Uncertain Neighbors: Bayesian Propensity Score Matching For Causal Inference
我们比较了标准的最近邻倾向得分匹配与类似的贝叶斯倾向得分匹配过程的性能。我们表明，贝叶斯方法更好地利用了可用的信息，因为它使不那么武断的决定，哪些观察下降，哪些保留在匹配的样本。我们进行了模拟研究，以评估标准和贝叶斯最近邻匹配的性能时，匹配和不替换。然后，我们使用这两种方法来复制最近的研究土地改革对游击队活动在哥伦比亚的影响。
2021-05-05 stat.ME
Isotonic propensity score matching
本文提出一种基于等距回归估计倾向得分的一对多匹配估计量，用于估计平均处理效应，解决现有匹配方法的效率、参数选择、稳健性及自举有效性问题。
2025-01-23 econ.EM stat.ME
Propensity score matching in semaglutide retrospective studies
针对现有倾向得分匹配实现方法学说明不足的问题，本文在司美格鲁肽回顾性研究中对比了多种特征选择与匹配技术的效率，验证了方法学选择对实验结果的影响并提供效率测试方法。
2025-01-09 stat.AP
Exact matching as an alternative to propensity score matching
本文将治疗组匹配建模为约束优化问题，提出无需预设权重函数形式的精确匹配方法，并支持多治疗组个体数据及个体与汇总混合数据。
2025-03-04 stat.AP stat.ME
Tuning-parameter-free optimal propensity score matching approach for causal inference
倾向评分匹配（PSM）是一种伪实验方法，它使用统计技术通过将每个治疗单元与一个或多个具有相似特征的未治疗单元进行匹配来构建人工对照组。到目前为止，在PSM中起着重要作用的确定每单元最佳匹配数的问题还没有得到充分的解决。基于单调性约束下倾向得分的非参数极大似然估计，提出了一种无调整参数的PSM方法。估计的倾向得分是分段恒定的，因此自动对数据进行分组。因此，我们的建议是免费的调整参数。所提出的估计量是渐近半参数有效的单变量的情况下，并实现这种水平的效率在多变量的情况下，结果和倾向得分取决于协变量在同一方向。我们的结论是，匹配方法的基础上的倾向得分单独不能，一般来说，是有效的。
2022-05-26 math.ST stat.TH
A fast algorithm for maximal propensity score matching
我们提出了一种新的算法，该算法检测当相对于标量索引进行二分匹配时满足给定卡尺的匹配不相交对的最大可能数量（例如，倾向得分），并构造相应的匹配。可变宽度卡尺与该技术兼容，前提是卡尺的宽度是指数的Lipschitz函数。如果观察值是根据索引排序的，则匹配需要$O(N)$操作，其中$N$是要匹配的受试者总数。还考虑了1对$n$匹配的情况。我们还提供了一个新的快速算法，当治疗组和对照组的大小相同时，在标量索引上进行最佳完全一对一匹配。这允许我们改进标量索引上的贪婪最近邻匹配。关键词：倾向得分匹配，最近邻匹配，与卡尺匹配，可变宽度卡尺。
2019-04-29 cs.DS stat.CO
Adjusting for Unmeasured Spatial Confounding with Distance Adjusted Propensity Score Matching
倾向得分匹配是观察性研究中调整观察到的混杂因素的常用工具，但已知在存在未测量混杂因素时存在局限性。在许多情况下，研究人员面临的空间索引数据的观测单位的相对位置可以作为一个有用的代理未测量的混杂，根据空间模式的变化。我们开发了一种新的方法，称为距离调整的倾向得分匹配（DAPSm），将单位的空间接近的信息纳入一个倾向得分匹配过程。我们表明，DAPSm可以调整观察到的和一些形式的未观察到的混杂和评估其性能相对于其他几个合理的替代方案，将空间信息纳入倾向得分调整。该方法的动机是，并适用于一个比较有效的调查发电厂减排技术，旨在减少人口暴露于环境臭氧污染。最后，DAPSm提供了一个框架，用于增强一个“标准”的倾向得分分析与空间接近的信息，并提供了一个透明的和原则性的方式来评估优先观察到的混淆调整与空间接近调整的相对权衡。
2017-12-06 stat.ME
Adjustment for Unmeasured Spatial Confounding in Settings of Continuous Exposure Conditional on the Binary Exposure Status: Conditional Generalized Propensity Score-Based Spatial Matching
Yale University（耶鲁大学）
本文提出基于条件广义倾向分数的空间匹配方法，用于校正连续暴露条件下的二元暴露状态下的未测量空间混杂因素，通过空间接近性和整合空间信息的广义倾向分数进行匹配，提高了因果效应估计的准确性。
2026-04-30 stat.AP stat.ME
On propensity score matching with a diverging number of matches
本文重新考察倾向得分匹配估计量，发现当匹配数随样本量发散时，改进的估计量能提升效率，并在倾向得分充分降维时达到半参数效率下界。
