Time-lag bias induced by unobserved heterogeneity: comparing treated patients to controls with a different start of follow-up
本文研究比较效果研究中因治疗组与对照组随访起始时间不同且存在未观测异质性所导致的时间滞后偏倚,提出五种利用诊断至治疗开始时间的校正方法,并通过模拟和不孕症授精治疗实例验证其有效性。
2024-06-07 stat.ME
Using Balancing Weights to Target the Treatment Effect on the Treated when Overlap is Poor
逆概率权重通常用于流行病学中,以估计观察性研究中的因果效应。研究人员通常可以集中在平均处理效应或平均处理效应的治疗与逆概率加权估计。然而,当处理组和对照组之间的重叠很差时,这可能会产生极端权重,从而导致有偏估计和大方差。逆概率权重的一个替代方案是重叠权重,其针对在观察到的特征上具有最多重叠的群体。虽然基于重叠权重的估计在这种情况下产生较少的偏差,但因果被估量可能难以解释。逆概率权重的一个替代方案是平衡权重,其直接针对估计过程期间的不平衡。在这里,我们探讨是否平衡权重允许分析师的目标平均处理效应的情况下,逆概率权重是有偏见的,由于穷人的重叠。我们进行了三个模拟研究和实证应用。我们发现,在许多情况下,平衡权重允许分析师仍然针对治疗的平均处理效应,即使重叠是穷人。我们发现,虽然重叠权重仍然是估计因果效应的一个关键工具,但可以通过使用平衡权重而不是逆概率权重来确定更熟悉的被估量。
2022-10-04 stat.AP stat.ME
Variance estimation for the average treatment effects on the treated and on the controls
常见的因果被估量包括平均处理效应(ATE)、处理组的平均处理效应(ATT)和对照组的平均处理效应(ATC)。使用增广的逆概率加权方法,参数模型被明智地利用以产生双重稳健估计,即,当至少一个参数模型被正确指定时,估计量是一致的。当我们评估这些估计量及其方差时,有三个不确定性来源,即,当我们估计治疗和结果回归模型以及期望的处理效应时。在本文中,我们提出的方法来计算方差的归一化,双稳健ATT和ATC估计,并研究其有限样本性质。我们考虑了渐近三明治方差估计,标准自助法以及两个野生自助法。对于渐近近似,我们通过估计方程将上述的不确定性。此外,不同于标准的自助程序,建议的野生自助方法使用扰动的影响函数的估计,通过独立分布的随机变量。我们进行了一项广泛的模拟研究,其中我们改变了处理效应的异质性以及分配到活性治疗组的参与者比例。我们举例说明的方法,使用观察性研究的危重病人使用右心导管。
2022-09-22 stat.ME
Longitudinal Generalizations of the Average Treatment Effect on the Treated for Multi-valued and Continuous Treatments
本文提出面向纵向、多值或连续处理的 GATT 参数族,给出序贯回归识别、有效影响函数及基于 Riesz 表示的密度比直接估计方法,并用模拟和 Medicare 慢性疼痛案例验证。
2024-10-24 stat.ME
On Identification of Optimal Dynamic Treatment Regimes with Proxies of Hidden Confounders
针对时变治疗受隐藏混杂因素干扰的问题,提出利用每个时间点两个独立且相关的代理变量识别反事实联合分布,从而实现最优动态治疗方案的识别。
2025-02-18 stat.ME
When Do Outcome Driven Treatments Break Parallel Trends?
如果治疗决策基于过去的结果值,在什么情况下会对差异差异(DiD)研究所需的平行趋势假设构成威胁?我们通过模拟研究探索平行趋势是否在通常有利于平行趋势的数据生成过程的网格中保持(随机游动、隐马尔可夫模型和恒定直接加性混杂)、研究设计(从未治疗、尚未治疗或随后治疗的对照组)和治疗的结果反应性(是或否)。我们将模拟结果的结果解释为,当治疗受到过去结果的影响时,平行趋势通常不是一个可信的假设。这是由于回归到平均值和选择未来治疗值的组合,取决于对照组。由于治疗开始的时间经常受到过去结果的影响,当治疗针对结果时,也许DiD通常更适合研究干预措施的非预期后果?
