Molecular Infectious Disease Epidemiology: Survival Analysis and Algorithms Linking Phylogenies to Transmission Trees
本文提出在生存分析框架下开发算法,利用系统发育树与流行病学数据的一一对应关系枚举传播树,从而更高效地估计传染性风险比和基线风险,为分子传染病流行病学提供严谨灵活的统计基础。
2016-04-05 q-bio.PE q-bio.QM stat.AP
Universal Difference-in-Differences for Causal Inference in Epidemiology
针对传统双重差分法依赖平行趋势假设、难以适用于非线性结局的问题,提出基于比值比等混杂假设的 UDiD,可识别多种非线性因果效应,并给出参数与半参数估计量。
2023-08-17 stat.ME
Comprehensive identifiability analysis and reliable parameter estimation for an SEIR model
研究SEIR模型参数难测及估计问题,通过观测系统方法对其进行重新参数化,实现全局可识别与计算稳定,消除非唯一性,经实验验证新方法能提高收敛频率、避免错误,纳入灵敏度方程增强鲁棒性和速度,为传染病预测等提供可靠见解。
2026-07-13 q-bio.PE q-bio.QM stat.ME
Long-term effect estimation when combining clinical trial and observational follow-up datasets
University of Washington(华盛顿大学);Fred Hutchinson Cancer Research Center(弗雷德·哈钦森癌症研究中心)
针对临床试验与观察性随访数据关联不完整导致的缺失问题,提出NLAC和基于CLAR假设的逆概率加权方法估计长期效应,并通过模拟和SWOG研究验证有效性。
2026-09-22 stat.ME
Estimation of the attributable fraction for time to event outcomes using an inverse probability of exposure weighted Kaplan-Meier estimator
人群归因分数旨在量化如果人群中没有个体暴露于特定暴露,本可以避免的结果(例如疾病)的病例比例。因此,这一数量在流行病学和公共卫生方面发挥着至关重要的作用,特别是在指导政策、干预措施或评估特定接触造成的疾病负担方面。已经提出了各种统计方法来估计可归因分数使用观测数据。当使用事件发生时间数据时,其中几个公式会产生无效结果。其他有效的公式是可用的,但仍然很少使用。我们提出了一个新的估计的归因分数,这是概念上简单,易于实现,使用常见的统计软件。我们提出的估计量利用卡普兰-迈耶估计量来解决删失和潜在的非比例风险,以及逆概率加权来控制混杂。提出了非参数自举法来产生推论。一个模拟研究是用来说明和比较我们提出的估计几个替代方案。结果显示了许多常用的传统方法的偏差和我们的估计在其工作假设下的有效性。
2022-12-19 stat.ME
Inference about ATE from Observational Studies with Continuous Outcome and Unmeasured Confounding
对于二元治疗和二元结局的设置,工具变量可用于构建因果处理效应的界限。对于连续的结果,有意义的边界更难获得,因为结果的域通常是不受限制的。在本文中,我们结合了一个工具变量和主观假设的背景下,一个观察性队列研究的艾滋病毒感染的妇女,构建有意义的界限的初始阶段的因果关系影响的抗逆转录病毒治疗的CD4计数。主观假设根据观察数据识别的潜在结果以及捕捉未测量混杂影响的敏感性参数进行编码。测量混杂使用逆概率加权(IPW)的方法进行调整。通过IV的额外信息,我们量化了因果处理效应和未测量混杂的程度。我们通过分析HIV流行病学研究的数据来证明我们的方法。
2013-03-25 stat.ME
Estimating the size of a hidden finite set: large-sample behavior of estimators
