Conformal Inference of Individual Treatment Effects Using Conditional Density Estimates
Binghamton University(宾汉姆顿大学)
本文提出一种利用条件密度估计的ITE保形推断方法,通过两阶段框架和参考分布技术,构建了比现有方法更窄且边际有效的预测区间。
2025-01-24 cs.LG stat.ML
Minimax Rate-Optimal Inference for Individualized Quantile Treatment Effects in High-dimensional Models
针对高维模型下的个体化分位数处理效应估计问题,提出去偏估计量,证明其弱收敛于高斯过程,建立极小极大最优推断框架,通过模拟和NHANES数据集验证了方法有效性。
2025-03-24 math.ST stat.ME stat.TH
Optimal Statistical Inference for Individualized Treatment Effects in High-dimensional Models
基于给定患者的概况来预测个体化处理效应(ITE)的能力对于个体化医疗是必不可少的。我们提出了一个假设检验的方法来选择两个潜在的治疗方案,为一个给定的个人在高维线性模型的框架。方法上的新颖之处在于构造了ITE的去偏估计量,并对任意未来高维观测值一致地建立了其渐近正态性,而现有方法只能处理某些特定形式的观测值。我们引入了一个测试程序与第一类错误控制,并建立其渐近功率。所提出的方法可以扩展到一般线性对比,包括平均处理效应和结果预测的推断。我们从极大极小和自适应的角度介绍了假设检验的最优性框架,并建立了所提出的过程的最优性。也被认为是高维近似线性模型的扩展。有限样本的性能的程序在模拟研究中得到证明,并进一步说明通过分析类风湿关节炎患者的电子健康记录数据。
2020-08-07 math.ST stat.ME stat.TH
GeoDose-CP: Graph-Local Conformal Inference for Continuous-Treatment Earth Observation
Uttara University(乌塔拉大学);Charles Sturt University(查尔斯史都华大学);Australian Integrated Carbon (AiCarbon)(澳大利亚综合碳公司(AiCarbon))
GeoDose-CP提出图局部共形框架,联合建模处理偏移、雅可比与空间残差,实现连续处理下可靠的不确定性量化,并在基准与真实研究中验证有效性。
2026-09-25 cs.LG stat.AP
Adaptive Semi-Supervised Inference for Optimal Treatment Decisions with Electronic Medical Record Data
治疗方案是根据患者的协变量信息为患者分配治疗的规则。最近,估计最佳治疗方案,产生最大的整体预期临床结果的利益已经吸引了很多关注。在这项工作中,我们考虑估计的最佳治疗方案与电子病历数据下的半监督设置。在这里,数据由两部分组成:一组“标记”患者,我们有协变量,治疗和结果信息,以及一组更大的“未标记”患者,我们只有协变量信息。我们提出了一种基于估算的半监督方法,利用“未标记”的个人,以获得更有效的估计的最佳治疗方案。所提出的估计和相关的推理过程的渐近性质。进行模拟研究,以评估所提出的方法的经验性能,并与一个完全监督的方法,只使用标记的数据进行比较。一个应用程序的电子医疗记录数据集上的治疗重症监护病房(ICU)停留期间的呕吐发作也给出了进一步说明。
2022-03-04 stat.ME stat.ML
Bayesian Inference and Partial Identification in Multi-Treatment Causal Inference with Unobserved Confounding
在因果估计问题中,感兴趣的参数通常只能部分识别,这意味着即使有无限的数据,参数也不能被精确地恢复。在这里,我们研究贝叶斯推断的部分确定的处理效应在多治疗因果推断问题与未观察到的混杂。原则上,推断部分识别的处理效应在贝叶斯范式下是自然的,但结果可能对参数化和先前规范高度敏感,通常以令人惊讶的方式。因此,理解关于处理效应的结论的哪些方面完全由先前的规范驱动是至关重要的。我们使用了一个所谓的透明参数化的影响,更可解释的科学动机的多重效果的先验规范。我们证明了我们的分析在一个例子中量化基因表达水平对小鼠肥胖的影响。
2022-04-23 stat.ME
Placebo inference on treatment effects when the number of clusters is small
我介绍了一个一般的,费舍尔式的随机化测试框架进行几乎精确的推理缺乏效果的二元治疗在非常少的存在下,大集群时,跨集群的处理效应。建议的随机化测试形式化,并通过分配安慰剂治疗未处理的集群生成空分布的直观概念进行扩展。我表明,在简单和易于验证的条件下,安慰剂测试导致在一个非常大的一类经验相关的模型渐近有效的推断。明确讨论的例子是(i)最小二乘回归与集群级处理,(ii)差异中的差异估计,和(iii)二元选择模型与集群级处理。仿真研究和实证例子。所提出的推理过程是很容易实现的,并表现良好,只有三个处理和三个未处理的集群。
