关于：在存在试验参与效应的情况下，如何将随机试验中的因果推断结果进行推广和迁移

《Epidemiology》：Re: Generalizing and Transporting Causal Inferences from Randomized Trials in the Presence of Trial Engagement Effects

Ung等人的研究探讨了在随机试验中运输效应到目标人群的识别条件，特别是当试验参与度无因果效应时，通过条件交换性假设和语境化DAG图解决混杂因素问题。

　　

Ung等人研究了将随机试验中的因果推断结果推广到目标人群的条件，这些目标人群可能包含也可能不包含试验参与者。¹ 尽管他们的文章主要关注试验参与对结果具有因果效应（而非由治疗分配介导）的情况，但我们在此回应一篇关于试验参与效应不存在的情况的评论。在这里，我们重新展示了图1和图2，去掉了从S到Y的箭头。对于$E\left(Y^a\right)$的识别证明是……

图1：

有向无环图。

图2：

在干预措施下设置治疗分配的单世界干预图

这些等式分别基于迭代期望法则、正性的可转移性、随机子集中条件交换性以及因果一致性成立。这里我们关注条件交换性假设，该假设可以表示为$Y^a\text{?}A|X,S=<mn>1</mn>$。

据我们理解，作者认为估计量无法被识别（见第503页），是因为这个条件交换性假设不成立。作为证据，他们指出了图2中的路径，并指出即使我们以S为条件，这条路径（反映了“目标人群非随机子集中存在未测量的混杂因素”）仍然存在。

然而，既然我们已经假设了正性的可转移性，随机子集中的条件交换性就足够了，并且我们知道在边际随机试验中$Y^a\text{?}A|X,S=<mn>1</mn>$是成立的。因此，在其他假设成立的情况下，估计量是可以被识别的。那么为什么图表看起来与这一点相矛盾呢？图表表示的是所有涉及变量的值之间的独立性，并没有体现特定情境下的独立性。² 这意味着图2可以用来评估$Y^a\text{?}A|X,S$（正如作者所指出的，这是不成立的），但它不能用来评估。要评估这种特定情境下的独立性，我们需要考虑其他图表。在图3中，我们为每个子集（随机和非随机）分别展示了图表，表明$Y^a\text{?}A|X,S=<mn>1</mn>$是成立的。另一种方法是在边上添加标签来指示存在独立性的情境（父变量的设置）。^{2图4是图2的带标签版本。边$U\to A$和$X\to A$被标记为$(*,1$，表示在A的父变量取特定值时的独立性。对于U→A，当(X=*,S=1)时，该边不存在（因为*表示X可以取任何值）。对于X→A，当(U=*< />S=1)时，该边也不存在。}

图3：

图2的特定情境版本。

图4：

图2的带标签版本，其中标签表示了

A

的父变量值，在这些值下边不存在（即存在特定情境下的独立性）。

参考文献

1. Ung L, VanderWeele TJ, Dahabreh IJ. 在试验参与效应存在的情况下，将随机试验中的因果推断结果推广到目标人群。《流行病学》2025;36:500–510。

• 此处引用 |
• Google Scholar

2. Pensar J, Nyman H, Koski T, Corander J. 带标签的有向无环图：有向图模型中特定情境独立性的推广。《数据挖掘与知识发现》2015;29:503–533。

• 此处引用 |
• Google Scholar

版权所有 ? 2026 Wolters Kluwer Health, Inc. 保留所有权利。