2022-08-01 stat.ME
Doubly Robust Proximal Synthetic Controls
本文提出基于近端因果推断和协变量偏移的合成控制新识别公式及广义矩估计量,其中一个估计量在结局模型或加权模型至少一个正确时具有双重稳健性,并用于评估巴西肺炎球菌结合疫苗对全因肺炎风险的效果。
2024-05-06 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
On variance of the treatment effect in the treated using inverse probability weighting
在观察性研究的分析中,逆概率加权(IPW)通常用于一致地估计平均处理效应(ATE)或治疗患者的平均处理效应(ATT)。IPW ATE估计量的方差通常通过假设权重已知然后使用所谓的“稳健”(Huber-White)三明治估计量来估计,这导致保守的标准误(SE)估计。在这里,它表明,使用这种方法时,估计的方差的IPW ATT估计不一定会导致保守的SE估计。也就是说,假设权重是已知的,稳健三明治估计量可以是保守的或反保守的。因此,使用稳健SE估计的ATT的置信区间通常无效。相反,考虑权重估计的堆叠估计方程可以用于计算IPW ATT估计器的一致的封闭形式方差估计器。通过模拟研究和吸烟对基因表达的影响的数据分析,这两个方差估计进行了比较。
2020-11-24 stat.AP stat.ME
Complementarity and Identification
本文探讨了识别能力的假设,正式的互补性的概念的背景下,治疗反应的非参数界分析。我扩展了文献的部分识别通过形状的限制,利用跨维度的限制治疗反应时,治疗是多维的,超模块化的假设可以加强政策互补性研究中的平均处理效应的界限。这种限制可以与统计独立性假设相结合,以获得处理效应分布的改进界限,帮助评价复杂的随机对照试验。处理效应异质性产生的互补性可通过超模块工具变量纳入,以加强在一种或多种治疗研究中的识别。一个应用程序研究分区对城市空间结构演变的长期影响,说明了所提出的识别方法的价值。
2016-09-13 stat.ME
Identification and estimation of the conditional average treatment effect with nonignorable missing covariates, treatment, and outcome
University of Michigan(密歇根大学);Tsinghua University(清华大学);Yanqi Lake Beijing Institute of Mathematical Sciences and Applications(北京雁栖湖应用数学研究院)
本文提出在非随机缺失机制下非参数识别条件平均处理效应,并开发了非参数和参数估计方法,同时提出敏感性分析框架以评估稳健性。
2026-02-22 stat.ME
Treatment bootstrapping: A new approach to quantify uncertainty of average treatment effect estimates
本文提出一种仅对治疗组自助抽样并通过倾向得分匹配寻找对照组的非参数自助法,以量化平均治疗效果估计的不确定性,模拟和实证显示其覆盖率不低于95%且精度优于现有方法。
2024-08-19 stat.AP stat.ME
Heterogeneous Coefficients, Control Variables, and Identification of Multiple Treatment Effects
多维异质性和内隐性是多处理模型的重要特征。我们考虑一个非均质系数模型,其中的结果是一个虚拟的治疗变量的线性组合,每个变量代表一种不同的治疗。我们使用控制变量来给出平均处理效应的充分必要条件。对于互斥处理,我们发现,如果非均质系数与给定对照的处理无关,则一个简单的识别条件是广义倾向得分(Imbens,2000)远离零,并且它们的总和远离1,概率为1。我们的分析延伸到分布和分位数处理效应,以及相应的处理效应的治疗。这些结果推广了Rosenbaum和Rubin(1983)关于二元处理的经典识别结果。
2021-11-22 econ.EM stat.ME
Average treatment effect on the treated, under lack of positivity
针对ATT估计中正性不足导致极端PS权重的问题,论文指出现有修剪与截断方法改变了估计目标,并提出无需预设阈值的OWATT方法。
2024-05-19 stat.ME
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
