估计扩大自愿政策干预规模的因果影响

评估通常为未来的项目实施决策提供信息。然而，实施环境可能与评估研究环境存在差异，有时甚至差异显著。这种差异导致评估结果对于未来决策的相关性存在不确定性。自愿干预对普适性提出了另一项挑战，因为我们无法确切知道未来谁会自愿参与该干预。我们提出了一种新方法，通过将观察性研究的结果推广至目标人群（处理组）内的预期志愿者，来估计目标人群中的受试者平均处理效应。我们的估计方法可适应灵活的结果回归估计器，如贝叶斯加性回归树（BART）与贝叶斯因果森林（BCF）。我们的普适性方法将关于目标人群处理状态的不确定性纳入后验可信区间，以更好地反映扩大自愿干预规模的不确定性。在基于真实数据的模拟中，我们证明了这些灵活的估计器（BCF 与 BART）优于依赖参数回归的估计器。我们应用该方法估计了扩大 Comprehensive Primary Care Plus 规模的影响，这是一种旨在改善初级医疗质量与效率的医保支付模型，并展示了向特定目标诊所亚组推广的前景。