通过合并数据集收紧因果概率的界限

因果概率（PoC）在法律、医疗和公共政策决策中起着基础性作用。然而，其点识别具有挑战性，需要强假设，在缺乏这些假设时只能推导出界限。现有利用额外信息进一步收紧这些界限的工作要么提供数值界限、固定维度的符号界限，要么需要访问包含相同处理与结果变量的多个数据集。但在许多临床、流行病学和公共政策应用中，存在考察不同处理对同一结果变量影响的外部数据集，或研究协变量与结果变量之间关联的数据集。这些外部数据集无法与上述界限结合使用，因为前者可能包含不同的处理分配机制，甚至遵循不同的因果结构。在此，我们针对这一具有挑战性的场景提供了PoC的符号界限。我们聚焦于合并两项研究不同处理的随机实验，或一项随机实验与一项观测性研究，并假设因果充分性。我们的符号界限适用于任意维度的协变量和处理，并讨论了这些界限比文献中现有界限更紧的条件。最后，我们的界限对跨数据集处理分配机制的差异进行了参数化，允许各数据集机制不同，同时仍能使因果信息从外部数据集传递到目标数据集。