A Differential Effect Approach to Partial Identification of Treatment Effects
本文提出差分效应方法,在未测量混杂下对平均及异质性处理效应进行部分识别,开发半参数框架估计界并进行两阶段推断,经模拟和吸烟对血镉影响的案例验证。
2025-02-28 stat.ME
Partial Identification Learning with Categorical Treatments for Individualized Treatment Rules
University of Copenhagen(哥本哈根大学);University of Oxford(牛津大学)
该研究针对分类处理等变量,扩展了部分识别学习框架,提出广义极小极大损失准则与对称嵌入策略,所得个体化治疗规则在未测量混杂场景中更接近最优规则。
2026-08-21 stat.ME
Optimal Covariate Adjustment beyond the Average Treatment Effect: Treated-Population and Overlap-Weighted Estimands
Toyo University(东洋大学)
本文证明平均处理效应的最优调整集性质源于其权重,并针对处理人群估计量推导效率界变化恒等式,证明无图最优准则,但无效应修饰时ATE最优集仍最优,并扩展至重叠权重等。
2026-09-15 econ.EM math.ST stat.ME
Inference on Quantile Treatment Effects with Small Treatment Groups
Amazon Inc.(亚马逊公司);UC Berkeley, Dept. of Economics(加州大学伯克利分校经济学系)
本研究针对多值处理模型中自然出现的小处理组,开发了允许处理组规模保持有界的条件分位数处理效应推断方法,通过结合条件分位数函数估计与分位数指标的伯努利表示,经蒙特卡洛实验验证了其有限样本性能。
2026-10-23 econ.EM econ.GN math.ST
Theory for identification and Inference with Synthetic Controls: A Proximal Causal Inference Framework
合成对照(SC)方法通常用于在面板数据设置中估计单个处理单元的处理效应。SC是为匹配治疗单位而构建的对照单位的加权平均值,通常通过将治疗单位的治疗前结局和测量协变量与对照单位的治疗前结局和测量协变量进行回归(汇总)来估计权重。然而,已经确定的是,在没有良好拟合的情况下,这样的回归估计器通常表现不佳。在本文中,我们引入了一个近端因果推断框架,正式的SC和最终的处理效应的治疗,控制单元的观察,没有贡献的建设SC可以被重新利用为代理的潜在混杂因素的基础上,识别和推理。我们认为治疗单位和SC之间的治疗后结果的差异是一个时间序列,这为各种时间序列方法估计处理效应打开了大门。所提出的框架可以容纳非线性模型,它允许二进制和计数结果,在SC文献中研究不足。我们说明与模拟研究和应用程序,以评估1990年德国统一。
2023-02-18 stat.ME
General Identification of Dynamic Treatment Regimes Under Interference
Johns Hopkins University(约翰斯·霍普金斯大学);Adobe Inc.(奥多比公司)
在许多应用领域,研究人员往往有兴趣定制治疗单位级的特点,以优化感兴趣的结果。确定和估计治疗策略的方法是动态治疗方案文献的主题。另外,在许多情况下,由于受试者间的依赖性,数据独立且同分布的假设不成立。受试者的结果取决于其邻居的暴露的现象被称为干扰。这些领域在无数的现实世界中相互交叉。在本文中,我们考虑的问题,确定最佳的治疗政策存在的干扰。使用干扰的一般表示,通过Lauritzen-Werken-Freydenburg链图(Lauritzen和Richardson,2002),我们正式确定了干扰下的各种政策干预,并扩展了现有的识别理论(Tian,2008; Sherman和Shpitser,2018)。最后,我们在一个模拟研究中说明了干扰下的政策最大化的功效。
2020-04-02 cs.AI cs.LG stat.ME
Identification of Treatment Effects under Conditional Partial Independence
治疗分配与潜在结局的条件独立性是一个常用但不可反驳的假设。我们从这个条件独立性假设的非参数偏差下获得各种处理效应参数的识别集。这些偏差通过条件治疗分配概率定义,这使得解释简单明了。我们的研究结果可以用来评估基线条件独立假设下获得的经验结论的稳健性。
2017-07-29 econ.EM stat.ME
