协变量不完全时处理效应的泛化：识别假设与多重插补算法

我们关注将随机对照试验（RCT）中估计出的因果效应泛化到由观测数据中一组协变量描述的目标总体的问题。诸如逆倾向抽样加权等现有方法并未设计用于处理缺失值，而缺失值在两类数据源中都很常见。除了将因果效应可识别性假设与缺失值机制假设相耦合并定义恰当的估计策略外，一个难点在于考虑数据的特定结构：两个数据源且处理与结局仅在 RCT 中可得。我们提出了三种多重插补策略以在泛化处理效应时处理缺失值，每种策略以不同方式处理问题的多源结构（分别插补、带固定效应的联合插补、忽略源信息的联合插补）。作为多重插补的替代，我们还提出了一种将不完全协变量视为半离散变量的直接估计方法。这些多重插补策略及后一替代方法依赖于关于缺失值对可识别性影响的不同假设集合。我们讨论了这些假设并通过广泛的模拟研究评估了这些方法。本工作受一项包含逾 20,000 名严重创伤患者的大型登记研究以及一项研究氨甲环酸给药对入住 ICU 的严重创伤患者死亡率影响的 RCT 所推动。该分析说明了缺失值处理方式如何影响从 RCT 泛化到目标总体的效应结论。