Mortality Modelling using Generalized Estimating Equations
本文针对年龄别死亡率的纵向相关性,构建单总体与多总体GEE模型并比较多种相关结构,以稳健估计回归参数并评估其死亡率预测能力。
2024-01-23 stat.AP
A Probabilistic Framework for Estimating the Modal Age at Death
University of Southern Denmark(南丹麦大学)
针对现有死亡模态年龄估计方法仅做点估计、忽略数据不确定性的问题,本研究提出结合多项模型与高斯近似的概率框架,基于六国数据验证,可量化不确定性、提升鲁棒性,为人口研究与政策规划提供支持。
2026-11-04 stat.AP
A Survival Framework for Estimating Child Mortality Rates using Multiple Data Types
University of Washington(华盛顿大学);Macalester College(玛凯斯特学院)
本文提出了一种贝叶斯生存框架,通过整合多种数据类型,以单个模型估计儿童生存概率随年龄和时间的变化,提供更全面的生存曲线。
2026-01-28 stat.AP
The network survival method for estimating adult mortality: Evidence from a survey experiment in Rwanda
成人死亡率是人口健康和福祉的一个重要指标。富裕国家拥有高质量的生命登记系统,但贫穷国家缺乏这一基础设施,必须依赖往往有问题的估计。在本文中,我们介绍了网络生存方法,一种新的方法来估计成人死亡率。我们得到精确的条件下,它产生的估计是一致的和无偏的。此外,我们开发了一个分析框架的敏感性分析。为了评估网络生存方法在现实环境中的性能,我们在卢旺达进行了一项具有全国代表性的调查实验(n= 4,669)。网络生存估计数与其他方法的估计数相似,尽管网络生存估计数是用小得多的样本进行的,并且完全基于卢旺达的数据,不需要模型生命表或汇集其他国家的数据。我们的分析结果表明,网络生存的方法具有吸引力的属性,我们的实证结果表明,它可以用于可靠的估计成人死亡率的国家是迫切需要的。
2017-02-19 stat.AP
A framework for estimating and visualising excess mortality during the COVID-19 pandemic
2019冠状病毒病相关死亡低估了大流行对死亡率的负担,因为它们存在完整性和准确性问题。超额死亡率是一个受欢迎的替代方法,因为它将观察到的死亡人数与基于大流行没有发生的假设的预期死亡人数进行比较。如果大流行没有发生,预计死亡人数取决于人口趋势、温度和时空模式。除此之外,还需要高地理分辨率来审查国家内部的趋势和不同公共卫生政策的有效性。在本教程中,我们提出了一个框架,使用R来估计和可视化高地理分辨率下的超额死亡率。我们展示了一个案例研究,估计2020年意大利的超额死亡人数。所提出的框架是快速实施,并允许结合不同的模型,并提出在任何年龄,性别,空间和时间的聚合所需的结果。这使得它在在线监测流行病负担和及时制定政策方面特别强大和有吸引力。
2023-03-06 stat.AP stat.CO
Bayesian Reconstruction of Two-Sex Populations by Age: Estimating Sex Ratios at Birth and Sex Ratios of Mortality
贝叶斯重建的原始版本是一种用于估计特定年龄的生育率、死亡率、移徙和最近不确定性的人口计数的方法,仅对女性人口进行了估计。在这里,我们将展示如何两个性别的人口可以类似地重建和概率估计的各种性别比数量。我们通过重建1971年至2001年的印度,1960年至2000年的泰国和1985年至2005年的老挝的人口来展示该方法。我们发现有证据表明,在印度,出生性别比超过了传统的上限1.06,并在研究期间进一步增加,后验概率超过0.9。此外,几乎是独一无二的,我们发现了印度女性出生时预期寿命低于男性的证据(1971- 1976年的后验概率为0.79),尽管有强有力的证据表明,到2001年,这一差距正在缩小。在泰国和老挝,我们发现了更常见的结果的有力证据,即女性出生时的预期寿命更长,在泰国,这种差异在研究期间有所增加。
2013-12-18 stat.AP
Estimating excess mortality in high-income countries during the COVID-19 pandemic
针对新冠疫情死亡人数量化缺乏黄金标准的问题,提出经年龄调整的年度超额死亡率计算方法,应用于30国数据并对比现有估算,强调年龄调整的重要性。
2023-12-19 stat.AP stat.ME
PM2.5 and all-cause mortality
