共同支持域：找出数据不能识别的比较
如果某群体按实际规则永远不可能不接受处理，比较模型无法仅凭现有数据恢复它的未处理结果。回归更灵活、倾向模型给出有限概率，都没有创造缺少的对照。共同支持域关心证据能够识别哪个干预对比，而不只是软件能否输出预测。
交付应是与目标人口相连的协变量处理支持表，区分结构性缺失与样本偶然空格，再明确选择新数据、较窄目标、显式外推假设或界限。不能悄悄换人口，却继续保留原来的全体效应名称。
看重叠之前先定义目标
假设研究比较标准化新研究流程A为一与旧流程A为零。Y是事先规定封顶三十分钟的完成时间，未完成也记三十，所以结果按定义在零至三十之间。均值差为负在这个时间指标上有利于新流程，质量和失败率仍是另外结果。
目标企业人口百分之七十小型、百分之三十大型。教学例假设基线规模Z足以调整混杂，并明确设定一致性、无相关干扰及给定Z的交换性，而不是从支持表推导它们。正值性是额外要求：目标人口相关层中，两种流程都应有可能。
Zivich、Cole与Westreich的原始正值性论文在Definitions及处理违反部分区分总体结构支持和样本稀疏，并讨论模型增加的限制。其处理例子提供条件来源，下面企业表为自拟演示。
把缺少的对照格明确列出
假设已观察层内数据具有代表性，为单独展示支持问题，暂把样本均值当总体值，先不加入抽样误差。
| 企业规模 | 目标占比 | 新流程数 | 旧流程数 | 新流程均值 | 旧流程均值 |
|---|---|---|---|---|---|
| 小型 | 0.70 | 70 | 70 | 8 | 10 |
| 大型 | 0.30 | 60 | 0 | 12 | 未知 |
已经核实的运营规则要求这个目标环境中所有大型企业都使用新流程，所以P(A=1|大型)=1，不只是样本碰巧六十比六十。小型两种都可能，示例概率为0.50。
按设定识别条件，小型对比为8−10=−2分钟。原目标的新流程均值为0.7乘8加0.3乘12，等于9.2；旧流程均值为0.7乘10加0.3乘未知的大型旧流程均值，即7+0.3m0_large。因此目标平均效应为2.2−0.3m0_large。
未知量没有因为拟合而消失。如果大型旧均值为10，目标差为−0.8；若为20，则为−3.8，两者都与已观察表相容。模型选择其中一个值，提供的是额外限制，不是恢复了数据中实际存在的对照。
估计之前先写识别缺口
结构层规定各规模中哪些行动可能；识别层问在因果前提下，目标量是否由观察分布决定。这里缺少占目标百分之三十的大型层旧流程反事实，因此原目标不能被非参数识别。
估计是下一步：真实有限数据中，小型均值也有抽样不确定度。大型新流程样本再多，可以把十二估得很精确，却仍无法识别m0_large。增加相同缺支持模式下的观测，不会补上对照。
逆概率加权也不会制造大型未处理企业，该层未处理概率就是零。为避开数值边界把一改成0.99，没有改变规则，也没有新增旧流程结果。权重截断可降低近零概率的数值不稳定，但不能修复结构性零支持。
限制人口就改变了研究目标
一个可论证回应是只研究两流程都可能的小型企业。把原0.70占比重新归一成一，得到小型对比−2；应报告为定义清楚的小型人口平均对比，并保留其识别条件。
不能继续叫全企业平均效应。排除的百分之三十是原问题实质部分，不是方便删除的离群点。目标覆盖表应列出删除谁、为何删除，以及规模、行业和运营规则构成怎样改变。
也可以寻找可比大型企业的外部旧流程数据，但要检查处理版本、期间、结果封顶及混杂定义是否相同。规则变更前的历史资料可能带来时间差异，不会仅因多出对照，就自动与当前目标交换。
用界限或显式情景保留缺口
因为Y按预定规则处于[0,30]，大型旧均值也在该范围。固定已观察均值时，目标差下界为2.2−0.3乘30，即−6.8；上界为2.2−0.3乘0，即2.2分钟。这是结果范围及其他假设下的识别界限，不是置信区间。