一个有限集是“隐藏”的,如果它的元素是不能直接确定的,或者如果它的大小不能通过确定性查询确定。在公共卫生、流行病学、人口学、生态学和情报分析领域,研究人员已经开发了各种间接统计方法,根据不同的抽样和观察模型,用于估计隐藏集的大小。一些方法利用已知或可估计的抽样概率进行随机抽样,而另一些方法则对构成隐藏集合的元素之间的关系(例如排序或网络信息)进行结构性假设。在这篇综述中,我们描述了学习隐藏有限集的大小的模型和方法,特别注意估计量的渐近性质。我们研究了这些方法的性质下两个渐近制度,“填充”中的固定大小的样本的数量增加,但总体规模保持不变,和“溢出”中的样本量和总体规模一起增长。在这两种制度下的统计特性可能会有很大的不同。
2019-10-15 math.ST stat.AP stat.ME
Using public clinical trial reports to evaluate observational study methods
观察性研究对于估计各种医疗干预措施的效果很有价值,但众所周知,由于观察性研究中使用的方法需要许多无法验证的假设,因此难以评估。这种缺乏可验证性的情况使得很难比较不同的观察性研究方法,也很难相信任何特定观察性研究的结果。在这项工作中,我们提出了TrialVerify,这是一种基于来自临床试验报告的基础事实评估观察性研究方法的新方法。我们将试验报告处理成已知因果关系的去噪集合,然后可以用于估计各种观察性研究方法的精确度和召回率。然后,我们使用TrialVerify来评估多个观察性研究方法从大型国家保险索赔数据集中识别已知因果关系的能力。我们发现,逆倾向得分加权是一种有效的方法,准确地再现已知的因果关系,并优于其他观察性研究方法。TrialVerify可供其他人免费使用,以评估观察性研究方法。
2022-09-13 stat.AP
Epidemiologic analyses with error-prone exposures: Review of current practice and recommendations
背景资料:流行病学观察性研究中的变量通常会出现测量误差和错误分类,但这些误差的影响往往没有得到重视或被忽视。作为观测研究严格分析思维(STRATOS)倡议的一部分,测量误差和错误分类工作组(TG 4)试图描述这一问题的范围和目前用于解决测量误差的分析方法。研究方法:TG 4对通常受暴露测量误差影响的四类研究进行了文献调查:1)膳食摄入队列研究,2)膳食摄入人群调查,3)体力活动队列研究,4)空气污染队列研究。进行调查是为了了解确认和解决测量误差的现行做法。结果如下:调查显示,虽然研究人员普遍意识到测量误差会影响他们的研究,但很少有人调整他们对误差的分析。大多数文章提供了关于测量误差对其结果的潜在影响的不完整讨论。回归校准是最广泛使用的调整方法。结论:即使在流行病学领域,测量误差是一个已知的问题,目前的主要做法是忽略错误的分析。校正测量误差的方法是可用的,但需要额外的数据来告知误差结构。非常需要将这种数据收集纳入研究设计并改进分析方法。在数据可能出错的情况下,还需要调查人员、编辑和审查人员作出更大努力,改进研究报告的表述方式。
2018-02-28 stat.AP
Regression discontinuity design in perinatal epidemiology and birth cohort research
本文介绍了回归断点设计(RDD)在围产期流行病学和出生队列研究中的应用,分析了其优势及在出生队列研究中面临的挑战。
2022-08-23 stat.AP stat.ME
Testing Biased Randomization Assumptions and Quantifying Imperfect Matching and Residual Confounding in Matched Observational Studies
观察性研究设计的一个中心目标是使用统计匹配将非实验数据嵌入近似的随机对照试验中。尽管实证研究者的最佳意图和努力,以创造高质量的匹配样本,剩余的不平衡,由于观察到的协变量没有很好地匹配往往持续存在。尽管已经开发了统计检验来检验随机化假设及其影响,但由于观察到的协变量在匹配样本中不匹配,因此很少有统计检验提供量化残留混杂水平的方法。在这篇文章中,我们开发了两个通用类的精确的统计检验有偏的随机化假设。我们的测试框架的一个重要副产品是称为残余敏感性值(RSV)的量,它提供了一种方法来量化由于匹配样本中观察到的协变量的不完全匹配而导致的残余混杂水平。我们主张在下游主要分析中考虑RSV。所提出的方法是说明重新审查一个著名的观察性研究有关的影响,右心导管插入术(RHC)在重症患者的初步护理。实施该方法的代码可在补充材料中找到。
