Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
Purdue University（普渡大学）
针对观测数据因果发现中缺乏完美干预难以区分因果特征的挑战，提出 Feature Matching Intervention (FMI) 方法，通过匹配过程模拟完美干预并构建因果潜图框架，理论证明其具有强分布外泛化能力，实验验证了其在仅用观测数据有效识别因果特征上的优越性。
2025-03-05 cs.LG stat.ME stat.ML
On estimating causal controlled direct and mediator effects for count outcomes without assuming sequential ignorability
因果中介分析是社会和医学研究中的一种重要统计方法，因为它可以提供关于干预措施为何有效的见解，并为未来干预措施的发展提供信息。目前，大多数因果调解方法集中在平均尺度上定义的调解效果。然而，在健康风险研究中，如酒精或危险性行为，结果通常是计数数据和严重倾斜。因此，在这些设置中的中介效应在率比尺度上是自然的，例如在泊松和负二项回归方法中。现有的方法也主要依赖于假设没有不可测量的中介和结果之间的混杂。为了允许潜在的混杂因素之间的中介和结果，我们定义了一个新的规模上的直接和中介的影响，并提出了一个乘法结构平均模型的中介分析计数结果。估计量进行了比较，泊松和负二项回归方法，假设连续可扩展性使用模拟研究和现实世界的例子，酒精相关的干预研究。使用新方法的中介分析证实了研究假设，即干预通过减少个体对酒精使用的规范性认知来减少饮酒。
2016-01-25 stat.ME
Estimating Causal Effects of HIV Prevention Interventions with Interference in Network-based Studies among People Who Inject Drugs
在基于网络的难以接触人群研究中，评估干扰存在下的因果效应具有挑战性。与许多这类人群一样，注射毒品者也融入了社交网络，并经常对网络中的其他人施加影响。在我们的环境中，研究设计是观察性的，采用非随机的基于网络的HIV预防干预。每个参与者及其通过注射和性行为可能带来艾滋病毒风险的联系的信息都是可用的。我们考虑了两个逆概率加权（IPW）估计，以量化非随机干预对随后的健康结果的人群水平的影响。我们证明了这两个IPW估计是一致的，渐近正态的，并推导出一个封闭形式的估计的渐近方差，同时允许重叠的干扰集（群体的个人，其中干扰被认为是可能的）。进行了模拟研究，以评估有限样本的估计性能。我们分析了输电减少干预项目的数据，该项目确定了2013年至2015年希腊雅典的PWID网络及其联系人。我们在这个观察到的网络中评估了社区警报对艾滋病毒风险行为的影响，其中参与者之间的联系被定义为使用物质或一起进行无保护的性行为。在这项研究中，社区警报被分发，以告知人们最近在观察到的网络中密切接近的个人中感染艾滋病毒。使用任一IPW估计的溢出风险差异的估计表现出保护作用。结果表明，当在网络中检测到艾滋病毒风险增加时，可以通过暴露于社区警报来减轻艾滋病毒风险行为。
2022-11-14 stat.ME
Hypothetical Treatment Accelerations: Estimating Causal Effects of Kidney Transplants from Observational Data
终末期肾病患者在接受移植前可能要等待数年，而他们的健康状况一直在恶化。如果我们设法减少这些等待时间，生存率会有什么变化？为了提供一个答案，我们提出了一个连续时间边际结构模型（MSM）的假设情况下，直到治疗的时间是改变的。在这些情况下，治疗过程是在假设的时间尺度上定义的，其中时间以与实际观察到的时间相比不同的速率流逝。改变处理过程的时间对应于改变联合概率分布，从而使得使用先前开发的方法从观察数据中识别和估计假设参数成为可能。我们使用来自挪威老年肾衰竭患者队列的观察数据证明了这种治疗加速的MSM。该模型可能有助于卫生当局评估减少特定患者群体器官移植等待时间的影响。
2022-07-16 stat.ME
Bipartite Interference and Air Pollution Transport: Estimating Health Effects of Power Plant Interventions
评估空气质量干预措施面临着干扰的挑战，因为对特定污染源的干预措施可能会影响遥远地点的空气质量和健康，而任何特定地点的空气质量和健康都可能受到许多污染源干预措施的影响。在这种情况下，干扰的结构是由复杂的大气过程决定的，该过程控制着特定来源排放的污染如何在空间中转化和传输，并且可以用反映两种不同类型的单位的二分结构来铸造：1）干预单位，在其上应用或保留处理以改变污染排放;以及2）结果单位，在其上测量主要感兴趣的结果。我们提出了新的估计为二分因果推断干扰，包括两个组成部分的治疗：一个“关键相关”（或“个人”）的治疗和“逆风”（或“邻里”）的治疗。使用基于联合倾向得分的半参数调整方法进行估计。一个降低复杂性的大气模型被部署来表征干扰网络的结构，通过模拟空气包裹在时间和空间上的运动。这些新方法用于评估在472个燃煤电厂（干预单位）上安装烟气脱硫洗涤器的有效性，以减少居住在美国25，553个邮政编码（结果单位）的21，577，552名医疗保险受益人中的医疗保险住院率。
2023-01-02 stat.AP stat.ME
Estimating Time-Varying Causal Excursion Effect in Mobile Health with Binary Outcomes
