CausalMetaR: An R package for performing causally interpretable meta-analyses
CausalMetaR：用于具有因果解释的荟萃分析的 R 包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：摘要明确研究多来源数据向目标总体迁移的因果效应，并实现平均及亚组处理效应的双重稳健估计。
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
CausalMetaR：用于具有因果解释的荟萃分析的 R 包
- 研究问题
- 如何利用多个研究或数据来源，估计明确定义的内部或外部目标总体的因果效应，而不只汇总缺乏目标总体解释的结果？
- 方法与思路
- 作者介绍 CausalMetaR，实现目标总体平均和亚组处理效应估计，采用双重稳健与非参数有效方法，并支持机器学习和交叉拟合。
- 材料陈述的贡献
- 摘要称该包将多来源因果效应估计方法实现为软件，支持灵活估计干扰模型，并以示例介绍主要功能和使用流程。
- 阅读关注点
- 应核对来源间效应迁移与选择机制假设、目标总体的数据要求、双重稳健的具体条件，以及交叉拟合和标准误实现。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未说明完整识别条件，软件支持也不保证任意数据下有效。
原文摘要
Researchers would often like to leverage data from a collection of sources (e.g., primary studies in a meta-analysis) to estimate causal effects in a target population of interest. However, traditional meta-analytic methods do not produce causally interpretable estimates for a well-defined target population. In this paper, we present the CausalMetaR R package, which implements efficient and robust methods to estimate causal effects in a given internal or external target population using multi-source data. The package includes estimators of average and subgroup treatment effects for the entire target population. To produce efficient and robust estimates of causal effects, the package implements doubly robust and non-parametric efficient estimators and supports using flexible data-adaptive (e.g., machine learning techniques) methods and cross-fitting techniques to estimate the nuisance models (e.g., the treatment model, the outcome model). We describe the key features of the package and demonstrate how to use the package through an example.