2022-06-20 stat.ME
Evaluating A Key Instrumental Variable Assumption Using Randomization Tests
工具变量(IV)分析在卫生服务研究和流行病学中越来越普遍。大多数IV分析使用自然发生的仪器,例如到医院的距离。在这些分析中,研究者必须假设仪器是随机分配的。这个假设无法直接检验,但可以被证伪。文献中的大多数证伪检验比较了仪器和暴露之间观察到的协变量的相对患病率或偏倚。这些检验要求研究者对IV设计的有效性进行逐协变量判断。通常,只有一些协变量是均衡的,因此不清楚是否可以假设所有协变量的工具都是随机化的。我们提出了一种替代的证伪检验,比较IV平衡或偏倚与随机化下产生的平衡或偏倚。我们的测试的一个关键优势是,它允许全球平衡措施以及易于解释的图形比较。此外,我们的检验不依赖于任何参数假设,可用于有效评估工具是否比暴露量更接近随机化。我们证明了我们的方法在最近的IV应用程序,使用病床的可用性在重症监护病房(ICU)作为一种工具,进入ICU。
2019-07-03 stat.ME
Sensitivity Analysis of Causal Treatment Effect Estimation for Clustered Observational Data with Unmeasured Confounding
在观察性研究中识别因果治疗(或暴露)效应需要数据满足不可用观察数据检验的无混淆性假设。通过敏感性分析,人们可以确定如果假设被违反到一定程度,结论可能会如何变化。在本文中,我们提出了一种新的技术适用于集群观测数据的正态分布或二元结果的敏感性分析。所提出的方法旨在评估单个研究以及多个研究中估计的处理效应的稳健性,即,荟萃分析,针对不可测量的混杂因素。进行了各种基本场景的模拟,以评估我们的方法的性能。与其他现有的敏感性分析方法不同,我们的方法对未测量混杂因素的数量或测量和未测量混杂因素之间的关系没有限制性假设,并且不排除测量混杂因素和治疗之间可能的相互作用。我们的方法很容易使用标准的统计软件包实现。
2023-01-29 stat.ME
More robust estimation of sample average treatment effects using Kernel Optimal Matching in an observational study of spine surgical interventions
治疗加权的逆概率(IPTW)已用于使用观察性数据估计样本平均处理效应(SATE),它依赖于治疗分配模型的阳性假设和正确规范,这两个假设在许多观察性研究中都是有问题的。已经提出了各种方法来克服这些挑战,包括截断、协变量平衡倾向得分和稳定的平衡权重。出于脊柱手术的观察性研究,其中违反了积极性,真正的治疗分配模型是未知的,我们提出了使用核最优匹配(KOM)的最佳平衡来估计SATE。通过统一控制一类模型的加权估计的条件均方误差,KOM同时缓解了治疗分配模型可能的错误指定问题,并能够处理实际违反的积极性假设,如我们的模拟研究所示。使用来自临床注册的数据,我们应用KOM比较两种脊柱手术干预,并证明结果如何与IPTW估计虚假反驳的临床试验结论相匹配。
2019-05-21 stat.ME
Triangulating Instrumental Variable, confounder adjustment and Difference-in-Difference methods for comparative effectiveness research in observational data
观察性研究可以在评估竞争性治疗的相对有效性方面发挥有用的作用。在临床试验中,将受试者随机分配到治疗组和对照组通常会导致在可能的混杂因素方面平衡良好的组,这使得分析简单明了。然而,在分析观察性数据时,潜在的未测量混杂因素使得比较处理效应更具挑战性。因果推断方法,如工具变量和先验偶率比方法,可以避免调整数据中未测量或测量错误的混杂因素。通过多变量回归和倾向得分匹配进行的直接混杂因素调整也具有相当大的实用性。每种方法都依赖于一组不同的假设,并利用数据的不同方面。在本文中,我们描述了每种方法的假设,并评估违反这些假设的影响,在模拟研究。我们提出了先前结果增强的工具变量方法,该方法利用了治疗开始前后的数据,并且对违反关键假设具有鲁棒性。最后,我们建议使用异质性统计量来决定两个或多个估计是否在统计上相似,并考虑它们的相关性。我们使用临床实践研究数据链的观察数据,说明我们的因果框架,以评估将钠-葡萄糖协同转运蛋白-2抑制剂与二肽基肽酶-4抑制剂作为2型糖尿病二线治疗的患者生殖器感染的风险。