2023-11-14 econ.EM math.ST stat.TH
Matching on Generalized Propensity Scores with Continuous Exposures
在二元处理的上下文中，匹配是因果推断中的一种公认的方法。然而，在持续治疗或接触的情况下，匹配仍然不发达。我们提出了一种创新的匹配方法来估计平均因果关系的连续暴露下，依赖于广义倾向得分（GPS）的设置下的响应函数。我们的方法保持了以下有吸引力的匹配功能：a）设计和分析之间的明确分离; b）对模型错误指定或估计GPS极值的存在具有鲁棒性; c）直接评估协变量平衡。我们首先介绍了一个假设的可识别性，称为局部弱不混淆。在这个假设和温和的光滑条件下，我们提供了理论保证，我们提出的匹配估计达到逐点一致性和渐近正态性。在模拟中，我们提出的匹配方法优于现有的方法下设置的模型误设定或存在的极端值的估计GPS。我们应用我们提出的方法来估计2000-2016年6850万医疗保险参保者长期PM $_{2.5}$暴露与全因死亡率之间的平均因果关系-反应函数。我们发现了长期PM $_{2.5}$暴露对死亡率有害影响的强有力证据。建议的匹配方法的代码中提供的CauseGPS R包，这是CRAN上提供的，并提供了一个计算效率的实现。
2021-08-18 stat.AP stat.ME
Propensity Score Matching: Should We Use It in Designing Observational Studies?
研究指出“PSM悖论”源于对偶然不平衡和偏差度量指标的误用，PSM设计仍能有效降低模型依赖性，研究者可继续安全使用。
2024-11-14 stat.AP stat.ME
Improving Generalizability of Fake News Detection Methods using Propensity Score Matching
University of Notre Dame（圣母大学）
近年来，由于在线社交网络的蓬勃发展，检测假新闻引起了学术界和公众的极大关注。本文考虑假新闻特征中混杂变量的存在，采用倾向分数匹配（PSM）方法选择可泛化特征，以减少混杂变量的影响。实验结果表明，使用PSM比使用原始频率选择特征的假新闻方法的泛化能力明显更好。我们研究了多种类型的假新闻方法（分类器），如逻辑回归，随机森林和支持向量机。我们对业绩改善有一致的观察。
2020-01-28 cs.CL cs.LG cs.SI
Propensity Score Augmentation in Matching-based Estimation of Causal Effects
本文提出一种基于增广倾向评分模型的新型匹配估计量，在存在预后变量时比传统匹配方法具有更高统计效率，并用于估计包皮环切术对HIV-1感染风险的影响。
2024-09-28 math.ST stat.ME stat.TH
On the inconsistency of matching without replacement
该文件表明，匹配没有更换倾向得分产生的估计，一般是不一致的平均处理效应的治疗。为了达到一致性，从业者必须假设没有单位存在的倾向得分大于一半，或假设没有混淆这些单位。结果不是由倾向分数的使用驱动的，并且只要没有替换，在其他分数上匹配时就会出现类似的伪影。
2021-06-18 econ.EM math.ST stat.TH
Propensity Score Matching and Subclassification in Observational Studies with Multi-level Treatments
在本文中，我们开发了新的方法来估计平均处理效应的观察性研究，重点是设置两个以上的治疗水平下unconfoundedness给定的治疗前变量。我们强调的子分类和匹配的方法已被发现是有效的二进制处理的文献，其中最流行的方法在该设置。而文献表明，这些特定的倾向为基础的方法不自然地扩展到多层次的治疗情况下，我们表明，使用弱unconfoundedness的概念，调整或匹配的标量函数的预处理变量删除与观察到的预处理变量相关的所有偏见。我们应用所提出的方法来分析纤维肌痛的治疗效果。我们还进行了模拟研究，以评估有限样本性能的方法相对于以前提出的方法。
2015-12-14 stat.ME
Examining the Efficacy of Coarsened Exact Matching as an Alternative to Propensity Score Matching
Washington University in St. Louis（圣路易斯华盛顿大学）
本文指出粗化精确匹配在处理大量协变量时不如倾向分数匹配稳健，因CEM存在残余混杂和模型依赖性问题，而PSM在减少不平衡和应对模型不规范方面表现更优。
2026-01-31 stat.ME
Multiply robust matching estimators of average and quantile treatment effects
倾向得分匹配是处理因果推断中混杂的长期传统，然而需要严格的模型假设。在这篇文章中，我们提出了双评分匹配（DSM）的一般因果被估量利用两个平衡得分，包括倾向得分和预后得分。为了保护可能的模型误指定，我们为每个得分选择多个候选模型。我们表明，去偏DSM估计实现了多重稳健性，因为它是一致的真正的因果估计，如果任何模型的倾向得分或预后分数是正确的。
