合成双重差分法

我们考虑通过消除混杂与选择偏差来估计每个人的条件平均处理效应。遗憾的是，随机临床试验（RCT）消除了混杂，但施加了严格的排除标准，无法对全体临床人群抽样。观察性数据集更具包容性却受混杂影响。因此我们同时分析RCT与观察性数据，以汲取二者优势。我们的方案基于双重差分法（DD）——一种通过比较治疗前后结果来消除观察性数据混杂的算法。DD要求平行斜率假设，而当混杂随时间变化时该假设在实践中可能不成立。我们转而提出合成双重差分法（SDD），它利用额外的RCT数据对条件版DD进行线性调整，从而推断正确（可能非平行）的斜率。即使在RCT排除大多数患者时，该算法在多个合成与真实数据集上仍达到最先进（state of the art）性能。