美国环保署和世界卫生组织声称PM2.5是导致所有原因死亡的原因。双方都支持和资助关于空气质量和健康影响的研究。世卫组织资助了对空气质量和健康影响论文的大规模系统审查和荟萃分析。对1,632篇文献进行了综述,并选择了196篇进行荟萃分析。选择标准空气成分、颗粒物、PM10和PM2.5、二氧化氮、NO2和臭氧作为原因,选择全因和特定原因死亡率作为结果。PM2.5和全因死亡的风险比为1.0065,置信限为1.0044至1.0086。有必要评估这一因果关系主张的可靠性。基于p值图和对几种形式的偏倚的讨论,我们得出结论,这种关联不是因果关系。
2020-10-31 stat.AP
Mortality Forecasting using Variational Inference
本文针对死亡率预测中传统模型两步估计或使用繁琐的问题,提出基于变分推断和 Pyro 的一步估计方法,在瑞典数据上取得优于流行模型的预测性能。
2023-05-25 stat.AP
On the misuse of time-dependent models in assessing mask usage and excess mortality
Instituto de Ciências Biomédicas Universidade de São Paulo(圣保罗大学生物医学科学研究所);Universidade de São Paulo(圣保罗大学)
本文通过重新评估批评,指出时间依赖模型的缺陷,并证明口罩使用与超额死亡率的关联不依赖于反向因果性。
2026-03-02 stat.AP
Potential outcome approach to causal inference in assessing the short term impact of air pollution on mortality
空气污染短期影响的评估依赖于对污染-结果关联的因果解释,但到目前为止,很少有研究明确地在因果推断框架内面对这个问题。在本文中,我们重新制定的问题,评估短期影响的空气污染对健康的潜在结果的方法,因果推断。我们专注于2003-2006年期间,在米兰(意大利)大都市区暴露的两天内,高水平的PM10对死亡率的影响。在根据潜在结果之间的差异定义可归因死亡人数后,我们使用估计的倾向得分将每个高风险日与具有相似背景特征但PM10水平较低的日相匹配。然后,我们通过比较匹配日期之间的死亡率来估计影响。我们发现,在研究期间,每日暴露量大于40微克/立方米的1079人死亡(116; 2042)。这种影响在老年人中比在年轻人中更为明显。倾向得分匹配被证明是一个有吸引力的方法来评估历史的影响,在这一领域。
2016-08-30 stat.AP stat.ME
Estimating a Causal Exposure Response Function with a Continuous Error-Prone Exposure: A Study of Fine Particulate Matter and All-Cause Mortality
许多研究已经研究了长期暴露于细颗粒物(PM2.5)和不良健康结果之间的关系。最近,许多这些研究已经开始采用高分辨率的预测PM2.5浓度,这是测量误差。先前用于曝光测量误差校正的方法已经应用于非因果设置中或者仅考虑了分类曝光。此外,大多数程序都没有考虑到误差校正引起的不确定性时,拟合的响应函数(ERF)。为了弥补这些不足,我们开发了一个多重插补框架,结合回归校准和贝叶斯技术来估计因果ERF。我们演示了如何输出的测量误差校正步骤可以无缝集成到贝叶斯加性回归树(BART)估计的因果ERF。我们还演示了如何从BART的后验样本的局部加权平滑可以用来创建一个更准确的ERF估计。我们提出的方法也适当地传播曝光测量误差的不确定性,以产生准确的标准误估计。我们评估我们提出的方法在广泛的模拟研究的鲁棒性。然后,我们应用我们的方法来估计PM2.5对2000-2012年新英格兰医疗保险参保者全因死亡率的影响。
2022-11-28 stat.AP stat.ME
Estimating excess mortality during the Covid-19 pandemic in Aotearoa New Zealand
University of Canterbury(坎特伯雷大学);Stats NZ(新西兰统计局);Australian Actuaries Institute Mortality Working Group(澳大利亚精算师协会死亡率工作组)
本文通过拟泊松回归模型估计新冠疫情期间新西兰的超额死亡率,发现2020-21年超额死亡率为负,2022-23年新冠死亡是主要贡献因素。
2025-12-20 q-bio.PE stat.AP
Causal inference in the context of an error prone exposure: air pollution and mortality
