信息来源：中国人民大学健康大数据研究院 发布日期：2026年5月25日

在目标人群中存在未观测混杂且缺乏工具变量时，因果效应的估计较为困难。本文利用来自辅助人群的工具变量，通过数据融合的方法来识别目标人群中的因果效应。文章首先讨论了基于条件平均处理效应同质性的传统思路，但该方法在处理效应存在异质性时可能产生偏倚。为此，本文提出了等混杂（equal-confounding）假设，即在调整观测协变量后，不同人群中的未观测混杂偏倚相同，但允许处理效应在不同人群之间存在差异。在此基础上，可以利用辅助人群识别混杂偏倚，并据此校正目标人群中处理与结果之间的关联性，从而恢复因果效应。文章进一步提出了多稳健估计方法及去偏机器学习方法，并通过模拟研究和真实数据分析验证了方法的有效性。

1

作者介绍

李伟

李伟，中国人民大学统计学院副教授，中国人民大学吴玉章青年学者，教育部青年长江学者，入选北京市通州区“运河英才计划”领军人才。研究方向是因果推断、缺失数据及其在生物医学、社会经济学等领域中的应用，已在JRSSB, JASA，Biometrika等国际统计学顶级期刊发表多篇文章。主持国家自然科学基金青年项目和面上项目、北京市自然科学基金面上项目等多项科研课题。个人主页：https://weiliruc.github.io/

刘佳朋

刘佳朋，波士顿大学统计学博士研究生，2025年硕士毕业于中国人民大学统计学院。主要研究方向为因果推断，数据融合等。

丁鹏

丁鹏，加州大学伯克利分校统计系副教授。2015年5月在哈佛大学统计系获得博士学位，随后在哈佛大学陈曾熙公共卫生学院（Harvard T. H. Chan School of Public Health）流行病学系从事博士后研究工作，直至2015年12月。此前，他在北京大学获得数学学士、经济学学士以及统计学硕士学位。

耿直

耿直，北京工商大学数学与统计学院，教授；创新书院院长。1989年至2021年在北京大学任教，2022年至今组建北京工商大学数理统计及因果推断团队。研究领域为因果推断、不完全数据统计分析、生物医学统计等。曾任中国现场统计研究会理事长、中国概率统计学会理事长、IMS-China主席、中国统计学会副会长；现任中国现场统计研究会因果推断分会理事长，中国人工智能学会不确定性人工智能专委会副主任委员。

2

论文发表截图

3

论文题目

Identification and multiply robust estimation of causal effects via instrumental variables from an auxiliary population

4

论文摘要

Estimating causal effects in a target population with unmeasured confounders is challenging, especially when instrumental variables (IVs) are unavailable. However, IVs from auxiliary populations with similar problems can help infer causal effects in the target population. While the homogeneous conditional average treatment effect assumption has been widely used for effect transportability, it has not been explored in IV-based data fusion. We include it as a basic approach, though it may be biased when treatment effect heterogeneity exists. As an alternative approach, we introduce the equi-confounding assumption that the unmeasured confounding bias remains the same after adjusting for observed covariates, while allowing conditional average treatment effects to differ across populations. This allows us to identify the confounding bias in the auxiliary population and remove it from the treatment-outcome association in the target population to recover the causal effect. We develop multiply robust estimators under both approaches and demonstrate them through simulation studies and a real data application.

中国人民大学健康大数据研究院于2023年5月获批成立，为学校首批建设的16个创新高地之一。研究院聚焦国民健康中的数据科学挑战，面向国民健康测度、评估、管理等社会重大现实问题开展基础研究与应用研究，致力于服务“健康中国”国家战略重大需求、构建健康大数据领域国内领先、国际一流的创新型研究高地。