可穿戴设备和数字技术的进步现在使人们有可能在日常生活中为个人提供行为移动健康干预。微随机试验（MRT）越来越多地用于提供数据，为这些干预措施的构建提供信息。在MRT中，每个人在试验过程中反复随机选择多种干预方案，通常数百甚至数千次。这项工作的动机是多个MRT已经进行，或目前在外地，其中的主要成果是纵向二元结果。这种MRT的主要目的是检查特定的随时间变化的干预是否对纵向二元结果有影响，通常对所有数据都有轻微影响，但只有一小部分个体数据。我们提出了因果偏移效应的定义，可用于MRT的主要目标分析与二元结果。在相当严格的假设下，可以根据现有的文献，推导出因果效应的半参数，局部有效估计。我们从这个估计量出发，开发了一个估计量，可以在更合理的假设下作为主要目标分析的基础。模拟研究进行比较的估计。我们使用MRT，BariFit的数据来说明所开发的方法。BariFit的目标是支持接受减肥手术的个人保持体重。
2020-07-29 stat.ME
Combining Interventional and Observational Data Using Causal Reductions
University of Amsterdam（阿姆斯特丹大学）
未观察到的混杂是估计因果效应时的主要挑战之一。我们提出了一种因果简化方法，在给定因果模型的情况下，将任意数量的可能高维潜在混杂因素替换为单个潜在混杂因素，该潜在混杂因素在与治疗变量相同的空间中取值，而不改变因果模型所需的观察和干预分布。这使我们能够从合并数据中以原则性的方式估计因果效应，而不依赖于常见但往往不切实际的假设，即所有混杂因素都已被观察到。我们在三种不同的情况下应用我们的因果还原。在第一种情况下，我们假设治疗和结果是离散的。因果关系的减少，然后意味着可以利用估计目的的观察和干预分布之间的界限。在观测样本高度不平衡的某些情况下，可以通过合并观测数据来提高因果效应估计的准确性。其次，对于连续变量，假设线性高斯模型，我们推导出观测分布和干预分布参数的等式约束。第三，对于一般的连续设置（可能是非线性和非高斯），我们参数化的减少因果模型使用规范化流，一个灵活的类容易可逆的非线性变换。我们对合成数据进行了一系列实验，发现在几种情况下，在不牺牲准确性的情况下，添加观察训练样本可以减少干预样本的数量。
2023-02-22 cs.AI cs.LG stat.ME
Estimating marginal treatment effects from observational studies and indirect treatment comparisons: When are standardization-based methods preferable to those based on propensity score weighting?
本研究通过模拟对比倾向评分加权与标准化方法在单观察性研究、锚定间接治疗比较场景下的边际效应估计效果，类比两类场景下的对应方法，提出间接治疗比较的现有推荐可改进，强调需调整纯预后因素。
2023-10-07 stat.ME
Causal Inference for Unobservable Multivariate Outcomes, with Applications to Brain Effective Connectivity
Brown University（布朗大学）
本文提出方法用于评估干预对多变量结果的因果效应，通过样本分割和逆概率加权处理大脑区域间方向性关系的估计问题，验证了方法在控制假阳性率和家族错误率方面的有效性。
2026-04-01 stat.ME
The Amenability Framework: Rethinking Causal Ordering Without Estimating Causal Effects
本文提出基于可干预性的概念框架，证明在无法估计因果效应时，可使用预测得分作为个体干预倾向的有效代理进行排序，在资源受限环境中实现更稳健的干预优先级排序。
2025-04-04 cs.LG stat.ME
Frameworks for Estimating Causal Effects in Observational Settings: Comparing Confounder Adjustment and Instrumental Variables
本文提出在假设可能违背时比较混杂因素调整与工具变量估计的原则，并通过多奈哌齐治疗 MCI 的实例说明方法选择。
2023-04-28 stat.ME
Heterogeneous interventional indirect effects with multiple mediators: non-parametric and semi-parametric approaches
本文针对因果顺序未知的两个离散中介变量，提出基于影响函数的半参数方法和完全非参数方法估计条件干预间接效应，并给出敏感性分析及COVID-19疫苗接种对抑郁影响的实证应用。
2023-04-18 stat.ME
A causal approach to functional mediation analysis with application to a smoking cessation intervention
移动和可穿戴设备的使用增加，现在可以随着时间的推移对调解过程进行密集评估。例如，药物干预可能通过减少短暂的戒断症状对戒烟产生影响。我们定义并确定了因果直接和间接影响的潜在结果的平均差异和比值比尺度，并提出了一种方法来估计和测试间接影响的随机治疗的远端二元变量介导的非参数轨迹的密集测量的纵向变量（例如，生态环境的评价（ecological momentum assessment）通过模拟证明了间接效应的Bootstrap检验的覆盖范围。一个实证的例子是基于估计以后戒烟戒烟的渴望在戒烟治疗的模式。我们提供了一个R包，funmediation，可在CRAN上，方便地应用这种技术。最后，我们讨论了可能的扩展到多个介质和未来的研究方向。
