本文提出了一个框架来解决外部有效性偏差，包括针对泛化性和可迁移性的方法综合，它们所需的假设以及对治疗效应异质性和研究与目标人群之间差异的测试。

Feb, 2021

本研究论文通过多学科研讨会的讨论，并整合各领域的方法，回顾了随机对照试验、外部有效性、泛化性和可转移性的现有研究，同时提出了未来研究的方向，旨在增强对因果效应的泛化性和可转移性的集体理解，促进跨学科合作并为改进和应用因果推断方法的研究人员提供有价值的见解。

Feb, 2024

研究了如何通过使用基线共变量数据和随机分配的治疗和结局数据，来辨别出所有适合个体的潜在（反事实）结局均值和平均治疗效应，并评估了它们的估计器在模拟研究中的有限样本表现，最后通过应用这些估计器对慢性冠状动脉疾病的研究结果进行了说明。

Sep, 2017

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

本文讨论了机器学习模型在线实验所面临的问题，指出常用的 A/B-tests 并不能保证无偏估计。因此，文章提出了对从事此领域的从业人员和研究人员的影响及解决方案。

Apr, 2023

本文提出了一种新的自动因果推断方法（AutoCI），该方法基于不变的因果预测（ICP）框架，可以对临床试验数据进行因果重新解释，并在两个真实的子宫内膜癌临床试验中有效地确定因果变量，证实 AutoCI 在临床分析中的鲁棒性和可行性。

Jan, 2022

通过任务特定的实验设计和推导到定制特定下游应用程序的采样策略，我们提出了一种更节省样本数据的替代随机对照试验的方法，用于因果推断，并在各种重要任务，实际数据集和样本大小的情况下，胜过其他基准，例如需要一种数量级的数据才能在定向营销任务中达到随机对照试验的性能。

Jun, 2023

通过利用基于联合倾向性评分的重新加权模式和基于积分概率度量的表示学习模式，在网络情景中推导出因果效应估计的泛化界限，从而支持减轻复杂的混淆偏差并在原则性上指导学习目标的设计，通过分析泛化界限提出一种基于联合倾向性评分和表示学习的加权回归方法，并在两个真实网络的半合成数据上进行广泛实验，验证了算法的有效性。

Aug, 2023

研究对于在测试和训练分布不同时的结构因果模型中预测响应变量和协变量之间关系的问题，提出了基于因果回归模型和最小化最坏风险的方法，并且介绍了一个配合数据实现最小化风险的框架和方法 NILE。

Jun, 2020

使用试验数据对目标人群的政策结果进行验证，使用来自目标人群的附加协变量数据模拟试验研究中个体的抽样，开发了一种非参数的方法，确保在任何指定的模型误差范围内得到有效的基于试验的政策评估，通过模拟和真实数据对认证的政策评估进行了展示。

Oct, 2023