2020-07-05 stat.ME
Propensity Score Matching underestimates Real Treatment Effect, in a simulated theoretical multivariate model
倾向得分匹配（PSM）是一种有效的方法，可以减少观察性研究中治疗选择偏倚对因果效应估计的影响。在匹配之后，PSM显著减少了被调查的样本，这可能导致其他可能的偏差。从这个意义上说，我们想分析的行为，这种PSM与其他广泛使用的方法来处理不可比较的群体相比，是多元回归模型（MRM）。蒙特卡罗模拟，以构建具有不同效果的群体，以比较PSM和MRM估计这种效果的行为。还计算了PSM的治疗选择偏倚减少。使用PSM可降低治疗选择偏倚，降低相对真实处理效应估计误差，但尽管降低了偏倚和估计误差，与PSM相比，MRM显著降低了该估计误差。此外，PSM导致样品的不显著减少。这种从匹配过程中获得的信息的丢失可能导致另一个未知的偏差，因此，与MRM相比，效果估计不准确。
2019-01-30 stat.ME
The Impact of Confounder Selection in Propensity Scores for Rare Events Data - with Applications to Birth Defects
我们的工作是由最近的一项研究的动机婴儿出生缺陷的孕妇暴露于某种药物治疗慢性疾病。出生缺陷等结局在一般人群中是罕见事件，在未暴露组中通常转化为极少数事件。由于妊娠期药物安全性研究通常是观察性的，因此我们使用倾向得分（PS）控制了这种罕见事件背景下的混杂因素。使用我们的经验数据，我们注意到，由于暴露导致的出生缺陷的估计比值比根据所使用的具体方法而变化很大。PS常用的方法有匹配、分层、逆概率加权（IPW）和回归调整。极罕见事件设置使得匹配或分层不可行。此外，PS本身可以通过不同的方法形成，以从相对较长的潜在混杂因素列表中选择混杂因素。我们进行了模拟实验来比较不同的方法组合：IPW或回归调整，其中1）包括所有潜在的混杂因素而不进行选择，2）基于候选变量和结果之间的单变量关联进行选择，3）基于变化的选择效应（CIE）。模拟表明，IPW没有选择导致极大的方差估计的比值比，这有助于解释我们观察到的经验数据分析结果。模拟还表明，IPW与选择的基础上单变量关联的结果是首选IPW与CIE。无论使用何种选择方法，回归调整的估计比值比方差都很小。
2017-02-22 stat.AP
Whence Is A Model Fair? Fixing Fairness Bugs via Propensity Score Matching
North Carolina State University（北卡罗来纳州立大学）；Cornell University（康奈尔大学）
针对训练与测试数据同源采样导致的公平性评估偏差问题，提出后处理方法 FairMatch，通过倾向得分匹配定位无偏子集并调整决策阈值，结合概率校准显著减轻剩余数据偏差且不牺牲预测性能。
2025-05-01 cs.CY cs.LG cs.SE
Deep Learning for Causal Inference
Stanford University Graduate School of Business（斯坦福大学商学院）
在本文中，我们提出了用于计量经济学的深度学习技术，特别是用于因果推断和估计个体以及平均处理效应。本文的贡献是双重的：1。对于广义近邻匹配估计个人和平均处理效应，我们分析了使用自动编码器进行降维，同时保持嵌入空间中数据点之间的局部邻域结构。这种基于深度学习的技术在估计处理效应方面表现优于简单的k近邻匹配，特别是当数据点具有多个特征/协变量但位于高维空间中的低维流形时。我们还观察到更好的性能比流形学习方法的邻居匹配。2.倾向分数匹配是一种执行匹配以估计平均和个体处理效应的特定且流行的方式。我们建议使用深度神经网络（DNN）进行倾向分数匹配，并为此提出了一个名为PropensityNet的网络。这是传统上用于估计倾向分数的逻辑回归技术的概括，我们根据经验表明，DNN在倾向分数匹配方面的表现优于逻辑回归。这两种方法的代码将很快在Github上提供：https://github.com/vikas84bf
2018-03-01 cs.LG econ.EM stat.ML
Subgroup Balancing Propensity Score
我们用观察数据研究亚组处理效应的估计。现有的倾向得分匹配和加权方法大多是为了估计总体处理效应而开发的。尽管真实的倾向得分应该平衡亚组人群的协变量，但估计的倾向得分可能无法平衡亚组样本的协变量。我们提出了子组平衡倾向得分（SBPS）方法，该方法选择，对于每个子组，使用整体样本或子组样本来估计该子组内的单元的倾向得分，以优化一个准则，该准则考虑了整体样本和子组样本的一组协变量平衡条件。当子群数目较大时，我们提出了一种估计SBPS的随机搜索算法。我们通过模拟证明，SBPS可以提高估计亚组处理效应的倾向得分匹配的性能。然后，我们应用SBPS方法从意大利家庭收入和财富调查（SHIW）的数据，估计的处理效应的借记卡对家庭消费的不同收入群体。
2017-07-18 stat.ME
Extension of Dynamic Network Biomarker using the propensity score method: Simulation of causal effects on variance and correlation coefficient