2022-11-17 stat.ME
Estimating Causal Effects From Nonparanormal Observational Data
科学的基本目标之一是解开特定系统的因果链。特别是对于大型系统，这可能是一项艰巨的任务。详细的干预和随机数据采样方法可以用来解决因果关系的问题，但对于许多系统，这样的干预是不可能的或太昂贵，以获得。最近，Maathuis et al.（2010）遵循Spirtes et al.（2000）的思想，引入了一个框架来估计大规模高斯系统中的因果效应。通过将因果网络描述为有向无环图，即使对于非高斯系统，也可以估计一类一致地描述潜在因果相互作用的马尔可夫等价系统。在这些系统中，因果效应不再是线性的，不能再用单一的系数来描述。本文导出了非高斯分布的一个大子类（称为非超正态分布）中因果效应的一般函数形式。我们还得到了一个方便的近似，它可以有效地用于估计。我们将该方法应用于观察基因表达数据集。
2016-11-29 stat.ME
Accounting for interactions and complex inter-subject dependency in estimating treatment effect in cluster randomized trials with missing outcomes
半参数方法常用于整群随机试验（CRT）中相关结局的干预效果估计。当结局为随机随机缺失（MAR）时，可使用包含基线协变量的逆概率加权（IPW）方法来处理信息缺失。此外，增广广义估计方程（AUG）校正基线协变量的不平衡，但需要扩展MAR结局。然而，在治疗和基线协变量之间存在相互作用的情况下，如果未正确指定相互作用模型，则两种方法均无法单独产生边际处理效应的相合估计。我们提出了一个AUG-IPW估计器，它的权重是一个完整的情况下的概率的倒数，并允许在每个干预臂不同的结果模型。这个估计器是双重鲁棒（DR），它给出正确的估计是否缺失数据过程或结果模型是正确指定的。我们考虑协变量干扰的问题时出现的结果，一个人可能取决于协变量的其他个人。当干扰协变量未建模时，只要协变量干扰不同时存在于结果和缺失中，DR属性就可以防止偏倚。开发了一个R软件包来实现所提出的方法。一个广泛的模拟研究和应用CRT的艾滋病毒风险降低，在南非的干预说明了方法。
2016-01-26 stat.ME
Permutation-based Causal Inference Algorithms with Interventions
使用观察和干预数据学习有向无环图现在是一个根本性的重要问题，这是由于基因组学最近的技术发展产生了这样的单细胞基因表达数据在一个非常大的规模。为了利用这些数据来学习基因调控网络，需要有效和可靠的因果推断算法，该算法可以利用观察和干预数据。在本文中，我们提出了两个算法的这种类型，并证明了这两个是一致的忠实性假设。这些算法是Greedy SP算法的介入性调整，并且是第一个使用具有一致性保证的观察和介入数据的算法。此外，这些算法的优点是它们是非参数的，这使得它们也适用于分析非高斯数据。在本文中，我们介绍了这两种算法及其一致性保证，并分析了它们在模拟数据、蛋白质信号数据和单细胞基因表达数据上的性能。
2017-11-05 stat.AP stat.ME
The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions
描述系统的因果关系是许多科学领域的基本任务，理想情况下通过实验研究来解决。然而，在干预情景下获得数据可能并不总是可行的，而从纯观测数据中发现因果关系是众所周知的挑战。在某些情况下，如基因组学，我们可能有来自异质性研究条件的数据，软（部分）干预仅涉及研究变量的子集，其影响和目标可能是未知的。结合实验和观察研究的数据提供了利用这两个领域并提高因果结构可识别性的机会。为此，我们定义了干预性BGe评分的混合观察和干预数据，干预的目标和效果可能是未知的。为了证明这种方法，我们将其性能与其他最先进的算法进行比较，无论是在模拟还是数据分析应用中。我们的方法的特权是，它需要一个贝叶斯的角度，导致一个完整的特性的后验分布的DAG结构。给定DAG样本，也可以自动导出干预效应的完整后验分布。因此，该方法有效地捕捉结构和参数估计的不确定性。复制模拟和分析的代码可在github.com/jackkuipers/iBGe上公开获得
2022-05-05 stat.ME stat.ML
Estimating Causal Effects With Partial Covariates For Clinical Interpretability
University of Basel（巴塞尔大学）
在诸如医学的应用中，在存在混杂的情况下估计干预的因果效应是经常发生的问题。这项任务是具有挑战性的，因为可能有多个混杂因素，其中一些可能会丢失，并且必须从高维噪声测量中进行推断。在本文中，我们提出了一个决策理论的方法来估计因果影响的干预措施，其中一个子集的协变量是不可用的一些患者在测试过程中。我们的方法使用的信息瓶颈原则进行离散的，低维的协变量数据的充分减少，以估计分布的混杂因素。在这样做时，我们可以估计干预措施的因果效应，其中只有部分协变量信息可用。我们在因果推断基准和治疗败血症的实际应用上的结果表明，我们的方法实现了最先进的性能，而不牺牲可解释性。
2018-11-26 cs.AI stat.ME
Assessing the causal effect of binary interventions from observational panel data with few treated units
