如果治疗组之间的协变量分布有有限的重叠，那么在没有混淆的治疗分配下的平均治疗效果的估计就会变得相当不精确。但这种有限的重叠也会对推断产生不利影响，例如导致高度扭曲的置信区间。本文表明，这是因为传统置信区间的覆盖误差不是由总样本量驱动的，而是由有限重叠区域的观测次数驱动的。至少其中一些“局部样本容量”在应用中通常非常小，以至于从中心极限定理导出的分布近似变得不可靠。在此基础上，本文提出了两种新的鲁棒置信区间，它们是经典小样本推理方法的扩展。结果表明，这些方法易于实现，在经验相关的设置中，相对于标准方法具有优越的理论和实践性质。因此，它们对从业者应该是有用的。