2018-03-07 stat.ME
Causal Inference of General Treatment Effects using Neural Networks with A Diverging Number of Confounders
本文提出一种基于人工神经网络的广义优化框架,用于在混杂因素维度发散时有效估计一般处理效应,建立了新的逼近误差界以缓解维度灾难,并证明了估计量的根-n一致性和渐近正态性。
2023-11-17 stat.ME stat.ML
Causal inference from treatment-control studies having an additional factor with unknown assignment mechanism
考虑一个有两种治疗方法的情况,第一种是随机的,而第二种不是,以及这种情况的多因素版本。关注的是处理效应,使用标准阶乘符号定义。我们定义估计的处理效应,并探讨其属性时,有信息的非随机化治疗分配,当没有信息的非随机化治疗的分配。我们展示了隐藏处理何时以及如何使估计量产生偏差并夸大其抽样方差。
2022-02-07 stat.ME
Matched Machine Learning: A Generalized Framework for Treatment Effect Inference With Learned Metrics
本文提出Matched Machine Learning框架,结合机器学习灵活性与匹配可解释性,通过学习最优度量进行因果推断,实现黑盒性能且支持人工审计,并提供了渐近推断理论与实验验证。
2023-04-03 stat.ME stat.ML
Bayesian Inference for Sequential Treatments under Latent Sequential Ignorability
我们专注于纵向治疗的因果推断,其中单位被分配给多个时间点的治疗,旨在评估不同治疗序列对最终点观察到的结果的影响。类似研究中的一个常见假设是序贯可忽略性(SI):假设每个时间点的治疗分配独立于过去观察到的结局和协变量的未来潜在结局。当治疗参与取决于个人选择,治疗分配可能取决于与未来结局相关的不可观察的数量时,SI是值得怀疑的。我们依赖于主分层来制定SI的宽松版本:潜在的顺序忽略性(LSI)假设治疗分配有条件地独立于过去治疗的未来潜在结果,协变量和主分层成员,由观察到的联合值定义的潜在变量和缺失的中间结果。我们评估SI和LSI,使用理论参数和模拟研究,以调查两个假设的性能时,一个持有和推理下进行。仿真结果表明,当SI不成立时,在SI下进行的推理会导致误导性的结论。相反,LSI通常会导致正确的后验分布,无论哪个假设成立。
2019-05-12 stat.ME
Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference
University of California Irvine(加州大学欧文分校);University of California San Francisco(加州大学旧金山分校);University of California Berkeley(加州大学伯克利分校)
本文提出基于保形扩散模型的个体处理效应估计与推断方法,融合扩散建模、保形推断、倾向评分及协变量局部近似,实现潜在结果分布无偏估计、置信区间构建和理论保证。
2024-08-02 cs.AI cs.LG stat.ME
Identification and Inference for Marginal Average Treatment Effect on the Treated With an Instrumental Variable
在观察性研究中,治疗通常不是随机的,因此估计的处理效应可能会受到混杂偏倚的影响。工具变量(IV)设计起到准实验处理的作用,因为IV与治疗相关,并且仅通过治疗影响结局。在本文中,我们提出了一个新的框架,识别和推理使用的边缘平均处理效应之间的治疗(ETT)在不可测量的混杂的存在下,IV。对于推断,我们提出了三种不同的半参数方法:(i)逆概率加权(IPW),(ii)结果回归(OR),(iii)双稳健(DR)估计,如果(i)或(ii)是一致的,但不一定两者都是一致的。在二进制IV和结果的简单情况下,得到了封闭形式的局部半参数有效估计,并在更一般的情况下导出了效率界。
2016-08-26 stat.ME
The role of discretization scales in causal inference with continuous-time treatment
该研究针对连续时间时变处理的因果推断中离散化尺度选择影响不明的问题,提出分析框架与识别偏倚概念,证明偏倚的存在性,给出敏感性度量方法,助力研究者应对离散化偏倚。
2023-06-15 stat.ME stat.OT
Flexible Inference of Optimal Individualized Treatment Strategy in Covariate Adjusted Randomization with Multiple Covariates