研究人员经常面临的挑战是，在干预措施是非随机的情况下，评估干预措施对感兴趣的结果的影响，干预措施仅适用于一个或几个单位，干预措施是二元的，并且在多个时间点可以测量结果。在本文中，我们回顾了现有的方法，因果推断在这些情况下。我们详细介绍了每种方法的基本假设，强调不同方法之间的联系，并提供有关其实际实施的指导方针。确定了几个开放的问题，从而突出了未来研究的必要性。
2019-12-19 stat.AP
Observational and Interventional Causal Learning for Regret-Minimizing Control
University of Stuttgart（斯图加特大学）
我们探讨如何观察和干预因果发现方法可以结合起来。一个国家的最先进的观测因果发现算法时间序列能够处理潜在的混杂因素和同期的影响，称为LPCMCI，扩展到利润从偶然的约束，通过随机对照试验。数值结果表明，完美的干预约束，重建的结构因果模型（SCM）的扩展LPCMCI允许84.6%的时间为目标变量的最佳预测。干预和观察因果发现的实施是模块化的，允许来自其他来源的因果约束。本论文的第二部分研究同时学习因果模型和通过因果模型规划行动的后悔最小化控制问题。这个想法是，一个优化测量变量的代理首先通过观察因果发现来学习系统的机制。然后，代理人干预最有希望的变量与随机值，允许开发和生成新的干预数据。然后，代理使用介入数据来进一步增强因果模型，允许下一次改进行动。与原始LPCMCI算法相比，扩展的LPCMCI可以是有利的。数值结果表明，检测和使用介入约束导致重建SCM，允许60.9%的时间用于目标变量的最佳预测，而使用原始LPCMCI算法时的基线为53.6%。此外，诱导的平均后悔从使用原始LPCMCI算法时的1.2降低到使用具有介入发现的扩展LPCMCI算法时的1.0。
2022-12-05 cs.AI cs.LG stat.ML
Approximate Bayesian Bootstrap Procedures to Estimate Multilevel Treatment Effects in Observational Studies with Application to Type 2 Diabetes Treatment Regimens
随机临床试验被认为是估计因果关系的金标准。然而，在旨在检查干预措施的不良影响的研究中，由于伦理和经济方面的考虑，此类试验往往不切实际。在观察性研究中，广义倾向得分的匹配被提出作为估计多种干预措施的处理效应的可能解决方案。然而，这些匹配程序的点估计和区间估计的推导可能会变得复杂，具有非连续或删失的结果。我们提出了一种新的近似贝叶斯Bootstrap算法，导致统计上有效的点和区间估计的处理效应与分类结果。该程序依赖于估计的广义倾向得分，并对每个单元的未观察到的潜在结局进行多重插补。此外，我们描述了一个相应的解释敏感性分析，以检查unconfoundedness假设。我们应用这种方法在一个大型观察性数据库中检查2型糖尿病常见的真实抗糖尿病治疗方案的心血管安全性。
2020-01-17 stat.ME
Estimating Treatment Effects Using Observational Data and Experimental Data with Non-overlapping Support
针对随机实验受限且观察性数据无混杂假设难验证的问题，本文在两类数据支持集不重叠、实验仅观测替代结果的设定下，提出结合二者估计目标平均处理效应的简单估计量。
2023-06-06 stat.AP stat.ME
Interventional Score Geometry for Causal Inference
University of Calgary（卡尔加里大学）
研究因果推断中仅由联合密度和得分场构建的几何无法识别因果方向的问题，开发干预类似物，定义因果影响等，引入干预响应场和因果度量，为相关设计产生几何词典，组织相关关系但未增加基本假设外的识别能力。
2026-07-27 cs.AI econ.EM stat.ME
Permutation-Based Causal Structure Learning with Unknown Intervention Targets
我们考虑的问题，估计因果DAG模型的观察和干预数据的混合，当干预目标是部分或完全未知。这个问题在基因组学中是高度相关的，因为已知基因敲除技术具有脱靶效应。我们的特点介入马尔可夫等价类的DAG，可以确定从介入数据与未知的干预目标。此外，我们提出了一个可证明一致的算法，从这些数据学习的干预马尔可夫等价类。该算法在置换空间上进行全局搜索，以最小化一个新的得分函数。该算法是非参数的，这是特别重要的基因组学，其中变量之间的关系往往是非线性和非高斯分布的应用。我们证明了我们的算法在合成和生物数据集上的性能。我们的算法的实现和我们实验的可重复代码库的链接可以在https://uhlerlab.github.io/causaldag/utigsp上找到。
2020-06-20 stat.ME
Evaluation of adaptive treatment strategies in an observational study where time-varying covariates are not monitored systematically