2022-07-27 stat.ME
Profiling Compliers in Instrumental Variables Designs
工具变量(IV)分析在卫生服务研究和流行病学中越来越普遍。IV分析既可用于分析不依从的随机试验,也可作为自然实验的一种形式。在这些分析中,研究者通常采用单调性假设,这意味着相关效应仅适用于被称为依从者的研究人群的子集。由于估计效应不是研究人群的平均处理效应,因此比较依从者和非依从者的特征非常重要。分析依从者和非依从者对于了解研究者正在推断的亚群是必要的,并且是评估依从者IV估计的外部有效性(或缺乏外部有效性)的重要第一步。在这里,我们讨论了分析所需的假设,如果随机分配仪器,这些假设比识别局部平均处理效应所需的假设弱。然后,我们概述了一个简单的和一般的方法来表征遵守者和noncompliers使用基线协变量。接下来,我们通过导出这些估计的标准误来扩展当前的方法。我们证明了这些方法使用被称为倾向于操作(TTO)从卫生服务研究的IV。
2021-03-10 stat.ME
A Risk-Ratio-Based Marginal Sensitivity Model for Causal Effects in Observational Studies
本文提出基于风险比的改进边际敏感性模型,支持二元与多值处理,并给出点估计区间和百分位自助置信区间,通过模拟及孟加拉国母亲教育影响生育力的应用验证其效果。
2023-09-27 stat.ME
Empirically assessing the plausibility of unconfoundedness in observational studies
Federal University of Pelotas(佩洛塔斯联邦大学);University of Bristol(布里斯托大学)
本文提出一种无需明确混杂结构假设的实证策略,通过检验调整集中与暴露相关的协变量子集与结局的条件关联,评估条件无混杂合理性,并用模拟和巴西出生队列数据验证。
2025-10-24 stat.ME
Sensitivity Analysis of Inverse Probability Weighting Estimators of Causal Effects in Observational Studies with Multivalued Treatments
针对多值处理观察性研究中缺乏适用敏感性分析框架的问题,提出含通用加性因果估计量的高效敏感性分析框架,模拟和实例验证其有效性。
2024-06-23 stat.ME
Asymptotic causal inference with observational studies trimmed by the estimated propensity scores
观察性研究的因果推断通常依赖于不同治疗组中协变量分布的不混淆和重叠假设。当某些单元的倾向得分接近0或1时,就违反了重叠假设,因此实践和理论研究人员都建议放弃具有极端估计倾向得分的单元。然而,现有的修剪方法忽略了在这个设计阶段的不确定性和限制的推断只修剪样本,由于非光滑的修剪。我们提出了一个平滑加权,它近似于现有的样本修剪,但具有更好的渐近性质。新的平滑加权估计量的一个优点是它的渐近线性,这确保了自助法可以用来对目标人群进行推断,并结合了设计和分析阶段产生的不确定性。我们还将理论扩展到对治疗的平均处理效应,建议修剪估计倾向得分接近1的样本。
2022-07-15 stat.ME
Nonparametric identification and efficient estimation of causal effects with instrumental variables
本文整理了基于条件Wald估计量的因果效应非参数识别条件,提出了对应边际和条件因果对比泛函的非参数有效估计量,并通过观察性研究和随机试验验证了方法。
2024-02-14 stat.ME
Leveraging specificity for causal inference in observational studies
本文提出一个正式定量框架,利用因果特异性假设在观察性研究中调整未测量混杂,适用于多治疗多结局的因果推断,并支持敏感性分析。
2025-06-23 stat.ME
Embarrassingly Causal: Causal Use of Associational Data in Magic The Gathering Drafts
