大多数因果推断研究都依赖于重叠假设来估计总体或样本的平均因果效应。当数据不重叠时，由于数据支持不足，估计这些估计值需要依赖模型规范。所有现有的解决非重叠问题的方法，如在数据支持较差的地区对数据进行裁剪或向下加权，都会改变估计值，从而无法对样本或潜在人群进行推断。在研究结果通常旨在影响政策的环境卫生研究环境中，人口层面的推断可能至关重要，而评估的变化可能会减少研究结果的影响，因为评估可能无法代表决策者感兴趣的人群的影响。研究人员可能愿意做出额外的、最小的建模假设，以保持估计总体平均因果效应的能力。我们力求就这一主题作出两项贡献。首先，我们提出了一个灵活的、数据驱动的倾向得分重叠和非重叠区域的定义。其次，我们开发了一个新的贝叶斯框架来估计存在非重叠和因果效应异质性时，具有较小模型依赖性和适当较大不确定性的总体平均因果效应。在这种方法中，估计重叠和非重叠区域的因果影响的任务被委托给两个不同的模型，这两个模型适合于每个区域的数据支持程度。树系综用于非参数估计重叠区域中的个别因果效应，在重叠区域中，数据可以自言自语。在数据支持不足意味着需要依赖模型规范的非重叠区域，通过样条模型从重叠区域外推趋势来估计个别因果影响。仿真结果表明，该方法具有良好的性能。最后，我们利用我们的方法对天然气压缩机站暴露对癌症结果的因果影响进行了一项新的研究。Github上提供了实现该方法并再现所有仿真和分析的代码和数据(https://github.com/rachelnethery/overlap).