Omitted-Variable Sensitivity Analysis for Generalizing Randomized Trials
随机试验结果推广的遗漏变量敏感性分析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：摘要研究随机试验因果效应的人群推广及选择可忽略性失效的敏感性。
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…
随机试验结果推广的遗漏变量敏感性分析
- 研究问题
- 当未观测效应修饰变量在试验与目标人群间分布不同时，随机试验效应的推广偏误有多大，结论对该遗漏有多敏感？
- 方法与思路
- 作者将外部有效性偏误分解为效应修饰强度与调整后人群失衡的乘积，并用偏 R² 参数给出界限和观测变量标尺。
- 材料陈述的贡献
- 摘要称得到精确偏误分解、无量纲敏感性参数及闭式界限；模拟报告名义覆盖和设定错误下的保守表现。
- 阅读关注点
- 应核对精确分解依赖的模型和推广估计对象、偏 R² 的定义、观测变量校准方式，以及保守覆盖成立的范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未说明完整模型条件，模拟中的保守性不能直接视为任意错设保证。
原文摘要
Randomized controlled trials (RCTs) yield internally valid causal effect estimates, but generalizing these results to target populations with different characteristics requires an untestable selection ignorability assumption: conditional on observed covariates, trial participation must be independent of potential outcomes. This assumption fails when unobserved effect modifiers are distributed differently between trial and target populations. We develop a sensitivity analysis framework for trial generalization grounded in omitted variable bias (OVB). Our key theoretical contribution is an exact decomposition showing that external-validity bias equals moderation strength $\times$ moderator imbalance: (i) how strongly an unobserved variable shifts the treatment effect, times (ii) how differently that variable is distributed across populations after covariate adjustment. We introduce scale-free sensitivity parameters based on partial $R^2$ values, enabling closed-form bounds and benchmarking against observed covariates -- practitioners can assess whether conclusions would change if an unobserved moderator were "as strong as" a particular observed variable. Simulations demonstrate that our bounds achieve nominal coverage and remain conservative under model misspecification, while comparisons with alternative sensitivity frameworks highlight the interpretive advantages of the OVB decomposition.