我们提出了一种新的方法来估计因果效应时,暴露测量误差和混杂调整是通过广义倾向评分(GPS)。使用验证数据,我们提出了一个回归校准(RC)为基础的调整与GPS相结合的连续易出错的曝光调整混杂(RC-GPS)。将校正的连续暴露转换为分类暴露后进行结局分析。我们认为混杂调整的背景下,GPS子分类,逆概率处理加权(IPTW)和匹配。在具有不同程度的暴露误差和混杂偏差的模拟中,与依赖于易出错暴露的标准方法相比,RC-GPS消除了来自暴露误差和混杂的偏差。我们将RC-GPS应用于丰富的数据平台,以估计2000年至2012年期间长期暴露于细颗粒物($PM_{2.5}$)对新英格兰死亡率的因果影响。主要研究包括$217,660$ 1 km $\times$ 1 km网格单元覆盖的$2,202$邮政编码、年死亡率、根据时空模型(易出错暴露)估计的年$PM_{2.5}$平均值和几个潜在混杂因素。内部确认研究包括来自主研究的75个邮政编码内的83个1 km $\times$ 1 km网格单元的子集,其具有从监测站获得的无误差年度$PM_{2.5}$暴露。在无干扰和弱不混淆的假设下,使用匹配,我们发现暴露于中等水平的$PM_{2.5}$($8 <$ $PM_{2.5}$ $\leq 10\ {\rm μg/m^3}$)导致$2.8\%$($95\%$ CI:$0.6\%, 3.6\%$)与低暴露($PM_…
2018-06-28 stat.AP stat.ME
Assessing Excess Mortality in Times of Pandemics Based on Principal Component Analysis of Weekly Mortality Data -- The Case of COVID-19
当前COVID-19的爆发再次引起了对可靠统计分析的关注,以监测死亡率模式和趋势。超额死亡率被认为是衡量这一流行病对死亡率造成的总体负担的最适当指标。因此,于COVID-19疫情爆发的首个月,超额死亡率备受关注。以往估计超额死亡率的方法有些局限,因为它们没有充分考虑长期趋势、不同人口和地理群体之间的相关性以及死亡率时间序列中的自相关性。这可能导致对超额死亡率的有偏估计,因为随机死亡率波动可能被误解为超额死亡率。我们提出了一个混合的经典流行病学方法来估计额外的死亡率在非常事件与既定的人口统计方法在死亡率预测,即李卡特型模型,它涵盖了命名的限制,并绘制了一个更现实的画面,超额死亡率。我们使用19个国家的每周年龄和性别特异性死亡率数据以及当前的COVID-19大流行作为案例研究来说明我们的方法。我们提出的模型提供了一个总体框架,可应用于未来的流行病,以及监测特定死亡原因的超额死亡率。
2020-10-10 stat.AP
Estimating Subnational Under-Five Mortality Rates Using a Spatio-Temporal Age-Period-Cohort Model
本研究提出一种新颖的时空年龄-时期-队列贝叶斯层次模型,用于估计肯尼亚次国家级五岁以下儿童死亡率,并验证了队列效应的有用性。
2023-09-05 stat.AP stat.ME
Estimating Global and Country-Specific Excess Mortality During the COVID-19 Pandemic
估计COVID-19对世界上每个国家的真实死亡负担是一项困难但至关重要的公共卫生工作。将死亡直接或间接归因于COVID-19是有问题的。一个更容易实现的目标是“超额死亡”,即特定时期的死亡人数相对于“正常时期”的预期死亡人数,我们在2020年和2021年的月度时间尺度上对所有国家进行了估计。超额死亡率需要两个数字,总死亡人数和预期死亡人数,但许多国家无法获得前者,因此需要对这些国家进行建模。预期死亡人数是基于历史数据,我们开发了一个模型,用于为所有国家生成预期估计值,并且在计算超额时,我们考虑到模型预期数字的不确定性。我们描述了为产生世界卫生组织(WHO)超额死亡估计数而开发的方法。为了实现可解释性和透明性,我们开发了一个相对简单的过度分散泊松计数框架,在该框架内可以对各种数据类型进行建模。我们使用有国家月度数据的国家的数据,为没有数据的国家建立一个具有时变系数的预测性对数线性回归模型。对于一些国家来说,只有国家以下一级的数据,我们为这些数据构建了一个多项模型,基于以下假设:随着时间的推移,次区域的死亡比例大致保持不变。根据我们的建模,2020-2021年全球超额死亡率的点估计值为1490万,95%可信区间为(1330,1660)万。这导致超额死亡人数与报告的COVID-19死亡人数之比的点估计值为2. 75,这是一个巨大的差异。
2022-05-18 stat.AP stat.ME
Modeling smooth and localized mortality patterns across age, time, and space to uncover small-area inequalities
Universidad del Paı́s Vasco (UPV/EHU)(巴斯克大学)
本文提出了一种灵活的模型,用于估计小区域中的死亡率趋势,能够捕捉地理差异并适应突发死亡冲击,以揭示小区域不平等。
2025-11-24 stat.AP
Bayesian mortality modelling with pandemics: a vanishing jump approach