为了最大限度地提高临床效益,临床医生通常根据每个患者的个体特征定制治疗,需要个性化的治疗规则,这对统计学家来说具有重要的研究意义。在具有许多协变量的协变量调整的随机化临床试验中,我们用协变量的单个指数的未指定函数来建模处理效应,并且使基线响应完全任意。我们设计了一类估计器,以一致地估计处理效应函数及其相关指数,同时绕过基线响应的估计,这是受维数灾难。我们进一步开发推理工具,以确定预测协变量和隔离有效的治疗区域。在模拟和临床数据的例子证明了该方法的实用性。
2021-11-19 stat.ME
Learning Decomposed Representation for Counterfactual Inference
Zhejiang University(浙江大学);Tsinghua University(清华大学);NetEase Inc.(网易公司)
从观察数据估计处理效应的基本问题是混杂因素的识别和平衡。大多数以前的方法通过将所有观察到的治疗前变量作为混杂因素来实现混杂因素平衡,忽略了进一步识别混杂因素和非混杂因素。一般而言,并非所有观察到的治疗前变量都是指治疗和结局的常见原因的混杂因素,一些变量仅对治疗有贡献,一些变量仅对结局有贡献。平衡这些非混杂因素,包括工具变量和调整变量,将产生处理效应估计的额外偏倚。通过对观察到的治疗前变量、治疗和结果之间的不同因果关系建模,我们提出了一个协同学习框架:1)通过学习混杂因素和非混杂因素的分解表示来识别混杂因素; 2)通过样本重新加权技术来平衡混杂因素; 3)同时通过反事实推理来估计观察性研究中的处理效应。在合成数据集和真实数据集上的实验结果表明,该方法能够精确分解混杂因素,并实现比基线更精确的处理效应估计。
2021-10-12 cs.LG stat.ME stat.ML
Robust inference of conditional average treatment effects using dimension reduction
从观察数据中对条件平均处理效应进行稳健推断很重要,但当混杂因素为多变量或高维时,这变得具有挑战性。本文提出了一种双重降降维方法,在保持非参数优点的同时,尽可能地降低维数灾难。我们使用降维来确定条件平均处理效应的中心平均子空间。一个非参数回归与先前的降维也被用来插补反事实的结果。这一步有助于提高插补的稳定性,并导致比现有方法更好的估计。然后,我们提出了一个有效的自举过程,而无需自举估计的中心均值子空间进行有效的推断。
2020-08-30 stat.ME
Identification and Estimation under Multiple Versions of Treatment: Mixture-of-Experts Approach
Kyushu University(九州大学);NTT DATA Mathematical Systems Inc.(NTT DATA数学系统株式会社)
本文提出专家混合方法,用于处理因果推断中的多重治疗版本问题,实现对未观测版本的因果效应估计。
2026-09-22 stat.ME stat.ML
Robust Uniform Inference for Quantile Treatment Effects in Regression Discontinuity Designs
在回归不连续性和扭结设计中,对因果效应的大带宽具有鲁棒性的推断的实际重要性得到了广泛的认可。现有的强大的方法涵盖了许多情况下,但不处理统一的模糊设计的CDF和分位数过程的推理,尽管它在最近的文献中使用的实证微观经济学。在这方面,本文扩展了文献,通过开发一个统一的框架,推理与鲁棒性对大带宽,适用于统一推理的分位数处理效应在模糊设计,以及所有其他情况下的尖锐/模糊均值/分位数回归不连续性/扭结设计。我们提出了蒙特卡罗模拟研究和经验应用俄克拉荷马州前K计划的评价。
2019-02-23 stat.ME
Debiased Bayesian inference for average treatment effects
Department of Mathematics(数学系);King’s College London(伦敦国王学院);Mathematical Institute(数学研究所);Leiden University(莱顿大学)
贝叶斯方法在因果推断问题中越来越受欢迎,这是由于它们的概念简单,性能优异和内置的不确定性量化(“后验可信集”)。我们研究贝叶斯推断的平均处理效应的观察数据,这是一个具有挑战性的问题,由于缺失的反事实和选择偏差。在标准的潜在结果框架中,我们提出了一个数据驱动的修改任意(非参数)先验的基础上的倾向得分,纠正一阶后验偏差,从而提高性能。我们说明了我们的方法高斯过程(GP)先验使用(半)合成数据。我们的实验表明,显着改善的估计精度和不确定性量化相比,未经修改的GP,使我们的方法具有很强的竞争力与国家的最先进的。
2019-09-26 cs.LG stat.ME stat.ML
Robust Inference for the Direct Average Treatment Effect with Treatment Assignment Interference
Princeton University(普林斯顿大学)