在基于电子健康记录（EHR）的研究中，协变量监测的频率可能因协变量类型、患者和时间而异。这可能会导致重大挑战：首先，监测方案的差异可能会使从一个人群中获得的研究结果外推到另一个人群无效，其次，监测可能会成为随时间变化的治疗对目标结局的因果影响的随时间变化的混杂因素。本文演示了如何在评价动态治疗干预时考虑非系统协变量监测，以及如何在真实世界中评价联合动态治疗删失和静态监测干预，基于EHR的II型糖尿病患者比较有效性研究（CER）。首先，我们表明，动态治疗审查制度的影响，可以确定包括监测事件的调整集的指标。其次，我们证明了联合治疗-删失-监测干预措施的效果的标准逆概率加权（IPW）估计的较差性能，这是由于数据支持大幅减少导致标准误大幅增加，以及对监测过程中接近违反阳性假设的有限样本偏倚的担忧。最后，我们详细介绍了一个替代IPW估计这些干预措施的影响，使用无直接影响的假设。我们证明，这种估计可以提高效率，但在成本增加的偏见关注结构接近违反的积极性假设的治疗过程。总之，本文开发和说明了新的工具，研究人员可以利用适当的占非系统的协变量监测CER，并提出新的因果问题的治疗和监测干预措施的联合作用。
2018-06-28 stat.ME
Defining and Estimating Intervention Effects for Groups that will Develop an Auxiliary Outcome
它最近变得流行，定义治疗效果的目标人群的子集，其特征是在治疗决定时不可观察的变量。描述和估计这样的治疗效果是棘手的;最流行但幼稚的方法不适当地调整受治疗影响的变量，因此是有偏见的。我们考虑了几种适当的方法来形式化的影响：主要分层，分层的一个单一的潜在的辅助变量，分层的一个观察到的辅助变量和分层的预期水平的辅助变量。然后，我们概述了每种类型的估计识别假设。我们评估这些被估量的效用和估计程序的决策和理解因果过程，对比它们的概念的直接和间接的影响。我们激励我们的发展与肾脏病和癌症筛查的例子，并使用模拟数据和癌症筛查的实际数据来说明估计方法。
2007-08-30 math.ST stat.ME stat.TH
Adversarial Causal Intervention Falsification
University of Calgary（卡尔加里大学）
本文针对生成模型可能编码错误因果结构的问题，提出对抗性因果干预证伪（ACIF）博弈，证明其理论性质并给出线性高斯示例，搭建了因果生成建模等领域的桥梁。
2026-08-10 cs.GT cs.LG econ.EM
Quantifying Treatment Effects: Estimating Risk Ratios in Causal Inference
针对RCT与观察性数据中风险比估计方法不足的问题，本文提出加权、结果建模及双重稳健估计量，并给出渐近与有限样本分析。
2025-06-10 stat.ME
Estimating and evaluating counterfactual prediction models
本文针对反事实预测模型因无法观测所有潜在结果而难以估计和评估的挑战，提出了模型估计、性能评估及调参方法，即使模型错误设定也能有效估计性能，并通过仿真与心血管疾病风险预测任务验证了方法。
2025-08-12 stat.ME
Assessing Treatment Effect Variation in Observational Studies: Results from a Data Challenge
越来越多的方法旨在评估观察性研究中处理效应变异这一具有挑战性的问题。“观察性研究”的这个特殊部分报告了在2018年大西洋因果推断会议上进行的研讨会的结果，该研讨会旨在了解这些方法的相似性和差异。我们邀请了八组研究人员来分析一个合成的观察数据集，该数据集是使用最近的一项大规模教育随机试验生成的。总的来说，参与者采用了一套不同的方法，从匹配和灵活的结果建模到半参数估计和集成方法。虽然对顶线估计值存在广泛共识，但在估计的处理效应调节方面也存在较大差异。这突出表明，在观察性研究中估计不同的治疗效果通常比单独估计平均处理效应更具挑战性。我们对这次研讨会产生的未来工作提出了几个方向。
2019-09-13 stat.ME
Statistical causal inference methods for observational research in PER: a primer
本文针对物理教育研究（PER）中观察数据的因果推断问题，介绍了统计因果推断的基本原理与方法，并通过模拟数据阐明混杂因素与中介变量的控制原则，最终提出观察研究应致力于为未来干预研究提供预测。
2023-05-23 physics.ed-ph stat.ME
Differential recall bias in estimating treatment effects in observational studies
本文针对观察性研究中自我报告二元暴露的差异性回忆偏倚问题，提出ATE界限、多种估计方法和敏感性分析技术，并通过模拟及应用童年虐待对成年心理健康影响的研究验证其有效性。
2024-06-30 stat.ME
A flexible approach to sequential prediction under intervention
University of Manchester（曼彻斯特大学）；University of Cambridge（剑桥大学）
本文提出了一种灵活的因果预测框架，用于在干预下估计风险，通过三种模型分别处理中介变量、多个干预和基线与干预模型的结合，以提高预测性能。
2026-09-18 stat.ME
Generalization bound for estimating causal effects from observational network data
Guangdong University of Technology（广东工业大学）；Shantou University（汕头大学）
针对观测网络数据因果效应估计缺乏泛化界分析的问题，本文结合联合倾向得分重加权与IPM表示学习推导出泛化界，并据此提出加权回归方法，在真实网络半合成数据上验证了有效性。
2023-08-08 cs.LG stat.ME
Nonparametric causal inference from observational time series through marginal integration
