NeurIPS 2022｜在因果效应估计外推前先进行证伪

简介：在制定政策指南时，随机对照试验（RCTs）是一个黄金标准。然而，RCTs的范围往往很窄，而且缺乏更广泛的相关人群的数据。在这些人群中的因果效应通常是通过观察性数据集来估计的，而观察性数据集可能会受到未观察到的混杂因素和选择偏差的影响。鉴于一组观察性估计值（如来自多个研究），我们提出了一个元算法，试图拒绝有偏差的观察性估计。我们使用验证效应，即可以从RCT和观察数据中推断出的因果效应来做到这一点。在拒绝未通过该测试的估计值后，我们对RCT中未观察到的亚组的外推因果效应产生保守的置信区间。假设至少有一个观察估计值是渐进正态的，并且与验证效应和外推效应一致，我们为我们的算法所输出的区间的覆盖概率提供保证。为了便于在需要跨数据集进行因果效应迁移的情况下进行假设检验，我们给出了一些条件，在这些条件下，即使使用灵活的机器学习方法来估计讨厌参数，群体平均治疗效应的双重稳健估计也是渐近正态的。我们在半合成的和真实世界的数据集上说明了我们的方法的特性，并表明它与标准的元分析技术相比是有利的。