本文针对随机网络干扰下的因果推断,引入 Ising 模型刻画处理分配依赖,建立 Hájek 估计量的 Berry-Esseen 型及一致分布近似,并提出基于条件高斯化和重采样的稳健推断程序,通过 Monte Carlo 模拟验证其有效性。
2025-06-26 econ.EM stat.ME
Asymptotic Inference for Multi-Stage Stationary Treatment Policy with Variable Selection
Harvard University(哈佛大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Michigan(密歇根大学)
针对高维多阶段平稳治疗策略缺乏参数推断的问题,提出结合AIPW价值估计、惩罚变量选择与一步估计改进的方法,证明其渐近正态性并通过数值研究验证有效。
2025-01-08 cs.LG stat.ME stat.ML
Berry-Esseen bounds for design-based causal inference with possibly diverging treatment levels and varying group sizes
该研究针对处理水平发散、组规模可变的随机化模型因果推断理论缺口,用Stein方法推导估计量的Berry-Esseen界,提出无重复多处理水平实验的方差估计量,完善了基于设计的因果推断理论保障。
2025-06-12 stat.ME
Bridging the Gap Between Design and Analysis: Randomization Inference and Sensitivity Analysis for Matched Observational Studies with Treatment Doses
针对剂量治疗匹配观察性研究缺乏有效随机化推断与敏感性分析的问题,提出适用于一般匹配设计、多种结局类型及两类零假设的新方法,并经模拟与真实数据验证。
2024-09-19 stat.ME
Estimation and Inference on Treatment Effects Under Treatment-Based Sampling
当目标群体中的处理效应不同于从样本具有代表性的群体中识别的处理效应时,项目评估设置中的因果推断面临外部有效性的问题。本文重点讨论的情况下,这种差异所产生的分层抽样设计的基础上,个人的治疗状况和其他特点。在这种情况下,设计概率从抽样设计中已知,但目标人群取决于通常未知的基础人群份额向量,并且除特殊情况外,未识别处理效应参数。在本文中,我们提出了一种方法,构造的置信集,是有效的人口份额的给定范围。当给定一个基准总体份额向量和一个处理效应参数的相应估计量时,我们发展了一种方法来发现外部有效性的范围与familywise错误率控制。最后,我们推导出一个最优的抽样设计,最大限度地减少半参数效率界给定的人口份额与目标人口。我们提供了蒙特卡罗模拟的结果和实证应用,以证明我们的建议的有用性。
2021-12-22 stat.ME
Parametric Sequential Causal Inference in Point Parametrization
假设分配一系列治疗以影响最后一次治疗后发生的感兴趣的结果。治疗之间存在时间依赖性协变量,可能是早期治疗的治疗后变量和后续治疗的混杂因素。在这篇文章中,我们开发了一个参数的方法来推断的因果效应的治疗顺序的结果称为顺序的因果效应。我们构造了一个点参数化的条件分布的结果,所有的治疗和时间依赖的协变量,其中的点参数的点效应的治疗被视为单点治疗。我们(1)通过处理的点效应识别处理的净效应,(2)通过对处理的点效应的约束来表达处理的净效应模式,(3)表明所有顺序因果效应都由处理的净效应决定。据此,我们(1)通过处理的点效应用极大似然估计处理的净效应,(2)通过对处理的点效应和处理的分配条件的约束来改进估计,(3)利用处理的净效应的估计来获得序贯因果效应的估计。其结果是,我们得到无偏一致的最大似然估计的顺序因果效应,即使是长的治疗序列。为了说明我们的方法,我们研究的因果关系的影响,各种序列的娱乐性药物的CD4细胞计数的HIV患者。
2015-05-27 stat.ME
Inference on Average Treatment Effect under Minimization and Other Covariate-Adaptive Randomization Methods
协变量自适应随机化方案,如最小化和分层排列区组,经常应用于临床试验中,以平衡预后因素之间的治疗分配。协变量自适应随机化后推理的现有理论发展主要限于可以指定响应和协变量之间的正确模型或随机化方法具有良好理解的属性的情况。基于随机化中使用的协变量水平分层和对随机化中未使用的协变量的进一步调整,在本文中,我们提出了几种估计量,用于平均处理效应的无模型推断,平均处理效果定义为两种处理下的响应均值之间的差异。我们建立了所有流行的协变量自适应随机化方案下的估计量的渐近正态性,包括理论性质尚不清楚的最小化,我们证明了渐近分布对于协变量自适应随机化方法是不变的。一致方差估计量构造渐近推断。研究了估计量的渐近相对效率和有限样本性质。我们建议在协变量自适应随机化后使用我们提出的估计量进行有效和无模型推断。
2020-07-19 stat.ME
Causal Inference with Two Versions of Treatment
