观察数据学习的幻象：经验贝叶斯视角
统计方法学
2026-04-13 v1
摘要
随机实验长期以来是科学家寻求了解因果关系的金标准。当随机实验不可行时，科学家们常常诉诸观察性研究，这些研究广泛可用且常规庞大，但依赖于难以检验的假设，一旦被违反，可能导致偏差估计。对偏差的不确定性导致一种被称为观察性研究学习幻象的现象（Gerber、Green 和 Kaplan，2004a）：缺乏关于偏差的先验信息时，观察结果无法对因果参数的估计作出有意义的贡献。为此，我们采取经验贝叶斯视角。我们表明，观察偏差的分布可从校准研究中学习——这些研究针对已知先验为零的因果效应。校准识别观察偏差的分布，使观察性研究能够通过经验贝叶斯收缩来inform 因果参数的估计。我们在经验贝叶斯框架下形式化了该幻象现象，并表明随着校准和观察研究数量的增加，偏差分布和因果效应都能被一致恢复。我们通过仿真研究和基于 Ferraro 和 Miranda（2013）水用量实验的半合成应用来说明我们的方法。
引用
@article{arxiv.2604.08853,
title = {The Illusion of Learning from Observational Data: An Empirical Bayes Perspective},
author = {Bohan Wu and Sebastian Salazar and Donald P. Green and David M. Blei},
journal= {arXiv preprint arXiv:2604.08853},
year = {2026}
}