Yokohama City University（横滨市立大学）；The University of Tokyo（东京大学）
本文提出利用倾向分数匹配方法扩展动态网络生物标志物，通过模拟研究证明该方法能有效减少偏倚并提升组间比较效果。
2025-11-21 stat.AP stat.ME
Propensity Process: a Balancing Functional
在观察性临床登记研究中，通常关注治疗时间，但可以在随访期间的任何时间给予治疗，并且没有结构或干预措施来确保定期临床访视以收集数据。为了解决这些问题，我们引入了时间依赖的倾向过程作为倾向得分的推广。我们发现，倾向过程平衡了整个随时间变化的协变量的历史，这是无法实现的现有的倾向得分方法和治疗分配是强烈的可验证的条件上的倾向过程。我们开发的方法估计的倾向过程中使用观测数据和匹配的基础上的倾向过程。我们使用埃默里肌萎缩侧索硬化症（ALS）登记数据说明倾向过程方法。
2019-05-06 stat.ME
Addressing Spatially Structured Interference in Causal Analysis Using Propensity Scores
环境流行病学家对建立暴露与健康结果之间的因果关系越来越感兴趣。因果推断的一个流行模型是鲁宾因果模型（RCM），它通常试图估计研究单位潜在结果的平均差异。RCM的一个重要假设是无干扰;也就是说，一个单元的潜在结果不受其他单元暴露状态的影响。如果我们期望基于单位与其他单位的接近度的暴露效应的溢出或扩散以及其他几个因果被估量出现，则违反了无干扰假设。空气污染流行病学通常违反了这一假设，当我们预计逆风事件影响顺风或附近的位置。本文采用社会网络研究的因果假设，以解决干扰，并允许估计直接和溢出的因果效应。我们使用倾向得分为基础的方法来估计这些影响时，考虑到环境保护局的2005年的空气动力学直径小于2.5微克每立方米（PM2.5）的颗粒物对肺癌发病率的影响，使用县级数据从监测，流行病学和最终结果（SEER）计划。我们比较这些方法在一个严格的模拟研究，同时考虑空间自相关变量，干扰和缺失的混杂因素。我们发现，修剪和匹配的基础上的倾向得分产生最高的概率覆盖率的真正的因果效应和较低的均方误差。当应用于研究问题时，我们发现了保护性的直接和溢出因果效应。
2021-01-22 stat.AP
How do dataset characteristics affect the performance of propensity score methods and regression for controlling confounding in observational studies? A simulation study
在观察性研究中，研究人员必须选择一种方法来控制混杂因素。选项包括倾向得分方法和回归。目前尚不清楚数据集特征（大小、倾向得分重叠、暴露流行率）如何影响方法的相对性能，因此难以为特定数据集选择最佳方法。进行了一项模拟研究，以评估数据集特征对倾向得分方法性能的作用，与逻辑斯谛回归相比，用于在存在混杂的情况下估计边际比值比。结果模拟逻辑和互补双对数模型，大小，重叠的倾向得分，和患病率的暴露是不同的。回归显示小样本量的覆盖率较差，但大样本量的倾向评分和低暴露患病率的不平衡比倾向得分方法更稳健。倾向评分方法经常显示次优覆盖，特别是当倾向得分重叠减少时。这些问题在更大的样本量下加剧。匹配方法的功效尤其受到缺乏重叠、低暴露率和小样本量的影响。治疗加权逆概率的性能在很大程度上取决于数据集特征，覆盖率低，偏倚低。在敏感性分析中，大数据量回归的优势不太明显，具有互补的双对数结局生成机制和未测量的混杂，偏倚和误差更优，但覆盖率低于最近邻和卡尺匹配。
2022-03-24 stat.ME
stratamatch: Prognostic ScoreStratification using a Pilot Design
最优倾向得分匹配已成为对观测数据进行因果推断研究的最普遍的方法之一;然而，对倾向得分匹配的统计特性的突出批评已经对这种技术的统计效率产生了怀疑，并且对大数据集的最佳匹配的差的可扩展性使得该方法对于现代医学中越来越常见的样本量来说即使不是不可行的也是不方便的观测数据stratamatch软件包为“分层匹配设计”提供了实施支持和诊断，这种方法通过大样本观察性研究的最佳倾向得分匹配解决了这两个问题。首先，对数据进行分层使得能够在计算上更有效地匹配大型数据集。其次，stratamatch采用“试点设计”方法，以便通过预后评分进行分层，这可能会增加效应估计的精度，并增加未测量混杂因素的敏感性分析的功效。
2021-02-25 stat.CO
Efficient and Robust Propensity-Score-Based Methods for Population Inference using Epidemiologic Cohorts
大多数流行病学队列由不代表一般人群的志愿者组成。为了能够从队列中进行人口推断，我们和其他人提出利用概率调查样本作为外部参考，以制定队列成员与调查成员的倾向得分（PS）。在这里，我们开发了一个统一的框架，基于PS加权（如逆PS加权（IPSW））和匹配方法（如核加权（KW）方法）。我们确定了一个基本的强交换性假设（SEA）现有的PS为基础的匹配方法，其失败无效的推理，即使PS模型是正确指定的。我们放宽SEA弱交换性假设（WEA）的匹配方法。此外，我们提出了IPSW.S和KW.S方法，通过缩放PS估计中使用的调查权重来减少基于PS的估计量的方差。在WEA下证明了总体均值和流行率的IPSW.S和KW.S估计的相合性，并给出了渐近方差和相合方差估计。在模拟中，KW.S和IPSW.S估计量具有最小的MSE。在我们的数据示例中，原始KW估计值具有较大的偏差，而KW.S估计值具有最小的MSE。