因果效应通常被定义为治疗和对照下潜在结果的比较,但这一定义受到治疗或对照条件定义不明确的可能性的威胁,而是存在于多个版本中。提出了一个简单的,广泛适用的分析,以解决的可能性,治疗或控制条件存在于两个版本,两个不同的处理效应。该分析在治疗和对照的主要比较中没有失去功效,提供了关于版本效应的额外信息,并在几个比较中控制了家族错误率。该方法的动机和说明使用正在进行的研究的可能性,反复头部创伤在高中足球导致早发性痴呆症的风险增加。
2019-04-24 stat.ME
Inference on Variable Importance for Treatment Effect Heterogeneity: Shapley Values and Beyond
University of Copenhagen(哥本哈根大学);University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心);Harvard University(哈佛大学)
本文提出一个推断框架,用于评估治疗效应异质性中的变量重要性,特别适用于高风险领域如医学,通过Shapley值等方法分析变量重要性,适用于统计机器学习算法量化治疗效应异质性。
2026-05-08 math.ST stat.ME stat.ML
A Unified Approach for Estimating Various Treatment Effects in Causal Inference
本文提出一种基于统计泛函和累积分布函数的统一估计器,可估计多种处理效应(如ATE和QTE),兼顾变量选择,理论性质完备,数值实验显示其优于现有方法。
2025-03-28 stat.ME
Statistical Inference for Heterogeneous Treatment Effects Discovered by Generic Machine Learning in Randomized Experiments
针对机器学习在随机实验中发现的异质性处理效应,提出基于随机化与随机抽样的通用统计推断方法,涵盖组内效应估计、置信区间及非参数检验,并推广至交叉拟合。
2024-04-21 stat.AP stat.ME stat.ML
Treatment effect estimation by comparing observed and predicted outcomes: conditions for valid inference and practical illustration
University Medical Center Utrecht, Utrecht University(乌得勒支大学医学中心,乌得勒支大学);University Medical Center Groningen(格罗宁根大学医学中心);MAASTRO Clinic(MAASTRO诊所);Erasmus MC Cancer Institute(伊拉斯姆斯癌症研究所)
研究利用新治疗前的预测模型估计治疗效果,核心方法是比较新治疗观察结果与标准治疗预测结果,通过潜在结果框架和实际案例阐明有效估计平均治疗效果所需条件。
2026-07-22 stat.ME
Sparsity Double Robust Inference of Average Treatment Effects
许多流行的方法用于在高维混杂下建立因果效应的置信区间,需要强的“超稀疏”假设,这可能难以在实践中验证。为了减轻这一困难,我们在这里研究一种新的方法,平均治疗效果估计,产生渐近精确的置信区间,假设条件响应面或治疗的条件概率允许超稀疏表示(但不一定两者)。这种保证使我们能够在比现有基线更普遍的情况下,为高维的平均治疗效果提供有效的推断。此外,我们展示了我们的结果是半参数有效的。
2019-05-02 econ.EM math.ST stat.ME
Randomization-Based Inference for Average Treatment Effects in Inexactly Matched Observational Studies
Department of Biostatistics, New York University(纽约大学生物统计学系);Data Science Institute, University of Chicago(芝加哥大学数据科学研究所);Center for Data Science, Zhejiang University(浙江大学数据科学中心)
本文提出逆后匹配概率加权方法,用于在不精确匹配情况下进行平均处理效应的随机化推断,通过理论和模拟结果证明其能有效降低偏差并提升覆盖率。
2026-04-03 stat.ME
Quantile Treatment Effects and Bootstrap Inference under Covariate-Adaptive Randomization
本文研究协变量自适应随机化下分位数处理效应的估计和推断。我们提出两种估计方法:(1)简单分位数回归和(2)逆倾向得分加权分位数回归。对于这两个估计,我们得到了他们的渐近分布均匀分布在一个紧凑的一组分位数指标,并表明,当治疗分配规则没有达到强平衡,逆倾向得分加权估计有一个更小的渐近方差比简单的分位数回归估计。对于方法(1)的推论,我们证明了使用加权bootstrap标准误的Wald检验在拒绝下。但对于方法(2),其渐近规模等于名义水平。我们还表明,对于这两种方法,Wald检验使用协变量自适应引导标准误的渐近大小等于标称水平。我们说明了使用模拟和真实数据集的新的估计和推断方法的有限样本性能。