本文扩展Lee-Carter模型以考虑消失型疫情跳跃效应,通过贝叶斯方法量化参数不确定性,并利用COVID-19数据验证了其相较于短暂冲击模型的优越性。
2024-08-29 stat.AP
A practical illustration of the importance of realistic individualized treatment rules in causal inference
使用传统的因果推断方法难以估计剧烈体育活动对老年人死亡率的影响,传统方法通过比较与假设情景对应的死亡率风险来定义这种影响,在假设情景中,目标人群中的所有受试者都从事给定水平的剧烈体育活动。只有当目标人群中的所有受试者都有选择每种候选治疗方案的正概率时,才能从观察到的数据中识别基于此类静态治疗干预定义的因果效应,在这种情况下,这一假设是非常不现实的,因为患有严重健康问题的受试者将无法进行更高水平的剧烈体力活动。这个问题可以通过关注因果效应来解决,这些因果效应是基于现实的个性化治疗规则和意向治疗规则定义的,这些规则明确考虑了每个受试者可用的治疗选项集。我们提出了一个数据分析,说明静态因果效应的估计,事实上往往高估了高水平的剧烈体力活动的有益影响,而相应的估计,基于现实的个性化治疗规则和意向治疗规则可以产生无偏估计。我们强调,在估计静态因果效应时遇到的问题并不局限于IPTW估计,但也观察到与$G$计算估计,DR-IPTW估计,和有针对性的MLE。我们基于现实的个体化治疗规则和意向治疗规则的分析表明,高水平的剧烈体力活动可能会使死亡风险降低15- 30%,尽管在大多数情况下,这种效果的证据并没有达到0.05的显著性水平。
2007-12-05 stat.AP
A context-specific causal model for estimating the effect of extended length of overnight stay on traveller's total expenditure
Häme University of Applied Sciences(海梅应用科学大学);University of Jyväskylä(于韦斯屈莱大学)
本文提出一种特定情境的因果模型,用于评估延长过夜停留时间对旅行者总支出的影响,并通过贝叶斯方法进行敏感性分析。
2026-02-20 stat.AP
Methods for Estimating the Exposure-Response Curve to Inform the New Safety Standards for Fine Particulate Matter
本研究通过72种模拟情景比较七种ERC估计方法,并基于6800多万名Medicare受益人数据发现低浓度$PM_{2.5}$下死亡风险急剧上升,支持制定更严格限值。
2023-06-05 stat.AP
Grouped multivariate and functional time series forecasting: An application to annuity pricing
特定人群的死亡率往往按不同属性分列,如性别、州、族裔群体和社会经济地位。在国家和国家以下各级制定社会政策和年金定价时,不仅要准确预测死亡率,而且要确保国家以下各级的预测与国家一级的预测相一致。这激发了分组功能时间序列方法(Shang和Hyndman,2017)的最新发展,以协调特定年龄的死亡率预测。我们将这些分组功能时间序列预测方法扩展到多变量时间序列,并将其应用于老年人死亡率的点预测,从中可以为不同年龄和到期日的固定期限年金定价。使用日本死亡率数据库中的日本各地区年龄别死亡率,我们研究了独立预测方法和分组预测方法之间的一步到15步预测精度。分组的预测方法不仅是有用的,在国家和国家以下各级的年龄别死亡率的预测进行协调,但它们也被证明可以提高预测的准确性。提高死亡率的预测准确性对于保险和养老金行业估计年金价格非常重要,特别是在人口亚组的水平上,由性别,地区和社会经济分组等关键因素定义。
2017-05-22 stat.AP
Estimating causal effects of customer satisfaction on downstream metrics in a multi-queue contact center
针对联络中心改进对业务指标的因果效应不确定问题,本文采用工具变量方法结合审查者设计,利用LATAM航空多队列联络中心数据估计客户服务互动对下游指标的因果效应,为管理者提供决策工具。
2024-12-06 stat.AP
Evaluating Federal Policies Using Bayesian Time Series Models: Estimating the Causal Impact of the Hospital Readmissions Reduction Program
