可迁移性

可迁移性关注的是：一项研究的发现在换了人群或情境后，是否依然成立。你可以这样理解：同一份食谱在家里的厨房做出来很成功，到了高海拔地区，结果却可能不同，因为条件变了。同样，一项能降低科技初创公司员工离职率的方案，到了制造工厂可能就不奏效了，因为两者的工作文化和员工动机存在根本差异。想一想：当你看到一项新的研究、发现或建议时，你所处情境中的人和条件，与原始研究中的是否相符？

可迁移性要解决一个基本问题：研究是在特定样本中开展的，但我们常常想把结果用到其他地方。核心挑战在于，人群之间在人口特征、环境、文化或测量方法上的差异，可能让效果发生变化，甚至完全消失。这既关系到研究了哪些人，也关系到连接原因与结果的作用机制。

它是如何运作的：可迁移性借助因果框架，找出哪些差异会影响结果。如果你知道某种治疗通过特定的生物机制发挥作用，而这个机制在两个人群中的运作方式相同，那么研究结果就更有可能迁移过去。研究者用“选择图”描绘这些关系，判断研究发现什么时候可以推广，什么时候不可以。关键是：你不能直接假定两者相似，而必须证明相关条件相符。

现实中的例子：在医学领域，过去主要以男性为受试者的药物试验，由于没有考虑生物学差异，未能预测女性对药物的反应。在教育领域，一种在人数少、资源充裕的班级中有效的教学方法，推广到经费不足的学校时往往效果不佳，因为资源限制改变了实施方式。在政策领域，由于警务、枪支法律和社会服务存在差异，欧洲城市的犯罪减少策略很少能迁移到美国的情境中。

对实际应用的启示：在把研究应用到自己的情境之前，先梳理其中的差异。问问自己：在你的条件下，同样的因果机制是否有可能以相同的方式发挥作用？如果原始研究人群与你所面对的人群在收入、文化、生物特征或制度环境上存在很大差异，就尤其需要审慎。当差异很大时，可以考虑先做小规模试点，而不是直接假定研究结果能够迁移。

可迁移性源于因果推断研究，是处理外部效度问题的一套形式化框架。外部效度关注的是：一个人群中的研究结果，是否适用于另一个人群。可推广性关注研究发现能否扩展到来自同一分布的更广泛人群，而可迁移性处理的是目标人群存在已知差异的情况。这个领域发展出了使用选择图的形式化方法，用于判断跨人群推断在什么条件下成立，以及还需要哪些额外假设。

• Pearl 和 Bareinboim（2014）：建立了一套完备的判定准则，利用 do 演算和选择图来判断因果效应何时可以跨人群迁移，并表明可迁移性需要人群之间共享作用机制，或协变量分布的差异能够被还原 [1]。
• Degtiar 和 Rose（2023）：综述了研究可推广性与可迁移性的各种方法，强调有用的因果推断既需要内部效度（在研究内部得到无偏估计），也需要外部效度（适用于目标人群），并提出了选择合适方法的决策框架 [2]。
• Bareinboim 和 Pearl（2013）：表明“可迁移性问题”，也就是需要将实验研究中的效应应用到不同人群的问题，可以通过图形判定准则得到系统解决。这些准则能够识别何时可以整合多个人群的信息，从而还原目标人群中的效应 [3]。

可迁移性依赖较强的假设，而这些假设往往无法得到充分验证。这套方法假定你能正确描述人群之间的差异，并且不存在未测量的效应修饰因素，也就是会改变效应的因素。但在实际中，我们很少能完全了解人群之间的差异，对因果机制的理解也可能不完整。可迁移性分析还依赖原始研究的内部效度：原始研究有问题，迁移后的结果也会有问题。此外，形式化的可迁移性方法需要统计学专业知识，以及两个人群的数据，而这些条件未必具备。一些研究者也在争论：可迁移性是否真的不同于可推广性，还是同一个问题的一种特殊情况。