PUATE: Efficient Average Treatment Effect Estimation from Treated (Positive) and Unlabeled Units
Mizuho-DL Financial Technology, Co., Ltd.(Mizuho-DL金融科技公司)
针对仅观察处理组和未标记组的设定,本文推导出半参数有效界并构建了达到该界的平均处理效应(ATE)半参数有效估计量,为缺失数据因果推断和弱监督学习做出贡献。
2025-05-28 cs.LG econ.EM math.ST
Single Proxy Synthetic Control
针对时间序列中单一处理单元的效应估计,提出单一代理合成控制方法,利用未处理单元结果作为代理构建有效合成控制,仅需单一类型代理即可实现识别与估计,并支持时变协变量和非线性模型。
2025-03-05 stat.ME
Identification of Average Treatment Effects in Nonparametric Panel Models
Stanford University(斯坦福大学)
本文提出非参数因子模型,证明面板数据中平均处理效应的可识别性,并给出可广泛用于组间差异分解的一致估计量。
2025-03-25 cs.LG econ.EM stat.ME
Identification and Estimation of Heterogeneous Treatment Effects under Non-compliance or Non-ignorable assignment
我们提供了充分的条件来识别异质性处理效应,定义为条件期望的差异,潜在的结果给予未经治疗的结果,在non-conformable治疗条件和可用性的信息的边缘分布的未经治疗的结果。这些函数对于识别平均处理效应(ATE)和确定处理分配策略都是有用的。在应用研究中普遍存在以下两种一般设置:(i)具有单侧不依从性的随机对照试验和(ii)具有关于未治疗结局或其样本矩的边缘分布信息的不可重复分配的观察性研究。为了处理设置有许多积分和缺失值,我们提出了一个(准)贝叶斯估计方法HTE和ATE,并通过模拟研究检查其属性。我们还将所提出的方法应用于国家职业培训合作法案研究所获得的数据集。
2019-01-12 stat.ME
Inference for Synthetic Control Methods with Multiple Treated Units
虽然综合控制方法(SCM)现在被广泛应用,但其最常用的推理方法,安慰剂试验,往往是有问题的,特别是当治疗不是唯一分配。本文讨论了多变量治疗情况下安慰剂试验存在的问题。并且,为了提高推理的能力,我进一步提出了一个Andrews类型的程序,因为它可能解决安慰剂测试的一些缺点。模拟结果表明,与安慰剂测试相比,安德鲁斯测试通常是有效和强大的。
2019-12-02 stat.ME stat.OT
Quantile Treatment Effects in Regression Kink Designs
关于回归扭结设计的文献开发了连续处理的平均效应(Card,Lee,Pei和Weber,2015),二元处理的平均效应(Dong,2018)和连续处理的分位数效应(Chiang和Sasaki,2019)的识别结果,但迄今为止还没有二元处理的分位数效应的识别结果。在本文中,我们填补了这一空白,在文献中提供了一个识别的分位数处理效应的回归扭结设计与二进制处理变量。为了完整性,我们还开发了大样本理论的统计推断和一个实用的准则估计和推断。
2019-03-18 stat.ME
Distributional Treatment Effect Transportability across Heterogeneous Sites
The Pennsylvania State University(宾夕法尼亚州立大学);University of Minnesota(明尼苏达大学);University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
针对跨站点单臂目标设计的异质性场景,该研究提出最优迁移准则学习变换以恢复目标站点完整处理组分布,经模拟与PDX数据验证框架有效性。
2026-09-04 math.ST stat.ME stat.ML
SubgroupTE: Advancing Treatment Effect Estimation with Subgroup Identification
The Ohio State University(俄亥俄州立大学);Harvard Medical School(哈佛医学院)
本文提出 SubgroupTE 模型,通过识别异质治疗响应子群并联合优化子群划分与效应估计网络,提升治疗效应估计及个性化治疗推荐性能。