研究人员经常面临的问题是,评估一项政策或计划的效果,该政策或计划是在一个时间点同时在整个人口中启动的,其对目标人口的影响可以在之后的任何时间段显现出来。在有长期测量数据的情况下,使用贝叶斯时间序列模型来估算在政策启动后,如果没有采取政策,会发生什么,以估计因果影响。然而,关于目标被估量的定义,基本假设,这些假设的可验证性,以及选择一个适当的模型的考虑还没有得到彻底的调查。在本文中,我们建立了有用的estimands大规模政策的评估。我们讨论了缺失的潜在结果的插补依赖于一个假设,即使不可检验,可以部分地使用观察到的数据进行评估。我们说明了一种方法来评估这个关键的因果假设,并促进模型推导的基础上,从政策启动前的时间间隔,并使用经典的统计技术。作为一个例子,我们研究了医院再入院减少计划(HRRP),这是一项美国联邦干预措施,旨在改善住院的肺炎、急性心肌梗死或充血性心力衰竭患者的健康状况。我们评估了HRRP对美国和四个地理分区的老年人在不同时间窗的人口死亡率的影响。我们发现HRRP增加了至少一个地理区域和时间范围内肺炎和急性心肌梗死的死亡率,并可能对公共卫生产生不利影响。
2022-10-28 stat.AP
Estimating Treatment Effect Heterogeneity in Psychiatry: A Review and Tutorial with Causal Forests
本文提供基于R包grf中causal forest算法的异质性治疗效应估计教程,涵盖方法概述、算法逻辑、美军士兵压力复原力二次分析实例及模型评估方法,并附复现脚本。
2024-12-14 stat.AP
A Transfer Learning Causal Approach to Evaluate Racial/Ethnic and Geographic Variation in Outcomes Following Congenital Heart Surgery
针对先天性心脏手术结果评估中种族/民族差异的难题,提出结合迁移学习的因果推断框架,利用STS-CHSD数据发现非西班牙裔黑人患者在不同地区的30天死亡率存在显著差异。
2024-03-21 stat.AP stat.ME stat.ML
Causal comparative effectiveness analysis of dynamic continuous-time treatment initiation rules with sparsely measured outcomes and death
支持世界卫生组织目前建议的青少年早期抗逆转录病毒治疗(ART)的证据是不确定的。我们利用大量的观察数据,比较了HIV感染青少年的死亡率和CD 4细胞计数的动态治疗开始规则。我们的方法扩展了Robins等人(2008)开发的用于估计动态治疗方案(DTR)下结果分布的边际结构模型,以允许特定方案和连续体方案的因果比较。此外,我们提出了解决复杂数据集带来的三个挑战的策略:治疗启动过程的连续时间测量;感兴趣的纵向结果的稀疏测量,导致数据不完整;以及由于辍学和死亡而进行删失。我们推导出一个连续时间治疗开始的加权策略;使用插补来处理稀疏测量和脱落引起的缺失;并定义一个复合结局,将死亡和CD 4计数作为比较治疗方案的基础。我们的分析表明,立即启动ART导致较低的死亡率和较高的中位数值的复合结果,相对于其他启动规则。
2019-04-02 stat.AP stat.ME
A longitudinal Bayesian framework for estimating causal dose-response relationships
King’s College London(伦敦国王学院);University of Toronto(多伦多大学);Technical University of Munich(慕尼黑工业大学);Imperial College London(帝国理工学院)
提出一种可扩展的非参数贝叶斯框架,通过广义倾向得分处理时变混杂,估计连续暴露下的边际纵向因果剂量-反应函数,并应用于地铁客流量与COVID-19病例数的因果分析。
2026-10-14 stat.AP stat.ME
From controlled to undisciplined data: estimating causal effects in the era of data science using a potential outcome framework
本文讨论了因果推断的基本原则-统计学领域,估计特定事件,治疗,干预和暴露对实验和观察数据的给定结果的影响。我们解释了识别因果效应所需的关键假设,并强调了与使用观测数据相关的挑战。我们强调,实验思维是至关重要的因果推断。数据的质量(不一定是数量)、研究设计、假设的满足程度以及统计分析的严谨性使我们能够合理地推断因果效应。尽管我们提倡利用大数据和机器学习(ML)算法来估计因果效应,但它们不能替代深思熟虑的研究设计。概念通过例子来说明。
2020-12-12 stat.AP stat.ME
Confounder-Dependent Bayesian Mixture Model: Characterizing Heterogeneity of Causal Effects in Air Pollution Epidemiology
本文提出依赖混杂因素的贝叶斯混合模型(CDBMM),利用依赖狄利克雷过程识别具有相似群体平均处理效应的互斥人群群体,并在Medicare数据中发现PM2.5对死亡率因果效应的六个异质性群体。