The Pennsylvania State University(宾夕法尼亚州立大学)
本文探讨了在《魔法觉醒》卡牌抽取中,利用观察性数据进行因果推断的可行性,提出'令人尴尬的因果性'标准,认为在某些情况下,即使存在混杂因素,观察性数据仍可有效指导决策。
2026-04-20 stat.ME
Estimation of the Number Needed to Treat, the Number Needed to be Exposed, and the Exposure Impact Number with Instrumental Variables
针对观察性研究中群体NNT适用性问题,本研究定义组特异性疗效指标EIN和NNE,提出基于工具变量的新估计方法,经模拟验证具统计一致性,还通过真实数据实例展示应用价值。
2024-08-13 stat.ME
Flexible sensitivity analysis for observational studies without observable implications
观察因果推断的一个基本挑战是,关于无混淆性的假设是不可从数据中检验的。因此,在实践中评估对这些假设的敏感性是重要的。不幸的是,一些现有的敏感性分析方法无意中强加了与现代因果推断方法不一致的限制,现代因果推断方法强调观察数据的灵活模型。为了解决这个问题,我们提出了一个框架,允许(1)灵活的模型,观察到的数据和(2)干净的敏感性模型的识别和未识别的部分分离。我们的框架扩展了一种方法,从缺失的数据文献,称为Tukey的因子分解,因果推断设置。在这种分解下,我们可以用未识别的选择函数来表示未观察到的潜在结局的分布,该选择函数描述了治疗分配指标与观察到的潜在结局之间的未识别关系。在这个框架中的灵敏度参数很容易解释,我们提供了校准这些参数对可观察到的量的方法。我们证明了这种方法的灵活性,在两个例子中,我们估计平均处理效应和分位数处理效应使用贝叶斯非参数模型的观察数据。
2019-01-14 stat.ME
A Double Machine Learning Approach to Combining Experimental and Observational Data
Yale University(耶鲁大学);Michigan State University(密歇根州立大学);Duke University(杜克大学)
本文提出一种双机器学习方法,用于结合实验和观察数据,通过检验假设违反并一致估计处理效应,提升实证研究的有效性。
2025-10-19 cs.AI cs.LG econ.EM
Fisher's Randomization Test for Causality with General Types of Treatments
本文扩展 FRT 以检验任意处理类型下的条件独立性,结合分配与结果模型实现渐近错误控制和 Bayes factors 统计量,并提出未观测混杂敏感性分析。
2025-06-11 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
Relative Bias Under Imperfect Identification in Observational Causal Inference
Yale University(耶鲁大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文研究了在识别假设不成立时,选择性可观测性、工具变量和近端推断估计的偏差问题,提出敏感性工具和偏倚轮廓图以量化不同识别策略的敏感性。
2026-10-15 econ.EM stat.ME
Nonparametric tests for treatment effect heterogeneity in observational studies
我们考虑了观察性研究中处理效应异质性的检验问题,提出了一种基于多样本U统计量的非参数检验方法。为了解释潜在的混杂因素,我们使用重新加权的数据,其中权重由估计的倾向得分确定。所提出的方法不需要对结局进行任何参数假设,并且绕过了对每个研究亚组的处理效应进行建模的需要。我们建立了检验统计量的渐近正态性,并通过模拟研究证明了其优越的数值性能。两个真实的数据应用,包括就业计划评估研究和中国的独生子女政策的心理健康研究进行了讨论。
2021-03-28 stat.ME
Estimating the effect of joint interventions from observational data in sparse high-dimensional settings
