无测度混杂因素下的处理效应外推
统计方法学
2025-09-09 v1
摘要
随机对照试验（RCT）是估计因果处理效应的黄金标准，但其样本量有限且纳入标准严格，导致难以外推至更广泛人群。观察性数据规模更大，但受测度混杂影响。因此，可将两类数据的优势进行组合以获得更准确的结果。本工作扩展了现有方法，后者利用 RCT 对观察性数据中估计的条件平均处理效应（CATE）进行去混杂，通过定义一种去混杂函数。我们提出的方法借助多个相关处理的 RCT，以提高 CATE 外推的准确性。模拟结果表明，对于非线性去混杂函数而言，仅依赖单个 RCT 在该 RCT 支持域之外的 CATE 估计效果不佳。这一现象在样本量较小的 RCT 中尤为突出。引入第二个 RCT 后，可获得更准确的估计，从而在两个 RCT 支持域之外的 CATE 估计方面显著提升。
引用
@article{arxiv.2509.06045,
title = {Treatment effect extrapolation in the presence of unmeasured confounding},
author = {Stephanie Riley and Ricardo Silva and Matthew Sperrin},
journal= {arXiv preprint arXiv:2509.06045},
year = {2025}
}
备注
2 pages, 1 figure, to be presented at the UK AI Research Symposium (UKAIRS) 2025