2023-10-30 stat.AP stat.ME
Bounding, an accessible method for estimating principal causal effects, examined and explained
估计由治疗后行为定义的亚组的处理效应(即,在主要分层框架中估计因果效应)在技术上可能具有挑战性,并且严重依赖于强有力的假设。我们研究了另一种途径:使用边界来确定与数据一致的可能影响范围。这种简单的方法依赖较少的假设,但可以得出与政策相关的结论。正如我们所展示的,协变量可以直接用于大幅收紧边界。通过模拟,我们证明了哪些类型的协变量是最有益的。最后,我们分析了早期大学高中的多地点实验研究。当检查该计划的学生完成九年级的影响“上轨道”的大学,我们发现ECHS的学生,否则谁会参加一个高质量的高中影响不大,但对于那些谁不会有实质性的影响。这表明,在主要由质量较低的学校提供服务的地区扩大这些方案有潜在的好处。
2017-08-16 stat.AP stat.ME
Transfer Learning for Estimating Causal Effects using Neural Networks
UC Berkeley(加州大学伯克利分校)
我们开发了新的算法来估计异质性处理效应,结合神经网络迁移学习的最新发展与因果推断文献的见解。通过利用迁移学习,我们能够有效地使用与相同的潜在因果机制相关的不同数据源。我们比较我们的算法与现有文献中使用广泛的模拟研究的基础上大规模的选民说服实验和MNIST数据库。我们的方法可以执行一个数量级优于现有的基准,而使用的数据的一小部分。
2018-08-23 cs.AI cs.LG stat.AP
Estimating Heterogeneous Causal Mediation Effects with Bayesian Decision Tree Ensembles
因果推断文献越来越多地认识到,明确针对处理效应异质性可以提高科学认识和政策建议。为了达到同样的目的,研究治疗与结果之间的因果关系也是有用的。本文将在\emph{causal mediation analysis}的背景下解决这些问题。我们引入了一个基于贝叶斯加性回归树的变系数模型来识别和规范异质因果中介效应;类似于线性结构方程模型,这些效应对应于系数的协变量依赖性产物。我们发现,即使在协变量很少的大型数据集上,LSEM也可以对条件平均直接和间接效应产生高度不稳定的估计,而我们的\emph{Bayesian causal mediation forests}模型产生稳定的估计。我们发现,我们的方法是保守的,效果估计“缩小到同质性。我们使用来自医疗支出面板调查的数据和基于模拟数据的数据来检查我们方法的显著特性。最后,我们展示了如何将我们的模型与后验总结策略相结合,以识别有趣的子群并解释模型拟合。
2023-03-02 stat.AP stat.ME
Estimating the Effects of Heatwaves on Health: A Causal Inference Framework
University of Florence(佛罗伦萨大学);Harvard University(哈佛大学);Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院);University of California, Los Angeles(加州大学洛杉矶分校)
本文提出了一种因果推断框架,通过合成控制和空间增强贝叶斯合成控制方法,估计热浪对健康的影响,提供空间一致且稳健的因果估计。
2025-12-12 stat.AP stat.ME
A Bayesian Gaussian Process for Estimating a Causal Exposure Response Curve in Environmental Epidemiology
出于环境政策问题,我们解决的挑战,估计,变点检测和不确定性量化的因果关系的确定性响应函数(CERF)。在潜在结果框架下,CERF描述了连续变化的暴露(或治疗)及其对结果的因果影响之间的关系。我们提出了一种新的贝叶斯方法,依赖于一个高斯过程(GP)模型来估计非参数的CERF。为了实现所需的分离设计和分析阶段,我们参数化的协方差(核)函数的GP模拟匹配通过广义倾向得分(GPS)。超参数以及GP的核函数的形式被选择以优化协变量平衡。我们的方法实现了自动不确定性评估的CERF与高的计算效率,并使变点检测通过推断CERF的衍生物。我们提供的理论结果表明,我们的贝叶斯GP框架和传统的方法之间的对应关系,在因果推断估计连续曝光的因果影响。我们将这些方法应用于520,711个ZIP代码水平的观察,以估计长期暴露于PM2.5,臭氧和NO2对美国医疗保险参保者全因死亡率的因果影响。GPCERF R包中提供了建议的GP模型的计算效率实现,该包可在CRAN上获得。
2023-01-25 stat.AP stat.ME