我们考虑从观测数据中估计联合因果效应。特别是,我们提出了新的方法来估计多个同时干预的效果(例如,多基因敲除),假设观测数据来自具有独立误差的未知线性结构方程模型。我们推导出我们的估计渐近方差时,基本的因果结构是部分已知的,以及高维一致性时,因果结构是完全未知的,联合分布是多元高斯。我们还提出了一个概括我们的方法的类nonparanormal分布。我们在模拟研究中评估了估计量,并在DREAM4挑战的数据上说明了它们。
2016-03-10 stat.ME
Joint mixed-effects models for causal inference in clustered network-based observational studies
针对网络干扰下聚类层面未测量混杂导致因果推断有偏的问题,提出结合联合混合效应模型与直接标准化的贝叶斯方法,模拟验证其无偏性,并用于分析母亲大学教育对青少年学业的影响。
2024-04-11 stat.ME
Detecting hidden confounding in observational data using multiple environments
Delft University of Technology(代尔夫特理工大学)
该研究针对单数据集无法验证无隐藏混杂假设的问题,基于独立因果机制假设提出多环境下的隐藏混杂检测理论与检验流程,实验表明其多数情况下能准确检测,混杂偏差大时效果尤佳。
2023-11-03 cs.LG stat.ME stat.ML
Causal predictive inference and target trial emulation
观察性数据的因果推断可视为与观察性研究匹配的假设人群规模随机试验产生的缺失数据问题。这将目标试验方案与相应的生成预测模型联系起来进行推理,为因果假设和处理效应的统计不确定性的透明沟通提供了一个完整的框架,而不需要反事实。这项工作的直观基础是,整个人群的随机试验将为任何可观察到的因果问题提供确定的答案。因此,我们的因果推断的基本问题是假设的目标试验数据的缺失,我们通过从以观察数据为条件的生成预测模型中重复插补来解决这个问题。因果假设映射到预测模型跨人群和条件的可移植性的直观条件。我们展示了我们的方法在一个真实的数据应用,研究母亲吸烟对出生体重的影响,使用贝叶斯添加剂回归树和逆概率加权的扩展。
2022-07-25 stat.ME
Identification of Long-Term Treatment Effects via Temporal Links, Observational, and Experimental Data
UCLA, Department of Economics(加州大学洛杉矶分校,经济学系)
本文重新审视长期平均治疗效应的识别问题,指出时间链接假设是关键,提出两种可辩护的治疗反应假设,并开发新的统一识别框架以计算明确界限,通过Head Start参与的长期效应估计验证方法。
2026-03-19 econ.EM stat.ME
The covariate-adjusted residual estimator and its use in both randomized trials and observational settings
我们经常试图在随机和观察环境中估计暴露对特定结果的因果影响。其中一种估计方法是协变量调整残差估计,它是为单独或集群随机试验设计的。在这篇手稿中,我们研究了这个估计的性质,并开发了一个新的估计,利用协变量调整和逆概率加权我们支持我们的理论结果与模拟研究和应用在传染病设置。协变量调整残差估计量是随机试验中平均处理效应的有效无偏估计量;但是,不能保证在观察性研究中无偏。我们的新估计,协变量调整残差估计与逆概率加权,是无偏的随机和观察设置下,一组合理的假设。此外,当这些假设成立时,它在观察性研究中提供了比逆概率加权更高的效率。协变量调整残差估计量在随机试验中有效,但不应用于观察性研究。具有逆概率加权的协变量调整残差估计量为随机化和观察性设置提供了一种有效的替代方法。
2019-10-24 stat.AP stat.ME
Improving trial generalizability using observational studies
