我们提出了一种估计和推断异质性因果效应参数边界的方法。这一方法适用于一般样本选择模型，其中处理可能会影响结果是否被观察到，并且没有排除限制。该方法提供了作为政策相关的前处理变量函数的条件效应边界。它允许对未知条件效应进行有效的统计推断。我们采用了一种灵活的去偏/双重机器学习方法，可以适用于非线性函数形式和高维混淆变量。同时，我们还提供了估计的易验证高级条件、误规范鲁棒置信区间和均匀置信带。我们重新分析了一项关于Facebook上反态度新闻订阅的大规模实地实验的数据，我们的方法相比传统方法显著缩小了效应边界，并暗示年轻用户的去极化效应。