实验发现的泛化：超越调整的识别
统计方法学
2022-06-15 v1 机器学习
摘要
我们旨在借助一些观测数据将随机对照试验 (RCT) 的结果泛化到目标总体。这是一个具有多数据源的因果效应识别问题。当 RCT 在与目标总体不同的情境下开展时，挑战随之产生。早期研究聚焦于可通过观测数据对 RCT 估计值进行调整以去除选择偏差及其他领域特定差异的情形。我们考虑实验发现无法通过调整泛化的例子，并表明通过应用 do-演算可推导的其他识别策略仍可能实现泛化。为这些例子获得的识别泛函包含一种新型陷阱变量。陷阱变量的值在估计中需被固定，且该值的选择可能对估计的偏差与精度产生重大影响，这一点也在模拟中得以显现。所呈现的结果拓展了实验发现可被泛化的设定范围。
引用
@article{arxiv.2206.06699,
title = {Generalizing experimental findings: identification beyond adjustments},
author = {Juha Karvanen},
journal= {arXiv preprint arXiv:2206.06699},
year = {2022}
}