因果效应估计中的先证伪后外推

随机对照试验（RCTs）在制定政策指南时代表黄金标准。然而，RCTs 往往范围狭窄，且缺乏关于更广泛目标人群的数据。这些人群中的因果效应常使用观察性数据集进行估计，而后者可能受未观测混杂和选择偏差的影响。给定一组观察性估计（例如来自多项研究），我们提出一种元算法，试图剔除有偏的观察性估计。我们使用验证效应来实现这一点，验证效应是既能从 RCT 也能从观察性数据推断出的因果效应。在剔除未通过此检验的估计量后，我们针对 RCT 中未观测到的子群生成外推因果效应的保守置信区间。在至少一个观察性估计量对验证效应和外推效应均为渐近正态且一致的假设下，我们给出了算法输出区间覆盖概率的保证。为在需要跨数据集因果效应迁移的设定中促进假设检验，我们给出了组平均处理效应的双重稳健估计量在即使使用灵活机器学习方法估计 nuisance 参数时仍渐近正态的条件。我们在半合成和真实世界数据集上说明了我们方法的性质，并表明其优于标准元分析技术。