从观测数据中进行因果推断是一项雄心勃勃但高度相关的任务，具有从自然科学到社会科学的多种应用。在非参数时间序列的范围内，通过干预定义的因果推断（参见Pearl（2000））在很大程度上是未探索的，尽管时间顺序大大简化了问题。我们考虑一个边际积分方案，用于从观测的时间序列数据推断因果效应，MINT-T（时间序列中的边际积分），这是Ernest和Bühlmann（Electron. J. Statist，pp. 3155-3194，第9卷，2015）。我们的平稳随机过程的方法是完全非参数的，并假设没有瞬时效应始终恢复总的因果关系的一个单一的干预与最佳的一维非参数收敛速度$n^{-2/5}$假设正则条件和两次可微的某个相应的回归函数。因此，MINT-T在很大程度上不受维数灾难的影响，只要在更高的维度中保持平滑条件，并且它对于大类平稳时间序列是可行的，包括非线性和多变量过程。对于瞬时效应的情况下，我们提供了一个程序，防止假阳性的因果关系陈述。
2016-12-21 stat.ME
Causal Dantzig: fast inference in linear structural equation models with hidden variables under additive interventions
当只有观测数据可用时，因果推断是非常具有挑战性的。随机化实验通常是昂贵和不切实际的，在工具变量回归中，工具的数量必须超过因果预测因子的数量。最近Peters等人[2016]表明，当来自不同观测环境的数据可用时，完整模型的因果推断是可能的，利用响应变量的条件分布在正确的因果模型下是不变的。这种方法的两个缺点是大规模数据的高计算量和假设没有隐藏的混杂因素。在这里，我们表明，这两个缺点可以得到解决，如果一个人愿意作出更严格的假设类型的干预，产生不同的环境。因此，我们来看看一个不同的不变性概念，即内积不变性。通过避免Peters等人[2016]中计算繁琐的逆向工程方法，它允许在线性结构方程模型中进行大规模因果推断。我们讨论了因果参数的可识别性条件，并在低维环境中推导出渐近置信区间。在不可识别的情况下，我们证明了因果Dantzig的解集在某些干预下具有预测保证。我们推导出有限样本的界限，在高维设置和模拟数据集上研究其性能。
2018-06-15 stat.ME
Which practical interventions does the do-operator refer to in causal inference? Illustration on the example of obesity and cancer
对于$X$（如肥胖）暴露，假设干预$do(X = x_0)$没有精确和明确的定义。这引起了人们对观察性研究估计的此类接触的因果效应的相关性的关注。在结构因果模型的框架下，我们研究了$do(X = x_0)$的影响与干预措施对$X$原因的影响之间的关系。我们发现，对于只通过$X$影响结果的$X$原因的干预措施，$do(X = x_0)$的效果等于所考虑的干预措施的效果。另一方面，对于不仅通过$X$影响结果的$W$或$X$的原因的干预，我们表明$do(X = x_0)$的效果仅部分捕获干预的效果。特别是，在简单的因果模型下（例如，没有相互作用的线性模型），$do(X = x_0)$的作用可以看作是干预对$W$的间接作用。
2019-01-03 stat.ME
Identifying and estimating effects of sustained interventions under parallel trends assumptions
本文在平行趋势假设下推导了持续干预人群效应的识别结果，开发了基于逆概率加权、结果回归和目标最大似然的双重稳健估计量，并应用于估计美国COVID-19期间居家令对全因死亡率的影响。
2022-09-29 math.ST stat.ME stat.TH
CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series
University of Lincoln（林肯大学）；University of Padua（帕多瓦大学）
本文提出CAnDOIT方法，结合观测和干预时间序列数据重构因果模型，解决隐藏因素下仅靠观测数据难以识别因果关系的问题，并在合成数据和机器人操作基准上验证其能有效提升因果分析准确性。
2024-10-11 cs.AI cs.LG cs.RO
Estimating average treatment effects when treatment data are absent in a target study
University of Waterloo（滑铁卢大学）；University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
本文针对观察数据缺乏治疗信息而外部数据无结果测量的场景，提出利用数据整合表征后治疗暴露分布，以估计治疗干预的反事实平均效果，并讨论所需假设与估计策略。
2025-09-26 stat.AP stat.ME
Estimating Causal Effects with Observational Data: Guidelines for Agricultural and Applied Economists
本文针对农业与应用经济学多数因果研究依赖观测数据的现状，梳理了常用的观测数据因果效应估计方法，并为相关研究者提供评估、讨论识别策略等方面的实操指南。
2025-08-04 econ.EM stat.ME
TreatmentEstimatoR: a Dashboard for Estimating Treatment Effects from Observational Health Data