随机对照试验(RCT)和观察性研究(OS)的互补特征可联合用于估计目标人群的平均处理效应。我们提出了一个校准加权估计,加强RCT和OS之间的协变量平衡,从而提高基于试验的估计的泛化能力。利用半参数有效性理论,我们提出了一个双重鲁棒增广校准加权估计,实现了效率界下的识别假设。一个非参数筛选方法提供作为一种替代的参数方法,它使强大的近似的滋扰功能和数据自适应选择的结果预测校准。我们建立了渐近结果,并通过模拟实验和应用于早期非小细胞肺患者术后辅助化疗的处理效应估计,证实了所提出的估计的有限样本性能。
2021-11-29 stat.ME
CIMTx: An R package for causal inference with multiple treatments using observational data
CIMTx提供了有效和统一的功能,以实现因果推断的现代方法,使用观察数据进行多种治疗,重点是二元结果。这些方法包括回归调整、治疗加权逆概率、贝叶斯加性回归树、广义倾向得分的多元样条回归调整、向量匹配和目标极大似然估计。此外,CIMTx还说明了用户可以在多种治疗设置中模拟符合复杂数据结构的数据的方法。此外,CIMTx软件包提供了一套独特的功能来解决关键的因果假设:积极性和可解释性。对于阳性假设,CIMTx演示了使用治疗加权的逆概率、贝叶斯加法回归树和向量匹配来识别用于保留推理单元的公共支持区域的技术。为了处理可验证性假设,CIMTx提供了一种灵活的蒙特卡罗敏感性分析方法,以评估因果关系结论如何根据与可验证治疗分配的不同程度偏离而改变。
2022-09-14 stat.AP stat.CO stat.ME
Benchmarking Observational Studies with Experimental Data under Right-Censoring
本文提出在右删失生存数据下利用RCT实验数据对观察性研究进行基准检验的方法,通过删失双重稳健信号和等价性检验验证OS有效性假设,并用半合成实验及妇女健康倡议数据验证其有效性。
2024-02-23 stat.ME stat.ML
Combining Observational and Experimental Datasets Using Shrinkage Estimators
我们考虑的问题相结合的数据从观测和实验来源,使因果关系的结论。这个问题越来越重要,因为现代已经在电子商务和电子健康等领域被动收集了大量观测数据集。这些数据可以用来补充实验数据,这往往是昂贵的获得。在Rosenman等人(2018)中,我们在假设测量了所有混杂因素的情况下考虑了这个问题。在这里,我们放松了不混淆的假设。为了获得具有理想性质的组合估计,我们利用Stein收缩文献的结果。我们的贡献是三方面的。首先,我们提出了一个通用的程序,在这种情况下,利用广义无偏风险估计的收缩估计。其次,我们开发了两个新的估计,证明有限样本条件下,他们有较低的风险比估计只使用实验数据,并表明,每个实现的概念渐近最优。第三,我们在敏感性分析中将我们的方法和结果联系起来,包括提出一种评估我们估计的可行性的方法。
2020-05-18 math.ST stat.ME stat.TH
A General Causal Inference Framework for Cross-Sectional Observational Data
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院)
针对观测数据去混杂方法中朴素假设的局限,本文提出通用因果推断(GCI)框架,通过有向无环图识别关键混杂协变量并结合去混杂推断,显著提升了因果效应估计的精确性、稳定性和可解释性。
2024-04-28 cs.AI cs.LG stat.ME
A Synthetic Instrumental Variable Method: Using the Dual Tendency Condition for Coplanar Instruments
Monash University(莫纳什大学);Data61, CSIRO(数据六十一,澳大利亚联邦科学工业研究组织)
本文提出一种基于双倾向条件的合成工具变量方法,通过仅使用现有数据构建有效工具,提升因果推断的鲁棒性和准确性。
2025-12-19 math.ST stat.ME stat.TH
Randomization Tests in Observational Studies with Staggered Adoption of Treatment