2020-11-30 stat.ME
Uncertainty in the Design Stage of Two-Stage Bayesian Propensity Score Analysis
倾向评分分析（PSA）的两阶段过程包括设计阶段和分析阶段，在设计阶段，估计并实施倾向得分以近似随机化实验，在分析阶段，根据设计条件估计处理效应。本文考虑如何与设计阶段的不确定性影响因果效应的估计在分析阶段。这样的设计不确定性可以源自倾向得分本身是估计量的事实，但是也可以源自与倾向得分实现的选择相关的设计阶段的其他特征。本文提供了一个程序，获得后验分布的因果效应边缘化后的分布设计阶段的输出，贷款的形式化程度的贝叶斯方法PSA（BPSA），在最近的文献中得到了关注。设计阶段输出的概率分布公式取决于在设计阶段如何实施倾向得分，而不确定性传播到因果估计值取决于在分析阶段如何估计处理效应。我们在常用倾向得分实施（分位数分层、最近邻匹配、卡尺匹配、治疗加权的逆概率和双重稳健估计）的样本中探索这些差异，并在模拟研究中调查PS模型和实施中统计学家选择对估计处理效应的设计间和设计内变异程度的影响。然后，这些方法被部署在细颗粒物空气污染水平与燃煤电厂排放量升高之间的关联的调查中。
2019-07-15 stat.ME
Augmented match weighted estimators for average treatment effects
North Carolina State University（北卡罗来纳州立大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出一种结合匹配和加权估计量优点的AMW估计量，具有双稳健性和半参数效率下限，通过可变K提升稳定性并支持非参数自助法推断。
2025-12-11 stat.ME
Measuring covariate balance in weighted propensity score analyses by the weighted z-difference
近年来，在非随机研究中，倾向得分（PS）方法在评价处理效应时得到越来越多的应用。在统计方法方面，开发了一些新的PS加权方法，并表明它们在不同模拟设置下的处理效应估计效率上优于PS匹配。为了评估治疗组中协变量的平衡，PS加权方法通常使用加权标准化差异，尽管该测量存在一些缺陷，例如，加权标准化差异的分布取决于样本量和权重分布。我们引入加权z-差作为PS加权分析中的平衡措施，并在模拟研究中演示其用途，并将其应用于心脏手术的一个例子。加权z差计算简单，可以计算连续、二元、有序和名义协变量。通过使用Q-Q图，我们可以立即将PS加权样本的平衡与完全匹配的PS样本的平衡以及随机试验中的预期平衡进行比较。
2022-12-19 stat.AP stat.ME
Neural Score Matching for High-Dimensional Causal Inference
University of Oxford（牛津大学）；University College London（伦敦大学学院）；Alan Turing Institute（艾伦·图灵研究所）
本文提出神经评分匹配方法，通过神经网络获取多变量平衡分数以解决高维因果推断中的匹配问题，展示了其在治疗效应估计和减少不平衡方面的有效性。
2026-02-11 cs.LG stat.ML
Outcome-Adjusted Balance Measure for Generalized Propensity Score Model Selection
在这篇文章中，我们提出了结果调整的平衡措施，执行模型选择的广义倾向得分（GPS），这是一个重要组成部分，在两个以上的治疗水平的观察性研究的成对平均处理效应（ATE）的估计。平衡测量的主要目标是识别GPS模型规格，使得所得ATE估计器是一致且有效的。根据最近的经验和理论证据，我们建立了最佳的GPS模型应该只包括与结果相关的协变量。给定一组候选GPS模型，结果调整的平衡测量通过匹配每个候选模型来插补所有基线协变量，并选择使插补的协变量值与原始协变量值之间的绝对均值差的加权和最小化的模型。权重被定义为利用协变量-结果关系，使得没有最佳变量选择的GPS模型受到惩罚。在适当的假设下，我们表明，结果调整的平衡措施始终选择最佳的GPS模型，使由此产生的GPS匹配估计是渐近正常的和有效的。我们比较其有限样本的性能与现有的措施在模拟研究。我们说明了所提出的方法在辅导数据分析中的应用。
2021-07-26 stat.ME
Propensity Score Alignment of Unpaired Multimodal Data
University of British Columbia（不列颠哥伦比亚大学）；Valence Labs
针对多模态表示学习中未配对样本难对齐的问题，本文借鉴因果推断Rubin框架，通过估计各模态倾向得分定义样本距离，验证发现最优传输匹配在合成和真实单细胞数据上均优于现有对齐方法。
2024-10-29 cs.LG stat.ME stat.ML
Asymptotics of Caliper Matching Estimators for Average Treatment Effects