可以利用观察性健康数据来衡量现有医疗干预措施的实际使用情况和潜在获益或风险。然而，缺乏编程能力和因果推断方法的先进知识，使一些临床医生和非计算研究人员无法进行此类分析。无代码仪表板工具提供了一种可访问的方法，用于根据观察性健康数据估计和可视化处理效应。我们提出了TreatmentEstimatoR，一个R Shiny仪表板，有助于从观察数据中估计处理效应，而无需任何编程知识。仪表板同时提供来自多个算法的效果估计，并适应二进制，连续和时间到事件的结果。TreatmentEstimatoR允许灵活地选择治疗和结局模型的协变量、全面的模型性能指标和探索性数据分析工具。TreatmentEstimatoR可在https://github.com/CollinSakal/TreatmentEstimatoR上获得。我们提供完整的安装说明和详细的小插图，以了解如何最好地使用仪表板。
2022-03-20 stat.AP stat.CO stat.ME
Estimating complex causal effects from incomplete observational data
University of Jyväskylä（于韦斯屈莱大学）
尽管因果建模取得了重大进展，因果关系仍然是许多统计学家不熟悉的话题。在本文中，它是从开始到结束演示如何因果效应可以估计从观测数据假设的因果结构是已知的。为了使问题更具挑战性，因果效应是高度非线性的，数据是随机随机缺失的。估计中使用的工具包括设计因果模型、因果演算、多重插补和广义可加模型。主要的信息是，一个训练有素的统计学家可以通过明智地结合现有的工具来估计因果效应。
2014-07-02 cs.LG math.ST stat.ME
dotears: Scalable, consistent DAG estimation using observational and interventional data
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出dotears连续优化框架，结合观测与干预数据，在温和假设下一致地估计线性SEM的DAG结构，并在模拟和真实基因调控网络推断中优于现有方法。
2024-02-20 cs.LG stat.ML
Learning to Bound Counterfactual Inference from Observational, Biased and Randomised Data
IDSIA（达勒·摩尔人工智能研究所）；University of Almería（阿尔梅里亚大学）
我们解决的问题，从多个，可能有偏见的，观察性和干预性研究的数据整合，最终计算结构因果模型中的反事实。我们从受选择偏差影响的单个观测数据集的情况开始。我们表明，可用数据的可能性没有局部最大值。这使我们能够使用因果期望最大化方案来计算部分可识别的反事实查询的近似边界，这是本文的重点。然后，我们展示了相同的方法如何解决多个数据集的一般情况，无论是干预性的还是观察性的，有偏的还是无偏的，通过图形变换将其重新映射到前一个。系统的数值实验和姑息治疗的案例研究表明，我们的方法的有效性和准确性，同时暗示的好处，整合异构数据，以获得信息范围的情况下，部分可识别性。
2023-03-16 cs.AI stat.ME
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 Interventional Distributions with Uncertain Causal Graphs through Meta-Learning
Imperial College London（伦敦帝国学院）；University of Cambridge（剑桥大学）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Alan Turing Institute（艾伦·图灵研究所）；University of Oxford（牛津大学）
通过元学习提出MACE-TNP模型，用于估计不确定因果图的干预分布，优于传统贝叶斯方法。
2026-02-10 cs.LG stat.ME stat.ML
Estimating the Causal Effects of Marketing Interventions Using Propensity Score Methodology
Rosenbaum和Rubin [Biometrika 70（1983）41- 55]提出了倾向评分法，作为帮助评估干预措施因果效应的中心工具。自二十多年前引入以来，它们已在各种领域得到广泛应用，包括医学研究，经济学，流行病学和教育，特别是在那些随机实验难以进行，或引起伦理问题，或需要长时间延迟才能获得答案的情况下。在过去的几年中，使用倾向评分方法来评估医疗和流行病学干预措施的已发表应用程序的数量急剧增加。然而，到目前为止，我们认为，很少有倾向评分方法的应用，以评估营销干预（例如，广告、促销），传统上是使用一般不适当的技术，这些技术侧重于使用最小二乘回归、数据挖掘等统计工具预测背景特征的结果和干预的指标。通过这些技术，模型中的估计参数被用来估计一些全局"cabinet“效应。这种做法可以产生严重错误的答案，可以自我延续：抛光法拉利而不是吉普“导致”他们继续赢得更多的比赛比吉普$\Leftrightarrow$访问高处方医生，而不是低处方医生“导致”他们继续写更多的处方。本报告将认真对待“因果关系”，而不仅仅是一个偶然的概念，暗示着数据集中的一些预测关联，并将说明为什么倾向评分方法在实践中通常优于估计因果效应的标准预测方法。
2006-09-07 math.ST stat.TH