Random cohort effects and age groups dependency structure for mortality modelling and forecasting: Mixed-effects time-series model approach
本文提出一种考虑年龄组依赖性和随机队列效应的混合效应时间序列模型,用于死亡率建模与预测,无需预设约束即可量化参数不确定性,且在多国数据上的预测精度显著优于CBD模型。
2021-12-31 stat.AP stat.CO stat.ML
On the PM2.5 -- Mortality Association: A Bayesian Model for Spatio-Temporal Confounding
University G. d’Annunzio of Chieti-Pescara(阿布鲁佐大学);McGill University(麦吉尔大学)
本文提出一种贝叶斯模型,用于研究PM2.5与死亡率的关联,通过分解时空尺度的暴露效应以减少混杂偏差,并揭示夏季暴露效应的峰值可能与颗粒物与气温的相互作用有关。
2026-01-27 stat.AP stat.ME
Causal health impacts of power plant emission controls under modeled and uncertain physical process interference
针对空间环境数据因果推断中的干扰问题,提出结合贝叶斯空间机理干扰模型与非参数结果模型的方法,估算得州燃煤电厂减排的健康效应,发现存在不确定性时结果尚无定论。
2024-05-14 stat.AP stat.ME
Estimating the Causal Impact of Recommendation Systems from Observational Data
推荐系统是网络中越来越重要的一部分,在世界上几个最受欢迎的网站上,推荐系统占到了所有流量的三分之一。尽管如此,人们对这种系统实际上引起了多少活动而不是通过其他手段(例如,搜索),如果没有建议。虽然估计推荐的因果影响的理想方法是通过随机实验,但这种实验成本高昂,可能会给用户带来不便。因此,在本文中,我们提出了一种方法来估计因果关系的影响,从纯粹的观测数据。具体来说,我们表明,通过工具变量的因果关系识别是可能的,当一个产品经历了直接的交通和旁边的产品推荐不瞬时冲击。然后,我们将我们的方法应用于浏览日志,其中包含Amazon.com上210万用户在9个月内的匿名活动,并分析了超过4,000种经历此类冲击的独特产品。我们发现,虽然推荐点击量确实占了这些产品流量的很大一部分,但至少75%的这种活动可能会在没有推荐的情况下发生。最后,我们讨论了该方法适用的假设,以及将结果外推到其他产品、地点或环境的注意事项。
2015-10-19 cs.SI stat.AP
Estimating Interpretable Heterogeneous Treatment Effect with Causal Subgroup Discovery in Survival Outcomes
Virginia Commonwealth University(弗吉尼亚联邦大学);University of Pittsburgh(匹兹堡大学)
本文提出了一种可解释的异质治疗效应估计框架,通过整合元学习器同时估计生存结果的CATE并识别预测子群,应用于年龄相关性黄斑变性临床试验以评估治疗效果。
2025-11-26 stat.AP stat.ME
Bayesian Causal Machine Learning for Cure Models
Merck(默克公司)
针对治愈模型中治疗对治愈概率和未治愈患者生存时间的不同影响,提出贝叶斯因果机器学习方法BartCure,分解受限平均生存时间的因果效应,并在乳腺癌试验中验证其有效性。
2026-06-11 stat.AP stat.ME
Estimating Longitudinal Causal Effects with Unobserved Noncompliance Using a Semi-Parametric G-computation Algorithm
受试者不依从,即受试者不遵循指定的治疗方案,通常掩盖了随机试验中治疗和处理效应之间的因果关系。在纵向设置中,G计算算法可以调整混杂以估计因果效应。通常,G计算假设1)观察到符合性; 2)可以正确指定混杂因素的密度。我们的目标是开发一个G-计算估计的设置,这两个假设都违反。对于1),我们用从与依从性相关的生物标志物建模中推导出的概率权重来代替未观察到的依从性。对于2),我们使用预测均值匹配拟合半参数模型。具体来说,我们参数化地指定混杂因素的条件平均值,然后使用预测平均值匹配来随机生成用于G计算的混杂数据。在模拟和应用中,我们比较了多个因果估计已经建立在文献中与那些来自我们的方法。对于模拟,我们生成了不同样本量和混杂水平的数据。对于应用,我们将我们的方法应用于试图评估低尼古丁香烟对香烟消费的影响的试验(香烟中尼古丁评估中心项目2 - CENIC-P2)。
2023-02-08 stat.AP stat.ME