2024-01-22 cs.LG 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
A comparison of methods for estimating the average treatment effect on the treated for externally controlled trials
本研究通过模拟比较了多种估计外部对照单臂试验中ATT的方法,发现双重稳健方法偏倚更小,非匹配方法标准差更小,且可识别性假设对方法性能至关重要。
2025-05-23 stat.ME
Quantile Treatment Effects in High Dimensional Panel Data
针对高维面板数据中仅少数单元受干预的场景,将广义合成控制方法拓展为分位数处理效应估计方法,建立了渐近性质与bootstrap推断程序,经模拟和2008年中国刺激计划实证验证有效。
2025-06-18 econ.EM stat.AP stat.ME
Identification and Robust Inference for Multiple Treatments with Possibly Invalid Instruments
University of Macau(澳门大学);The Chinese University of Hong Kong(香港中文大学);Zhejiang University(浙江大学)
研究具有多个内生治疗和可能无效工具变量的线性IV模型,引入广义多数和多数规则用于识别多种治疗效果,提出对IV选择错误具有鲁棒性的抽样置信区间,建立其渐近覆盖和参数率长度并用于孟德尔随机化应用。
2026-09-09 stat.ME
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
Peer Encouragement Designs in Causal Inference with Partial Interference and Identification of Local Average Network Effects
在非网络环境中,当随机化治疗被认为不切实际或治疗依从性无法完全强制执行时,鼓励设计已被广泛用于分析治疗、政策或干预对关注结果的因果影响。不幸的是,这样的问题有关的治疗依从性得到较少的关注,在网络设置和网络中研究最充分的试验设计,两阶段随机化设计,需要完美的治疗依从性。本文提出了一种新的试验设计--同伴激励设计,用于研究在实施治疗随机化不可行的情况下网络处理效应。同伴激励设计的核心思想是个性化激励的思想,它允许在激励设计文献中识别熟悉的被估量。本文还定义了新的因果被估量,局部平均网络效应,可以确定在新的设计和分析的影响,不遵守行为的随机实验网络。
2016-09-14 stat.ME
Identification of Treatment Effects under Limited Exogenous Variation
本文提出变系数设定以缓解处理效应非参数识别的强支撑条件,给出平均处理效应识别的充要条件(条件非奇异性),并统一半参数与非参数识别框架。
2025-01-26 econ.EM 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
A Nonparametric Method for Value Function Guided Subgroup Identification via Gradient Tree Boosting for Censored Survival Data
在具有生存结局的随机临床试验中,基于基线基因组、蛋白质组学标志物或临床特征的亚组识别越来越受到关注。一些现有的方法通过直接建模结果或处理效应来识别从实验处理中实质上受益的亚组。当目标是为给定患者找到最佳治疗而不是为给定治疗找到合适的患者时,个体化治疗方案框架下的方法估计个体化治疗规则,该个体化治疗规则将导致如由值函数测量的最佳预期临床结果。将价值函数的概念与亚组识别联系起来,我们提出了一种非参数方法,该方法通过最大化直接反映基于受限平均生存时间的亚组-治疗相互作用效应的价值函数来搜索亚组成员资格分数。提出了一种梯度树提升算法来搜索单个子组成员分数。我们进行模拟研究,以评估所提出的方法的性能和应用程序的艾滋病临床试验进行说明。
2020-06-15 stat.ME
Nonparametric Inference with an Instrumental Variable under a Separable Binary Treatment Choice Model
Department of Statistics, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校统计学系);Department of Statistics and Data Science, University of Pennsylvania(宾夕法尼亚大学统计与数据科学系)
