Causally-interpretable meta-analysis: clearly-defined causal effects and two case studies
具有因果解释的元分析：明确的因果效应与两个案例AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以试验处理效应向目标人群的迁移及效应异质性为核心，属于因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
具有因果解释的元分析：明确的因果效应与两个案例
- 研究问题
- 传统元分析通常没有明确结果适用的人群；如何将多个试验的处理效应迁移到指定目标人群，并处理协变量导致的效应异质性？
- 方法与思路
- 作者介绍已有的因果可解释元分析方法，利用个体层面的效应修饰协变量实施回归或加权迁移，在两个数据集中与传统汇总数据方法比较。
- 材料陈述的贡献
- 摘要称，部分因果可解释方法在案例中略优，但传统方法总体也表现良好；明确目标人群提供理论框架，效应异质性较强时更具应用潜力。
- 阅读关注点
- 应核对目标人群的定义、试验效应迁移所需条件及协变量支持重叠，并检查回归和权重模型设定，以及案例中衡量表现好坏的具体标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要只报告两个案例的定性比较，未给出误差数值，不能将略优结果推广为普遍优势。
原文摘要
Meta-analysis is commonly used to combine results from multiple clinical trials, but traditional meta-analysis methods do not refer explicitly to a population of individuals to whom the results apply and it is not clear how to use their results to assess a treatment's effect for a population of interest. We describe recently-introduced causally-interpretable meta-analysis methods and apply their treatment effect estimators to two individual-participant data sets. These estimators transport estimated treatment effects from studies in the meta-analysis to a specified target population using individuals' potentially effect-modifying covariates. We consider different regression and weighting methods within this approach and compare the results to traditional aggregated-data meta-analysis methods. In our applications, certain versions of the causally-interpretable methods performed somewhat better than the traditional methods, but the latter generally did well. The causally-interpretable methods offer the most promise when covariates modify treatment effects and our results suggest that traditional methods work well when there is little effect heterogeneity. The causally-interpretable approach gives meta-analysis an appealing theoretical framework by relating an estimator directly to a specific population and lays a solid foundation for future developments.