什么是 因果可迁移性？
因果可迁移性是通过组合源人群中的因果证据、连接源与目标人群的假设以及目标数据，识别并估计目标人群因果效应的过程。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
区分内部有效性与目标人群相关性
随机化可以识别源人群效应，却不必然识别目标人群效应。选择图或明确的因果图会标记人群间可能变化的机制，并帮助判断目标数据必须观测哪些变量。能预测结局但不修饰处理效应的变量未必解释效应差异，而遗漏效应修饰因素可能使迁移失效。
把源证据标准化到目标分布
常见估计器会在源数据中建模分层结局或效应，再按目标协变量分布取平均；也可以使用抽样逆优势权重，使源参与者代表目标人群。这要求给定选定效应修饰因素后，相关潜在结果对比在源与目标人群之间可交换。双重稳健方法会组合结局模型与抽样模型。Bareinboim 与 Pearl使用因果图形式化了外部有效性与可迁移性。
支持度和测量方式决定迁移边界
应比较源与目标的协变量分布、抽样分数、有效样本量、权重尾部、处理版本、结局测量和时间背景。若某个目标分层在源数据中完全缺失，加权无法解决由此产生的外推。报告应同时给出目标估计量、源估计与迁移估计、两个样本带来的不确定性，以及对遗漏效应修饰因素的敏感性。
主要特点
- 目标是在不同于证据来源的人群中估计因果效应
- 区分源研究内部有效性与目标人群相关性
- 依赖对共享与变化因果机制的明确假设
- 需要目标数据中的效应修饰或选择变量
- 可采用标准化、抽样权重或双重稳健估计
- 要求检查源目标重叠、测量一致性与不确定性
常见用途
- 把随机试验效应迁移到符合条件的服务人群
- 跨地区或部署站点调整干预效应估计
- 按将要接受策略的用户分布重新加权实验
- 评估人群漂移后历史因果证据是否仍适用
- 在外部部署前识别目标数据必须收集的协变量
示例
Loading code...常见问题
因果可迁移性与内部有效性有什么区别？
内部有效性关注源研究能否识别自身人群的因果效应；可迁移性关注源证据、目标数据和跨人群假设能否共同识别不同目标人群中的效应。随机化源研究可以有很强内部有效性，却仍缺乏可迁移性。
可迁移性与可推广性有什么区别？
术语用法并不完全统一，但可推广性常指从研究样本扩展到其所属的更广源人群，可迁移性则把证据移到不同目标人群。实践中更重要的是明确源、目标、估计量和选择过程，而不是只依赖名称。
迁移因果效应时应该调整哪些变量？
应调整足以解释相关源目标差异的已测量变量，重点是处理效应修饰因素，以及因果结构指出的选择变量。如果某变量只预测结局却不修饰效应，也不位于识别所需路径上，就不一定需要平衡。
加权能解决目标人群缺乏重叠的问题吗？
不能。抽样权重或逆优势权重只能重新平衡两个人群都存在的分层。如果目标亚组或处理版本在源数据中没有支持，就需要外推、补充证据、缩小目标人群，或提出并论证明确的结构假设。
如何验证迁移后的因果效应？
先审计源研究的因果识别，再比较人群定义、协变量测量、抽样分数重叠、权重尾部和有效样本量。报告源估计与迁移估计及其不确定性，在有目标结局时进行校验，并测试遗漏效应修饰因素与机制变化的敏感性。