Incorporating nonparametric methods for estimating causal excursion effects in mobile health with zero-inflated count outcomes
针对移动健康微随机试验中的零膨胀计数结果,本文提出结合非参数技术的新颖因果偏移效应估计方法,并验证了其性能。
2024-03-12 stat.AP stat.ME
Mixed Time Series Quasi-Likelihood Models for Uncovering Covid-19 Viral Load and Mortality Dynamics
Loyola University Chicago(芝加哥洛约拉大学);Southern Methodist University(南方卫理公会大学);Queen Mary University of London(伦敦大学玛丽女王学院);University College Dublin(都柏林大学学院)
本文提出MixTSQL模型,用于联合建模病毒载量和死亡数据,通过无分布假设的mean-variance规格,分析不同类型的多元时间序列,揭示病毒载量对死亡的格兰杰因果关系。
2026-03-27 stat.AP stat.ME
Inferring the Direction of a Causal Link and Estimating Its Effect via a Bayesian Mendelian Randomization Approach
使用遗传变异作为工具变量-一种称为孟德尔随机化的方法-是一种流行病学方法,用于估计暴露(表型、生物标志物、风险因素)对观察数据中疾病或健康相关结局的因果影响。工具变量必须满足强有力的、往往是不可检验的假设,这意味着在一大串潜在的候选者中找到好的遗传工具是具有挑战性的。这一困难由于许多遗传变异通过不同的因果途径影响一种以上的表型而变得更加复杂,这种现象称为水平多效性。这不仅会导致估计因果效应大小的错误,而且会导致推断假定因果联系方向的错误。在本文中,我们提出了一种贝叶斯方法称为BayesMR,这是一个推广的孟德尔随机化技术,我们允许多效性的影响,至关重要的是,反向因果关系的可能性。该方法的输出是目标因果效应的后验分布,它提供了估计中不确定性的直接且易于解释的测量。更重要的是,我们使用贝叶斯模型平均来确定推断方向相对于反向方向的可能性有多大。
2020-12-18 q-bio.GN q-bio.QM stat.AP
I See, Therefore I Do: Estimating Causal Effects for Image Treatments
Sony Research India(索尼印度研究院)
本文针对图像作为高维干预时的个体因果效应估计问题,提出 NICE 模型及半合成数据模拟框架,并在多种设置(含零样本)下验证其显著优于现有方法。
2024-11-28 cs.AI stat.AP stat.ML
Estimating Supply Incrementality in Two-sided Marketplaces: A Causal Machine Learning Approach
Airbnb, Inc.(爱彼迎公司)
本文提出一种结合双重/去偏机器学习与层次贝叶斯框架的因果方法,利用地理空间相似性度量估计双边市场中新增供给对交易量的影响,并在Airbnb数据上验证了其合理性和强样本外性能。
2026-07-01 cs.LG econ.EM stat.AP
Expert-Guided g-computation with Large Language Models for Estimating Causal Effects on Timings: Applications to Hospital Quality Improvement
University of California, San Francisco(加利福尼亚大学旧金山分校);University of Michigan, Ann Arbor(密歇根大学安娜堡分校);University of Washington, Seattle(华盛顿大学西雅图分校)
本研究提出专家引导g计算法(egg-computation),结合专家判断与LLM技术,用于估计医院干预措施对平均住院时长的因果效应,在模拟和真实医院数据中表现优于传统方法。
2026-08-12 cs.AI stat.AP stat.ME
Estimating Heterogeneity in Travel Mode Choice Shifts with Causal Forests
Center for Urban Science and Progress, Tandon School of Engineering New York University(纽约大学坦登工程学院城市科学与工程中心)
本研究将因果森林应用于全国家庭出行调查数据,量化新冠疫情对出行方式选择的异质性因果效应,发现汽车出行占比上升,短途、高收入家庭及女性群体增幅最大,为交通政策制定提供依据。
2026-08-06 econ.EM stat.AP stat.ME