本文针对卡尺匹配缺乏理论指导的问题，提出一种平衡匹配质量与数量的卡尺，证明所得平均处理效应估计量具有渐近无偏性和正态性，并构造了渐近置信区间。
2023-04-17 math.ST stat.TH
Matching methods for obtaining survival functions to estimate the effect of a time-dependent treatment
在以二元时间依赖性治疗为特征的生存时间观察性研究中，风险比（瞬时测量）通常用于表示处理效应。然而，研究人员通常对生存函数的差异更感兴趣。我们提出了半参数的方法来估计治疗的因果关系之间的治疗相对于生存概率。目的是比较治疗后生存率与未治疗时观察到的生存函数。对于每例患者，我们计算预后评分（基于治疗前死亡风险）和倾向得分（基于治疗风险）。然后将每例接受治疗的患者与具有相似预后和/或倾向得分的存活、未删失和尚未接受治疗的患者匹配。使用删失权重的逆概率变体对每例治疗和匹配患者的经验进行加权，以考虑删失的影响。我们提出了治疗特异性生存函数（及其差异）的估计量，通过加权Nelson-Aalen估计量计算。封闭形式的方差估计，提出了考虑到潜在的复制对象在匹配集。所提出的方法进行评估，通过模拟，然后应用于估计肾移植对终末期肾病患者生存的影响，使用的数据从国家器官衰竭登记。
2020-05-19 stat.AP stat.ME
Revisiting the propensity score's central role: Towards bridging balance and efficiency in the era of causal machine learning
大约40年前，罗森鲍姆和鲁宾（Rosenbaum & Rubin，1983）在一篇开创性的文章中，将倾向得分作为观察性研究中得出因果推断的核心量，并对其进行了批判性的描述。在此后的几十年里，因果推断的几个研究前沿取得了很大进展，特别是包括重新加权和匹配范式。专注于前者，特别是它与机器学习和半参数效率理论的交叉点，我们重新审视的倾向得分在现代方法论的发展中的作用。由于Rosenbaum和Rubin（1983）的贡献引起了对倾向得分的平衡性质的关注，我们重新检验了这种性质在因果效应的渐近有效估计量的发展中发挥作用的程度和方式;此外，本发明还我们讨论了平衡性质和有效估计之间的联系，并以得分方程的形式提出了一个得分测试，用于评估一个估计器实现平衡。
2022-09-30 stat.ME
Quantum Neural Networks for Propensity Score Estimation and Survival Analysis in Observational Biomedical Studies
Department of Computer Science, Faculty of Electrical Engineering and Computer science, VSB-Technical University of Ostrava（计算机科学系，电气工程与计算机科学学院，VSB技术大学奥斯特拉瓦）；VSB-Technical University of Ostrava（VSB技术大学奥斯特拉瓦）；IT4Innovations National Supercomputing Center, VSB - Technical University of Ostrava（IT4Innovations国家超级计算中心，VSB技术大学奥斯特拉瓦）；Department of Applied Mathematics, Faculty of Electrical Engineering and Computer science, VSB-Technical University of Ostrava（应用数学系，电气工程与计算机科学学院，VSB技术大学奥斯特拉瓦）；Department of Surgical Studies, Faculty of Medicine, University of Ostrava（外科研究系，医学院，奥斯特拉瓦大学）；Department of Surgery, University Hospital Ostrava（外科系，奥斯特拉瓦大学医院）
本研究提出基于量子神经网络的倾向评分估计方法，结合CMA-ES优化与方差正则化，在小样本观察性生物医学数据中优于经典机器学习，有效消除选择偏倚并提升因果推断可靠性。
2025-06-24 cs.AI quant-ph stat.ML
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
Re-evaluating the impact of hormone replacement therapy on heart disease using match-adaptive randomization inference
针对观察性研究中匹配对随治疗分配变化导致的$Z$-依赖性问题，提出匹配自适应随机化推断算法，校正HRT与冠心病研究的反保守结论并验证年龄异质性效应。
2024-03-02 stat.AP stat.ME
Impact of Non-Informative Censoring on Propensity Score Based Estimation of Marginal Hazard Ratios