A scoping review of causal methods enabling predictions under hypothetical interventions
背景和目标：通常开发预测模型的方法意味着，无论是参数还是预测都不应该被因果解释。然而，当预测模型用于支持决策时，通常需要预测假设干预下的结果。我们的目的是确定已发表的方法，开发和验证预测模型，使风险估计的结果下假设的干预措施，利用因果推断：其主要的方法学方法，基本假设，有针对性的被估量，和潜在的陷阱和挑战，使用该方法，和未解决的方法学挑战。研究方法：我们系统地回顾了截至2019年12月发表的文献，考虑了健康领域的论文，这些论文使用因果考虑因素使预测模型能够用于假设干预下的预测。结果如下：我们通过数据库检索确定了4919篇论文，通过手动检索进一步确定了115篇论文，其中13篇论文从统计学和机器学习文献中入选。从观测数据中进行因果推断的大多数方法都是基于边际结构模型和g-估计。结论：存在两种广泛的方法学方法，用于允许在假设干预下预测临床预测模型：1）丰富来自观察性研究的预测模型，并从临床试验和荟萃分析中估计因果效应; 2）直接从观察性数据估计预测模型和因果效应。这些方法需要扩展到动态治疗方案，并考虑多种干预措施，以操作临床决策支持系统。验证“因果预测模型”的技术仍处于起步阶段。
2021-01-12 stat.AP stat.ME stat.ML
Handling multivariable missing data in causal mediation analysis estimating interventional effects
本研究通过模拟评估了在因果中介分析中估计干预效应时处理多变量缺失数据的方法，比较了不同的多重插补策略和方差估计方法，发现缺失机制显著影响偏差，且BootMI方差估计优于MIBoot。
2025-06-02 stat.AP
Learning Joint Interventional Effects from Single-Variable Interventions in Additive Models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Amazon Research（亚马逊研究）；Tübingen AI Center（图宾根人工智能中心）；ELLIS Institute（ELLIS研究所）
本文研究仅利用观测数据和单变量干预学习多变量联合干预因果效应的问题，提出可识别性结果和分解估计器，并在合成数据上验证其性能优于纯观测估计器且接近直接联合干预训练模型。
2025-06-05 cs.LG stat.ML
Causal Inference in Observational Data
University of Minnesota（明尼苏达大学）；Mayo Clinic（梅奥诊所）
我们的老龄化人口越来越多地同时患有多种慢性疾病，需要对这些疾病进行综合治疗。为一组组合疾病寻找最优药物组是一个组合模式探索问题。关联规则挖掘是一种流行的工具，这样的问题，但医疗保健的需求，寻找因果关系，而不是关联，模式使得关联规则挖掘不适合。为了解决这个问题，我们提出了一个新的框架的基础上Rubin-Neyman因果模型从观测数据中提取因果规则，纠正一些常见的偏见。具体地说，给定一组干预措施和一组定义亚群的项目（例如，疾病），我们希望找到其中存在有效干预组合的所有亚群，并且在每个这样的亚群中，我们希望找到所有干预组合，使得从该组合中丢弃任何干预将降低治疗的功效。我们的框架的一个关键方面是封闭的干预集的概念，它扩展了量化单个干预的效果的概念，一组并发的干预。我们还评估了我们的因果规则挖掘框架的电子健康记录（EHR）数据的一个大队列的患者从梅奥诊所，并表明，我们提取的模式是足够丰富的解释有争议的发现在医学文献中的一类胆固醇药物对II型糖尿病（T2 DM）的影响。
2016-11-15 cs.AI stat.AP
Joint estimation of causal effects from observational and intervention gene expression data
背景：从转录组数据推断基因调控网络是近年来的一个广泛研究领域。提出的方法主要是基于使用图形高斯模型的观察野生型数据，并提供无向图，不能准确地突出基因之间的因果关系。在目前的工作中，我们试图通过联合建模观察转录组数据与干预数据进行基因敲除或敲低的一个子集上获得的基因之间的因果关系的影响，以改善估计。通过检查这种表达扰动对其他基因的影响，可以获得比单独使用野生型数据更准确的调节关系的反映。结果如下：利用高斯贝叶斯网络的框架，我们提出了一个马尔可夫链蒙特卡罗算法与Malows模型和分析似然最大化样本的因果节点排序的后验分布，并反过来，估计因果效应。与以前提出的方法相比，所提出的算法的主要优点是它具有适应任何类型的干预设计的灵活性，包括部分或多个敲除实验。方法进行了比较，模拟数据以及数据从梦想2007年的挑战。结论：模拟研究证实了仅用观察数据估计基因因果排序的不可能性。在大多数情况下，发现所提出的算法比以前提出的方法在因果效应估计的准确性方面表现更好。此外，与单次敲除相比，多次敲除被证明带来有价值的额外信息。因此，最佳干预设计的选择似乎是因果推断的一个关键方面，也是未来研究的一个有趣挑战。
2013-07-30 stat.AP
Interventional Causal Structure Discovery over Graphical Models with Convergence and Optimality Guarantees
Tongji University（同济大学）
针对观测与干预数据融合及集中式因果发现的通信、隐私问题，提出带收敛与最优性保证的Bloom双层多项式优化框架，并扩展至分布式场景，实验显示其性能优于主流算法。
2024-08-09 cs.LG stat.ML