2020-02-25 stat.ME
Debiased Inference on Heterogeneous Quantile Treatment Effects with Regression Rank-Scores
本文提出一种结合 $\ell_1$-惩罚回归调整与秩得分偏差校正的新方法,用于高维协变量下异质性分位数处理效应的去偏推断,并通过模拟和英国生物银行数据验证其有效性。
2023-07-11 stat.ME
Estimation and Inference of Treatment Effects with $L_2$-Boosting in High-Dimensional Settings
实证研究人员越来越多地面临着丰富的数据集包含许多控制或工具变量,使其必须选择一个适当的方法来选择变量。在本文中,我们提供了有效的推理后,或正交$L_2$ -Boosting变量选择的结果。我们考虑了在许多控制变量和工具变量模型中选择后的处理效应,这些模型具有潜在的许多工具。为了实现这一点,我们建立了迭代后$L_2$ -Boosting和正交$L_2$ -Boosting在类似于Lasso的高维设置中的收敛速率的新结果,即,在近似稀疏下,不假设β-min条件。这些结果被推广到2SLS框架,并为处理效应分析提供了有效的推论。我们给出了广泛的仿真结果,所提出的方法,并将它们与Lasso。在实证应用中,我们构建了有效的IV与我们提出的方法来估计合并前的重叠在美国的银行分行网络的并购后的股票收益的收购银行的影响。
2021-07-01 econ.EM stat.ME stat.ML
Barycentric Fused Gromov-Wasserstein Balancing for Causal Inference under Multiple Treatments
NTT DOCOMO, INC.(NTT都科摩公司);Yokohama City University(横滨市立大学)
针对多处理因果推断中现有成对平衡方法的复杂度高、局部结构保留差的问题,本文提出CIHSI-Net框架,基于BFG-WB目标实现高效全局对齐与局部结构保留,模拟及真实数据应用验证了其性能优势。
2026-08-25 cs.AI cs.LG stat.ME
Causal Inference under Networked Interference and Intervention Policy Enhancement
Ludwig Maximilian University of Munich(慕尼黑大学);Siemens CT(西门子中央研究院)
根据随机实验数据估计个体处理效应是因果推断中的一项关键任务。在因果推断中,通常采用稳定单位处理值假设。然而,当一个单元的分配治疗影响相邻单元的潜在结果时,干扰可能会引入偏倚。这种干扰现象在经济学中被称为溢出效应,在社会科学中被称为同行效应。通常,在随机化实验或具有相互连接单元的观察性研究中,只能观察干扰下的治疗反应。因此,如何在干扰存在的情况下估计叠加的因果效应并恢复个体的处理效应成为因果推断中的一个挑战性任务。在这项工作中,我们使用GNNs研究了一般网络干扰下的因果效应估计,GNNs是捕获图中依赖关系的强大工具。在导出因果效应估计量后,我们进一步研究了在容量约束下的图上的干预政策改进。在网络干扰和处理容量约束下,给出了策略遗憾界.此外,基于GNN因果估计的启发式图结构相关的误差界。
2021-05-04 cs.LG stat.ME stat.ML
Bias Mitigation in Matched Observational Studies with Continuous Treatments: Calipered Non-Bipartite Matching and Bias-Corrected Estimation and Inference
针对连续处理匹配观察性研究中因不精确匹配导致的严重因果推断偏差问题,提出结合协变量与处理剂量信息的卡尺非二分匹配框架及偏差校正估计推断方法,通过COVID-19研究验证其有效性并开发开源R包。
2025-02-12 stat.AP stat.ME
Assumption-Lean Differential Variance Inference for Heterogeneous Treatment Effect Detection
McGill University(麦吉尔大学);Université de Montréal(蒙特利尔大学);Lund University(隆德大学);University of Toronto(多伦多大学)
提出通过潜在结果方差对比推断治疗效果异质性,即使缺失效应修饰变量也能检测,并推导出双重稳健的因果机器学习估计量。
2026-10-14 stat.ME
A flexible approach for causal inference with multiple treatments and clustered survival outcomes
