Towards Generalizing Inferences from Trials to Target Populations
将试验推断推广到目标总体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：摘要直接讨论随机试验因果效应向目标总体推广的外部有效性、可推广性与可迁移性。
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…
关注这篇论文的作者
将试验推断推广到目标总体
- 研究问题
- 随机试验中具有内部有效性的因果效应如何推广到实验样本之外的目标总体？不同学科在外部有效性问题上有哪些共通方法与障碍？
- 方法与思路
- 作者基于 2023 年秋季 ICERM 跨学科研讨会的讨论，整合不同领域的研究，综述因果效应的可推广性与可迁移性并提出研究方向。
- 材料陈述的贡献
- 摘要明确列出三方面贡献：整合跨领域研究与方法联系，综述可推广性和可迁移性，并归纳尚未解决的困难及未来研究路径。
- 阅读关注点
- 应核对可推广性与可迁移性的定义、目标总体和试验选择机制的区分、不同方法的识别要求，以及综述覆盖范围与文献组织方式。
- 阅读边界
- 依据所给 arXiv 预印本摘要，不能确认同行评审或期刊接收。本文按摘要属于研讨会导向的综述，摘要未提供新估计量或新识别定理细节。
原文摘要
Randomized Controlled Trials (RCTs) are pivotal in generating internally valid estimates with minimal assumptions, serving as a cornerstone for researchers dedicated to advancing causal inference methods. However, extending these findings beyond the experimental cohort to achieve externally valid estimates is crucial for broader scientific inquiry. This paper delves into the forefront of addressing these external validity challenges, encapsulating the essence of a multidisciplinary workshop held at the Institute for Computational and Experimental Research in Mathematics (ICERM), Brown University, in Fall 2023. The workshop congregated experts from diverse fields including social science, medicine, public health, statistics, computer science, and education, to tackle the unique obstacles each discipline faces in extrapolating experimental findings. Our study presents three key contributions: we integrate ongoing efforts, highlighting methodological synergies across fields; provide an exhaustive review of generalizability and transportability based on the workshop's discourse; and identify persistent hurdles while suggesting avenues for future research. By doing so, this paper aims to enhance the collective understanding of the generalizability and transportability of causal effects, fostering cross-disciplinary collaboration and offering valuable insights for researchers working on refining and applying causal inference methods.