本文研究了在观察性数据中使用倾向评分加权或匹配估计边际风险比时，非信息性删失率对偏倚幅度的影响，并提出了一种基于事件发生概率的偏倚校正方法。
2024-02-14 stat.ME
Propensity score adjustment when errors in achievement measures inform treatment assignment
University of Michigan（密歇根大学）
针对学业成绩差距评估中测量误差导致的小组平均分噪声问题，提出一种平衡小组真实平均分的倾向得分估计方法，改善重叠性并减少匹配估计偏差，通过模拟和德州暑期学习损失项目验证。
2026-06-16 stat.ME
Building Representative Matched Samples with Multi-valued Treatments in Large Observational Studies
在本文中，我们提出了一种新的匹配方法，在观察性研究中，克服了现有的匹配方法的三个局限性。首先，它直接平衡协变量与多值处理，而不需要广义倾向得分。其次，它通过设计构建代表目标人群的自加权匹配样本。第三，它可以在几分钟内处理具有数十万个观测值的大型数据集。这种新的匹配方法的关键见解是平衡治疗组相对于目标人群，并提出一个线性大小的混合整数配方的匹配问题。我们正式表明，这个配方是更有效的替代二次型尺寸的配方，因为它的大小的减少并不影响其强度的立场，其线性规划放松。我们还表明，这种配方可以用于匹配与分布协变量的平衡在多项式时间在一定的假设下的协变量，它可以在实践中处理大的数据集，即使当假设不满足。这种算法特征是处理大型数据集的关键。我们说明了这种新的方法来匹配的模拟研究和观测研究地震对教育程度的影响。匹配后，结果可以通过简单透明的图形显示可视化：虽然地震暴露程度的增加对入学率有负面影响，但对大学入学考试成绩没有影响。
2019-07-09 stat.AP
An empirical process framework for covariate balance in causal inference
我们提出了一个新的角度来评估匹配过程，考虑到他们所属的功能类的复杂性。在这个视角下，我们通过有限样本浓度不等式提供了匹配后协变量平衡的理论保证。我们应用这个框架粗精确匹配以及匹配使用的倾向得分，并建议如何将其应用到其他算法。模拟研究被用来评估的程序。
2023-01-02 math.ST stat.TH
A Propensity-Score Integrated Approach to Bayesian Dynamic Power Prior Borrowing
在随机对照试验（RCT）中，使用历史对照数据来增加小型内部对照组可以显著提高试验效率。它引入了潜在偏倚的风险，因为历史对照人群通常与RCT相当不同。已引入幂先验方法来贴现历史数据，以减轻总体差异的影响。然而，即使使用贝叶斯动态借用，可以根据两个人群的结果相似性对历史数据进行折扣，相当大的人群差异仍然可能导致适度的偏倚。因此，使用诸如逆概率加权或匹配之类的方法对总体差异进行鲁棒调整可以使借用更有效和鲁棒。在本文中，我们提出了一种新的方法集成倾向得分的协变量调整和贝叶斯动态借用使用功率先验。所提出的方法使用贝叶斯引导结合经验贝叶斯方法利用准似然确定功率先验。我们的方法的性能进行了检查的模拟研究。我们将这种方法应用于两项急性髓系白血病（AML）研究。
2022-10-04 stat.ME
Bootstrap Matching: a robust and efficient correction for non-random A/B test, and its applications
本文提出Bootstrap Matching方法，通过整合Bootstrap重采样、Matching和高维假设检验，解决A/B测试随机性失效问题，适用于大规模数据并具有稳健高效优势。
2024-08-09 stat.AP stat.ME
Comparing Propensity Score-Based Methods in Estimating the Treatment Effects: A Simulation Study
本文通过七种模拟情景比较匹配、分层和逆概率加权等倾向评分方法在估计处理效应时的表现，发现逆概率加权估计更接近期望值，而匹配和分层对估计有效性域的控制更强。
2024-08-30 stat.ME
Estimation of causal effects with multiple treatments: a review and new ideas
倾向得分是估计观察数据中二元治疗因果效应的常用工具。在这种情况下，对倾向得分进行匹配、子分类、插补或逆概率加权可降低治疗组和对照组之间的初始协变量偏倚。然而，对于两种以上的治疗方案，因果效应的估计需要额外的假设和技术，其实施在各个学科中有所不同。本文回顾了目前的方法，并确定和对比的处理效应，每一个估计。此外，我们提出了可能的匹配技术，用于多个，名义上的分类治疗，并使用模拟来显示这些算法可以产生改进的协变量之间的相似性匹配集，相对于匹配前的队列。总而言之，这份手稿提供了一个大纲，说明如何标注和使用因果方法进行分类处理。
2017-01-19 stat.ME
Optimal Multilevel Matching in Clustered Observational Studies: A Case Study of the Effectiveness of Private Schools Under a Large-Scale Voucher System