当使用观察数据对多种治疗对聚集生存结局的影响进行因果推断时,我们需要解决因果分析中多水平数据结构、多种治疗、删失和未测量混杂的影响。很少有现成的因果推断工具可用于同时解决这些问题。我们开发了一个灵活的随机截距加速失效时间模型,在该模型中,我们使用贝叶斯加性回归树来捕获截尾生存时间和预处理协变量之间的任意复杂关系,并使用随机截距来捕获特定于簇的主效应。我们开发了一个有效的马尔可夫链蒙特卡罗算法得出后验推论的人口生存的影响,多种治疗和研究的变化,集群水平的影响。我们进一步提出了一种可解释的敏感性分析方法,以评估得出的关于处理效应的因果推断对偏离无未测量混杂的因果假设的潜在幅度的敏感性。扩展的模拟经验验证,并证明我们提出的方法具有良好的实际操作特性。将所提出的方法应用于从国家癌症数据库中提取的老年高风险局部前列腺癌患者的数据集,我们评估了三种治疗方法对患者生存率的比较效果,并评估了潜在的未测量混杂因素的影响。在这项工作中开发的方法是很容易在$\textsf{R}$包$\textsf{riAFTBART}$。
2022-02-16 stat.AP stat.ME
Causal Inference in Panel Data with a Continuous Treatment
本文提出一个将双向固定效应模型作为特例的框架,用于在 Panel Data 中进行连续处理的因果推断,利用序贯条件独立假设识别处理效应,并开发了最小二乘法和 GMM 估计量及渐近性质,同时提议用 DAGs 检验假设有效性。
2025-06-29 stat.ME
Sequential Deconfounding for Causal Inference with Unobserved Confounders
ETH Zurich(苏黎世联邦理工学院)
当随机实验不可行或成本高昂时,使用观察数据来估计治疗效果是决策的有力工具。然而,观察性数据经常产生处理效应的偏倚估计,因为治疗分配可能受到未观察到的变量的混淆。一种补救措施是通过调整这些未观察到的混杂因素的去干扰方法。在本文中,我们开发了序贯去混淆,一种方法,使估计个体化的处理效应随着时间的推移,存在未观察到的混杂因素。这是第一种可以在一般顺序设置中使用的去干扰方法(即,在每个时间步分配一个或多个处理)。序贯去混淆器使用一种新的高斯过程潜变量模型来推断未观察到的混淆因素的替代品,然后将其与结果模型结合使用,以估计随时间推移的处理效应。我们证明,使用我们的方法产生无偏估计的个体化治疗反应随时间的推移。使用模拟和真实的医疗数据,我们证明了我们的方法的效力,随着时间的推移,在去干扰治疗反应的估计。
2022-02-28 cs.LG stat.ME stat.ML
Synthetic learner: model-free inference on treatments over time
Stanford Graduate School of Business(斯坦福大学商学院);University of California at San Diego(加州大学圣地亚哥分校)
了解特定治疗或政策的影响涉及许多感兴趣的领域,从政治经济学,营销到医疗保健。在本文中,我们开发了一种非参数算法,用于在合成控制的背景下检测治疗随时间的影响。该方法建立在来自许多算法的反事实预测的基础上,而不必假设算法正确地捕获模型。我们介绍了一个推理过程检测处理效应,并表明测试过程是渐近有效的平稳,β混合过程,而不施加任何限制的基础算法的考虑。我们讨论的一致性保证平均处理效应估计和获得遗憾的界限所提出的方法。这类算法可以包括随机森林、Lasso或任何其他机器学习估计器。数值研究和应用表明该方法的优点。
2022-08-23 cs.LG econ.EM stat.ME
Generalizing and transporting inferences about the effects of treatment assignment subject to non-adherence
我们讨论了因果被估量的可识别性的概括性和可移植性分析,无论是在完美的和不完美的坚持治疗分配。我们考虑这样一种情况:试验数据包含基线协变量、基线分配、基线干预(点治疗)和结局的信息;非随机化个体的数据仅包含基线协变量的信息。在这种情况下,我们审查识别结果下完美的遵守和研究两个例子中,不遵守严重限制的能力,运输推论的影响,治疗分配到目标人群。在第一个例子中,试验参与对接受治疗有直接影响,并通过接受治疗对结果有直接影响(通过依从性产生的“试验参与效应”)。在第二个例子中,参与试验与接受治疗有不可测量的共同原因。在这两个例子中,分配对目标人群结果的影响无法确定。然而,在第一个例子中,联合干预措施对扩大影响依从性和分配治疗的试验活动的影响是可以识别的。我们的结论是,普遍性和可移植性分析应考虑通过遵守和选择参与的基础上,影响遵守的不可测量的因素,试验参与的影响。
2022-11-09 stat.ME
De-confounding Representation Learning for Counterfactual Inference on Continuous Treatment via Generative Adversarial Network
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院);Baidu(百度)