本文考虑了随时间变化的采用治疗的观察性研究中的推理问题。除了潜在结局独立于单位采用治疗的时间(以单位观察到的特征为条件)的不混淆性假设外,我们的分析还假设每个单位采用治疗的时间遵循考克斯比例风险模型。该假设允许每个单元采用治疗的时间取决于单元的观察特性,但施加了多个单元同时采用治疗的概率为零的限制。在这种情况下,我们研究了零假设的Fisher式随机化检验,该零假设规定在分布意义上所有单位和所有时间段都没有处理效应。我们首先表明,一个不可行的测试,将Cox模型的参数作为已知的拒绝概率不大于标称水平在有限样本。然后,我们建立了可行的测试,取代这些参数与相合估计量的限制拒绝概率不大于标称水平。在模拟研究中,我们研究了我们的理论结果的实际相关性,包括鲁棒性,在每个单元采用治疗的时间模型的误指定。最后,我们提供了一个实证应用,我们的方法使用综合控制为基础的检验统计量和烟草立法数据发现Abadie等。(2010)。
2021-08-25 stat.AP stat.ME
Connecting Instrumental Variable methods for causal inference to the Estimand Framework
根据最近发表的关于国际协调理事会E9指南临床试验中被估量和敏感性分析的附录,因果推断方法在药物开发中越来越重要。E9附录强调需要考虑随机化后或“并发”事件,这些事件可能影响试验结束时处理效应估计值的解释。工具变量(IV)方法已广泛用于经济学、流行病学和学术临床研究中的“因果推断”,但迄今为止在制药行业环境中的应用较少。在本教程中,我们回顾了因果推断的基本工具,包括图形图表和潜在的结果,以及几个概念框架,一个IV分析可以坐在里面。我们详细讨论了如何映射这些方法的治疗政策,主要阶层和假设的“估计策略”中介绍的E9增编,并提供其实施使用标准回归模型的细节。特别注意讨论每种估计策略所依赖的假设,以保持一致,在何种程度上可以进行实证测试和敏感性分析,其中特定的假设可以放宽。最后,我们将所描述的方法应用于与最近两项药物试验密切匹配的模拟数据,以进一步激发和澄清这些想法
2021-04-29 stat.AP stat.ME
Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors
University of Toronto(多伦多大学);Vector Institute(向量研究所);University of Waterloo(滑铁卢大学)
本文提出贝叶斯敏感性值(BSV)框架,用于评估因果推断估计在假设违反下的稳健性,通过实证研究展示其在糖尿病治疗与体重损失关系中的应用。
2026-05-08 cs.LG stat.ME
Manipulating a Continuous Instrumental Variable in an Observational Study of Premature Babies: Algorithm, Partial Identification Bounds, and Inference under Randomization and Biased Randomization Assumptions
提出非二分模板匹配算法在保持原始队列保真度的同时强化连续工具变量,并在配对随机化鼓励试验框架下推断样本平均处理效应的部分识别界,发现高级别NICU分娩显著降低早产儿死亡率。
2024-09-27 stat.AP stat.ME
Distributionally Robust Causal Inference with Observational Data
Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学);Harvard Business School(哈佛商学院)
我们考虑了观察性研究中平均处理效应的估计,并提出了一个新的具有未观察到的混杂因素的稳健因果推断框架。我们的方法是基于分布鲁棒优化和收益分两步。我们首先指定未观察到的潜在结果的分布可能偏离观察到的结果的分布的最大程度。然后,我们推导出在此假设下的平均处理效应的急剧界限。我们的框架包括流行的边际敏感性模型作为一个特例,我们展示了如何提出的方法可以解决边际敏感性模型的主要挑战,当未观察到的混杂因素大大影响治疗和结果时,它会产生无意义的结果。具体而言,我们开发了一种替代的敏感性模型,称为分布敏感性模型,假设由于未观察到的变量的处理效应的异质性相对较小。与边际敏感性模型不同,分布敏感性模型允许潜在的重叠缺乏,即使未观察到的变量实质上影响治疗和结局,也经常产生信息边界。最后,我们展示了如何将分布灵敏度模型扩展到具有工具变量的差中差设计和设置。通过模拟和实证研究,我们证明了所提出的方法的适用性。
2023-02-02 cs.LG math.OC stat.ME