本研究综述了长期以来在联合随机对照试验（RCTs）和观察研究中进行因果推断的方法，旨在实现 “两全其美”。作者首先讨论了提高观察数据代表性的 RCTs 的识别和估计方法，然后探讨了将 RCTs 和观察数据结合使用以确保观察分析的无瑕性或提高（条件）平均治疗效果估计的方法。最后，作者使用模拟研究和真实世界数据比较了主要方法，并提供了可用代码和新实现。

Nov, 2020

在大数据时代，处于生态经济学、医疗保健、网络挖掘、在线广告和市场营销等多个领域的观测数据的因果关系进一步的理解异常重要。然而目前现有的因果效果评估方法主要集中在源特定和固定的观测数据上，缺乏对数据连续性、领域适配性以及海量数据的易用性等问题的持续性研究，而这些问题非常普遍。本论文定义了持续性治疗效果的评估问题，并提出了问题的研究难点和可能的解决方案。最后，我们还讨论了未来该领域的研究方向。

Jan, 2023

提出了将实验性数据与观测性时间序列数据相结合的方法，以估计异质性处理效应，应用于 Facebook 页面推荐。

Nov, 2016

本文提出了一种利用混合大量的观测数据和少量随机数据通过表示学习来估计异质化治疗效果的框架，成功设计了一个名为 CorNet 的样本高效算法，并通过多个真实世界数据集展示了该方法优于现有方法的效果。

Feb, 2022

本研究报告了一个专门为评估观察研究中的治疗效应变异而设计的工作坊的结果。参与者使用多样的方法进行了分析，从配对和灵活的结果建模到半参数估计和集成方法。虽然有广泛的一致性，但在估计治疗效应调节方面仍存在巨大差异。

Jul, 2019

本研究介绍了一种新方法，使用实验数据来纠正更大的观测数据的因果效应模型中的隐藏混淆，证明了该方法的可行性，并使用一项大型教育实验中的真实数据证明了该方法的有效性。

Oct, 2018

本文提出了一种双机器学习方法，以结合实验和观测研究，让从业人员能够测试假设的违规情况并一致地估计治疗效果，进而测试外部效度和忽略的可接受性。然而，我们的无免费午餐定理强调了准确识别被违反的假设对于一致的治疗效果估计的必要性。我们在三个实际案例研究中展示了我们的方法的适用性，并突出了其在实际设置中的相关性。

Jul, 2023

本研究提出了一种新的因果推断框架 —— 网络去混淆器 (Network Deconfounder)，它利用网络信息来辨识隐藏式混淆者的模式，从而进一步允许我们从观测到的数据中学习有效的单个因果效应。

Jun, 2019

通过结合工具变量和观测数据，本文提出了一种可靠的方法来估计存在观测数据中的未观察混淆以及工具变量数据中的低合规性（包括某些子群体的零合规性）的条件平均处理效应（CATEs）。

Jun, 2024

观察性研究常常存在客观性问题，本文讨论了如何通过仔细设计的方案来近似随机化实验，以获得更准确的因果推断。涉及的问题包括关键协变量数据缺失、治疗和对照组关键协变量分布的重叠度分析等，同时提出了可能的解决方案并分析了潜在结果的定义和因果效应的关键问题。

Nov, 2008