范围跨正负，表格不能单独确定新流程改善全目标平均时间。有理由缩窄缺失均值范围可以收紧界限，但必须说明来源；为得到喜欢的正负方向而挑范围，不是新证据。
参数外推也可以作为条件情景。例如假设旧流程均值不随规模变化，就设大型旧均值10，得到−0.8。应明确正是这条相等限制承担了没有支持的比较。AI模型也需要函数形式与训练支持来填格，灵活不等于没有限制，更不能把生成值标为实际对照观察。
偶然空格是另一种问题
另设大型企业真实处理概率为0.90，独立抽二十家，全部使用新流程的概率为0.9的二十次方，约0.1216，即百分之十二点一六。样本没有旧流程者，仍可能只是偶然，两种行动在总体中实际存在。
这与已经核实的大型全处理规则不同。增加相关独立大型观察可以帮助随机稀疏情形，却不能在不改变环境的情况下推翻结构规则。很多连续协变量共同分层时，精确组合经常稀疏，即使总体正值性合理，仍需模型及形式假设。
一张倾向分数直方图有重叠，也不证明所有重要协变量组合都有支持。应检查具体变量与分配机制，尤其罕见组合。反过来，行数少或一格为零，也不能直接宣布结构不可能，需要规则及采集证据。
带目标人口执行支持核验
| 检查 | 保存证据 | 缺支持时处理 |
|---|---|---|
| 定义目标 | 人口权重、干预、结果 | 解决含糊效应标签 |
| 识别分配 | 规则、例外、日期 | 区分结构零与样本零 |
| 列支持表 | 基线层的处理数和结果可得性 | 标明缺反事实格 |
| 其他前提 | 混杂、一致性、测量 | 不把正值性当充分条件 |
| 选择回应 | 招募、限制、界限或外推 | 报告新目标或额外限制 |
| 表达不确定度 | 抽样精度与识别缺口 | 不混成无解释区间 |
若资料与全处理规则冲突，先调查真例外、编码错误和时期差异。处理标签缺失是未知分配，不能自动当旧流程对照。应保留逐条记录及归类依据，再判断是否真的新增支持。
当有效对照出现、规则改变、限制目标被接受，或外部证据支持缺格假设，应更新判断并保留旧表与原权重。这样复核者能看清研究是获得了回答原问题的新信息，还是只是转向现有数据能回答的较窄问题。
保留实际混合分配能够回答的量
缺少对照不表示所有描述量都不可得。按表中设定总体解释，小型两流程概率各0.50，实际均值为0.5乘8加0.5乘10，等于9。合并规模层，现行分配下观察均值为0.7乘9加0.3乘12，等于9.9。
这个9.9描述既有分配混合，既不是全部新流程均值9.2，也不是尚未观察的全部旧流程均值，更不是平均处理效应。准确报告它仍有助描述当前流程人口，但应与干预对比列分开，不能用一个可识别观察平均掩盖另一个未识别因果量。
新增数据让9.9精度提升，原先全部处理对全部不处理的问题也可能仍未解决。报告应注明哪些缺口是抽样噪声、哪些来自结构支持，避免团队将更多同类数据误当作解决所有因果不确定度的办法。
也应核对目标权重来自哪里。当前样本恰有七成小型，不代表任何未来目标都同样分布；人口构成变化时，要重新检查各层支持，而不能只替换两个加权系数。过去支持良好的小型层若未来被细分成更多相关类型，也可能出现新的稀疏组合。
支持表因此应与规则日期和目标版本一同归档。后续可以清楚说明，某次结果改变来自原问题新增对照、目标人口改变，还是额外外推限制改变。三者都可能产生新数字，却代表不同证据进展，不应统一称为模型更准确了。
观察模式中的交叉验证良好，也没有检验大型未处理缺格。模型可能在所有留出观察行都预测不错，却仍未测试这个反事实外推。验证声明必须对应验证数据实际代表的组合，不能只凭总体误差小就认证缺支持区域。
常见问题
极端权重能否创造不存在的比较组？
不能。它只能重分配已观察信息，结构性缺格需要其他证据、新目标或明确附加假设。
样本空格是否总证明结构性违反？
不是。处理概率0.90时，二十家可能偶然全处理。规则证据用来区分这种情况与不可能。