聚类观察性研究的一个显著特征是其多水平或嵌套数据结构，该数据结构是以非随机方式将治疗分配给单位或个体的组或聚类。这样的例子在健康和社会科学中无处不在，包括医院的病人、公司的员工和学校的学生。聚类观察性研究中的最佳匹配策略是什么？起初，我们可能会从匹配个体集群开始，然后在匹配的集群中继续匹配个体。但正如我们在本文中讨论的那样，最佳策略是相反的：在典型的应用中，如果集群内的相关性不完美，最好首先匹配个体，一旦已知匹配个体的所有可能组合，然后匹配集群。在本文中，我们使用动态和整数规划来实现这一战略和扩展的最佳匹配方法的层次和多级设置。在其他匹配设计中，我们的策略可以通过在根据研究者给出的规范平衡的治疗组和对照组配对中找到治疗组和对照组个体的匹配对的最大样本来近似配对分组随机化研究。该策略直接在聚类和个体水平上平衡协变量，并且不需要估计倾向得分，尽管倾向得分可以作为额外的协变量进行平衡。我们说明我们的研究结果与智利的公立与私立教育券学校的比较有效性的案例研究，在该国激烈的政策辩论的问题，目前。
2016-04-28 stat.ME
Causal inference via propensity scores for case-control studies
Université de Montréal（蒙特利尔大学）；McGill University（麦吉尔大学）；Centre de recherche de St. Mary（圣玛丽研究中心）；Research Institute of the McGill University Health Centre（麦吉尔大学健康中心研究所）；SUNY Downstate Health Sciences University（纽约州立大学_downstate_健康科学大学）；Institut national de la recherche scientifique, Centre Armand-Frappier Santé Biotechnologie（国家科研研究所，阿尔芒-弗拉皮耶生物技术与健康中心）；Centre de recherche du CHU de Québec – Université Laval（魁北克大学医院研究中心）
该研究针对病例对照研究中倾向得分因果推断方法应用有限的问题，提出新型两步倾向得分卡尺匹配程序，结合模拟与真实数据验证了相关估计量的有效性，可用于估计因果相对效应。
2026-08-21 stat.ME
Choosing the Causal Estimand for Propensity Score Analysis of Observational Studies
本文系统比较ATT、ATU、ATE和ATO四种因果估计目标的假设与解释，为医学研究者正确选择估计目标、实施倾向评分方法及解读观察性研究结果提供指导。
2023-07-11 stat.ME
Matching Using Sufficient Dimension Reduction for Causal Inference
为了估计偶然的处理效应，我们提出了一种新的匹配方法的基础上减少协变量从充分的降维。与文献中常用于匹配的原始协变量和倾向得分相比，在对原始协变量的温和假设下，减少的协变量可进行非参数估计，并且在插补缺失的潜在结局方面充分有效。在相容性假设下，所提出的方法的一致性需要一个较弱的公共支持条件。此外，允许研究人员使用不同的简化协变量来为不同的治疗组找到匹配的受试者。我们开发了相对的渐近结果，并进行模拟研究以及真实数据分析，以说明所提出的方法的实用性。
2017-02-01 stat.ME
Propensity score weighting under limited overlap and model misspecification
倾向得分（PS）加权法常用于非随机研究，以调整混杂因素并评估处理效应。其中最受欢迎的是逆概率加权（IPW），根据观察到的协变量，分配与特定治疗分配的条件概率的倒数成比例的权重。IPW估计的一个关键要求是正性假设，即，PS必须远离0和1。在实践中，违反阳性假设通常表现为治疗组之间PS分布存在有限重叠。当这些实际的违规行为发生时，少量的高度影响的IPW权重可能会导致不稳定的IPW估计，有偏估计和大的方差。为了缓解这些问题，已经提出了许多替代方法，包括IPW修剪、重叠权重（OW）、匹配权重（MW）和熵权重（EW）。由于OW、MW和EW的目标人群是均衡的（并且有足够的重叠），并且它们的被估量取决于真实的PS，因此常见的批评是这些估计量可能对PS模型的错误指定更敏感。在本文中，我们进行了广泛的模拟研究，比较性能的IPW和IPW修剪对那些OW，MW和EW有限的重叠和误指定的倾向得分模型。在我们考虑的各种场景中，OW、MW和EW在偏差、根均方误差和覆盖概率方面始终优于IPW。
2020-11-02 stat.ME
Propensity score analysis with latent covariates: Measurement error bias correction using the covariate's posterior mean, aka the inclusive factor score
Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯大学彭博公共卫生学院）
本文提出通过协变量的后验均值（包容因子评分）校正倾向评分分析中的测量误差偏差，以提高因果效应估计的准确性。
2020-02-12 stat.ME