针对连续处理反事实推理中现有方法依赖参数模型、仅消除线性混杂的问题,提出基于生成对抗的DRL去混杂表示框架,可消除非线性依赖,在合成和真实医学数据集上表现优于前沿模型。
2023-07-24 cs.AI cs.LG stat.ME
Enhanced inference for distributions and quantiles of individual treatment effects in various experiments
University of Pennsylvania(宾夕法尼亚大学);University of Chicago(芝加哥大学)
本文提出两种改进方法,用于更准确推断个体治疗效应的分布和分位数,通过结合处理和对照单位的推断并控制大效应单位数量,提升了推断效力。
2026-03-28 stat.ME
Estimation and inference of average treatment effects under heterogeneous additive treatment effect model
本文针对网络干扰下的平均处理效应估计问题,在异质加性处理效应模型下提出基于特征向量的回归调整估计量,建立其渐近正态性与保守方差估计,并验证其在多种干扰结构下的有效性。
2024-08-30 stat.ME
High-dimensional model-assisted inference for treatment effects with multi-valued treatments
考虑使用增广逆概率加权(IPW)估计量估计多值治疗的平均处理效应,这取决于高维环境中的结局回归和倾向得分模型。这些回归模型通常通过正则化的基于似然的估计来拟合,而忽略了如何在随后的关于治疗参数的推断中使用拟合函数。这种单独的估计可能与现有方法中的已知困难相关联。我们开发了正则化校准估计拟合倾向得分和结果回归模型,其中稀疏性,包括处罚,以方便变量的选择,但损失函数是精心选择的,以便有效的置信区间,可以在可能的模型误指定。与二元处理的情况不同,通常的增广IPW估计是广义的,允许不同的副本的系数估计结果回归,以确保公正的识别。对于倾向得分估计,新的损失函数和估计函数直接与实现加权治疗组之间的协变量平衡相关。我们开发了实用的数值算法,用于计算正则化校准估计与组Lasso创新地利用Fisher评分,并提供严格的高维分析,在适当的稀疏性条件下,由此产生的增强IPW估计,同时解决技术问题缺席或忽略在以前的分析。我们目前的模拟研究和实证应用,估计母亲吸烟对出生体重的影响。所提出的方法在R包mRCAL中实现。
2022-01-23 stat.ME
Introducing the CP-plot for Causal Inference with Observational Studies
Qiuzhen College, Tsinghua University(清华大学丘成桐学堂);Yau Mathematical Sciences Center, Tsinghua University(清华大学丘成桐数学科学中心);Department of Statistics, University of California, Berkeley(加州大学伯克利分校统计学系)
在因果推断的观测研究规范设定下,证明了在倾向得分与条件平均处理效应满足单调关系时,重叠权重的平均处理效应介于处理组和对照组的平均处理效应之间,并推广到加权局部平均处理效应及其他权重,建议使用CP图。
2026-08-25 stat.ME
Assessing effect heterogeneity of a randomized treatment using conditional inference trees
当个体特征影响治疗效果时,发生处理效应异质性。我们提出了一种新的方法,结合预后评分匹配和条件推理树来表征随机二进制治疗的效果异质性。将我们的方法与替代方法区分开的一个关键特征是它控制第一类错误率,即,如果不存在效应异质性并保留基础亚组,则确定效应异质性的概率。这一特点使得我们的技术在临床试验中特别有吸引力,在临床试验中,错误地宣称不同人群亚组的效果不同可能会产生重大成本。TEHTree能够识别异质亚组,表征相关亚组并估计相关的处理效应。我们使用全面的模拟研究证明了所提出的方法的有效性,并使用营养试验数据集来说明我们的方法,以评估患者人群中的效果异质性。
2020-11-23 stat.AP stat.ME
Semi-supervised inference for treatment heterogeneity
该研究针对因果推断中治疗异质性测量的半监督场景,提出TTH和ETH的半监督估计量,通过重加权策略解决ETH估计的效率损失问题,经模拟和艾滋病临床试验数据验证,方法更稳健高效且渐近方差不超监督方法。
2025-09-05 stat.ME
The Confounder Trap: Treatment-Encoding Representations in Causal Inference with Text
Duke University(杜克大学)
本文针对文本因果推断中因处理状态由文本编码引发的混淆陷阱,提出掩码调整表征方法,经模拟验证可改善重叠诊断、稳定因果效应估计并降低偏差。
2026-07-30 cs.CL stat.AP stat.ME