本文提出了一种基于可分离二元治疗选择模型的非参数推断方法,通过引入变分独立参数化和固定点论证,实现对治疗效应的半参数有效估计。
2026-02-02 stat.ME
Partial Identification of the Average Treatment Effect with Stochastic Counterfactuals and Discordant Twins
提出基于随机反事实与不一致双胞胎结果的部分识别方法,通过约束优化求解平均处理效应的上下界,并用三个示例验证其适用性。
2024-07-26 math.OC stat.ME
Method of Moments Confidence Intervals for a Semi-Supervised Two-Component Mixture Model
来自未治疗患者的反应分布和该分布的偏移的混合物是来自一组治疗患者的反应的有用模型。混合模型解释了这样一个事实,即并非治疗组中的所有患者都会对治疗产生应答,因此其应答遵循与未治疗患者的应答相同的分布。在这种情况下,处理效应包括作为应答者的治疗患者的分数和应答者分布的变化幅度。在本文中,我们调查的处理效应的矩估计方法的性质,并证明其有用性获得近似置信区间,而无需任何参数假设的响应分布。
2021-07-14 stat.ME
Identification in Nonparametric Models for Dynamic Treatment Effects
本文开发了一个非参数模型,代表了如何在一个动态的方式相互影响的结果和治疗选择的序列。在这种情况下,我们感兴趣的是确定在每个阶段的个人的平均结果,有一个特定的治疗序列被分配。该量的识别允许我们识别平均处理效应(ATE)和关于转变的ATE,以及最佳处理方案,即,使平均潜在结果的(加权)和最大化的方案,可能更少的处理成本。本文的主要贡献是放松序列随机化假设广泛使用的生物统计学文献中引入一个灵活的选择理论框架的内源性治疗序列。我们表明,感兴趣的参数下确定每个时期的双向排除限制,即,结果确定过程中排除了工具,治疗选择过程中排除了其他外生变量。我们还考虑部分识别的情况下,后者的变量是不可用的。最后,我们将我们的结果扩展到一个设置,治疗不出现在每个时期。
2019-01-14 econ.EM stat.AP stat.ME
Identification and estimation of treatment and interference effects in observational studies on networks
对通过网络连接的一组单元进行因果推断通常存在技术挑战,包括如何解释干扰。例如,在存在局部干扰的情况下,一个单元的潜在结果取决于其处理以及其他局部单元的处理,例如根据网络的邻居。在观察性研究中,进一步的复杂性是必须扩展典型的无混淆性假设--比如说,包括对邻居的处理,以及个体和邻居协变量--以保证识别和有效的推断。在这里,我们提出了新的估计,定义治疗和干扰效果。然后,我们推导出一个天真的估计,错误地假设远离干扰的偏差的解析表达式。偏差取决于干扰的程度,但也取决于个人和邻居之间的处理的关联程度。我们提出了一个扩展的unconfoundedness假设,占干扰,我们开发了新的协变量调整方法,导致有效的估计治疗和网络上的观察性研究中的干扰效应。估计基于广义倾向得分,该分数在不同水平的个体治疗和暴露于邻居治疗的情况下平衡了各个单位的个体和邻居协变量。我们进行了模拟,校准使用友谊网络和协变量在全国代表性的纵向研究的青少年在等级7-12,在美国,探索有限样本的性能在不同的现实环境。
2018-03-30 stat.ME
On a necessary and sufficient identification condition of optimal treatment regimes with an instrumental variable
不可测混杂对因果推理和个体化决策是一种威胁。与Cui和Tchetgen Tchetgen(2020); Qiu等人(2020); Han(2020 a)类似,我们考虑了使用有效工具变量识别最佳个体化治疗方案的问题。Han(2020 a)使用Cui和Tchetgen Tchetgen(2020)的条件Wald估计量提供了最佳治疗方案的替代识别条件; Qiu等人(2020)在治疗分配受内分泌影响且有效的二元工具变量可用时。本文给出了利用条件Wald估计量确定最优治疗方案的一个充要条件。Cui和Tchetgen Tchetgen(2020); Qiu等人(2020); Han(2020 a)的研究必然暗示了我们的新情况,并且可能继续存在于先前结果未涵盖的各种潜在环境中。
2021-09-29 math.ST stat.ME stat.TH
