估计的抽样权重极端，许多方法导致较大方差。为在实践中提升效率，我们提出后残差化加权：利用观测总体数据中测量的结果构建灵活的预测模型（如机器学习方法），并在使用常规加权方法前对实验数据中的结果进行残差化。我们证明所提PATE估计量在现有加权方法所需相同假设下是一致的，且重要的是不要求预测模型设定正确。我们通过模拟以及基于一组职业培训实验的应用展示了该方法的效率提升。
引用
@article{arxiv.2111.01357,
title = {Leveraging Population Outcomes to Improve the Generalization of Experimental Results},
author = {Melody Huang and Naoki Egami and Erin Hartman and Luke Miratrix},
journal= {arXiv preprint arXiv:2111.01357},
year = {2021}
}