Nonparametric Treatment Effect Identification in School Choice
Stanford University(斯坦福大学)
本文提出非参数方法识别学校分配中的处理效应,分析了原子处理效应的识别与估计,并推荐新的聚合方案以处理回归不连续性驱动的异质性。
2025-12-29 econ.EM stat.ME
Partial Identification of Treatment Effects for Generalizability
最近的方法,以改善推广从非随机样本通常调用假设,如强的可重复性的样本选择,往往是有争议的,在实践中获得点估计。而不是专注于点估计为基础的推断,本文认为部分确定的估计,从更少和更弱的假设推断。我们通过在教育中使用聚类随机试验,将部分识别方法扩展到非随机样本的因果推广。在四种情况下推导出群体平均处理效应的界,两种情况下未对数据进行假设,两种情况下假设样本变异和响应单调性有界。该方法适用于纳入群体数据框架,以收紧群体平均处理效应的界限。在有限样本变异和单调性的假设下,平均处理效应的区间估计值提供了足够的信息范围,以排除大的处理效应,这与实验研究的点估计值一致。这说明,部分识别方法可以提供一个替代的视角,因果概括的样本选择的强可验证性的情况下。
2017-01-05 stat.AP stat.ME
Estimating Optimal Treatment Rules with an Instrumental Variable: A Partial Identification Learning Approach
个体化治疗规则被认为是提供更好的政策干预的一个有希望的处方。最佳ITR估计问题的一个关键因素是根据受试者的协变量信息估计平均处理效应,由于普遍关注不可测量的混杂因素,这在观察性研究中通常具有挑战性。工具变量(IV)是在治疗和结局之间存在不可测量的混杂时推断处理效应的广泛使用的工具。在这项工作中,我们提出了一个一般框架接近最佳ITR估计问题时,一个有效的IV被允许只部分识别的处理效应。我们引入了一个新的概念,称为“IV-最优”的最优性。如果一个治疗规则最小化了关于假定的IV和IV识别假设集的最大风险,则该治疗规则被称为IV最优的。我们推导出一个IV-最优规则的风险,照亮IV-最优规则具有良好的泛化性能的界限。我们提出了一个基于分类的统计学习方法,估计这样的IV-最优规则,设计计算效率高的算法,并证明理论保证。我们通过广泛的模拟将我们提出的方法与流行的结果加权学习(OWL)方法进行了对比,并将我们的方法应用于研究哪些母亲将受益于在具有高水平新生儿重症监护病房的医院分娩早产儿。
2021-01-12 stat.ME
Principal Stratification with Continuous Post-Treatment Variables: Nonparametric Identification and Semiparametric Estimation
本文针对连续治疗后变量的主分层问题,提出非参数识别与半参数估计理论,利用工作模型近似因果效应曲面并构造双重稳健估计量,填补了现有方法主要限于二值治疗后变量的空白。
2024-04-03 math.ST stat.ME stat.TH
Evaluating Treatment Benefit Predictors using Observational Data: Contending with Identification and Confounding Bias
本文研究如何用观察性数据评估预先指定的治疗获益预测因子,证明区分度与校准指标可由可观测分布识别,并揭示混杂控制不足时偏倚传播更复杂且方向难以直觉判断。
2025-09-26 stat.ME
A Nonparametric Framework for Universal Difference-in-Differences
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Pennsylvania(宾夕法尼亚大学)
本文提出一种非参数框架,解决传统差异-in-差异方法的局限性,包括仅适用于连续结果、对结果变换敏感、依赖无未测量混杂假设以及缺乏半参数效率理论等问题。
2026-03-28 stat.ME
On Mendelian Randomization Mixed-Scale Treatment Effect Robust Identification (MR MiSTERI) and Estimation for Causal Inference
如果定义工具变量(IV)的遗传变异受到混淆和/或对非治疗介导的目标结局具有水平多效性效应,则标准孟德尔随机化分析可能产生偏倚结果。我们提供了新的识别条件的因果关系的治疗中存在的不可测量的混杂,利用无效的IV的独立性和排除限制的假设可能会被违反。孟德尔随机化混合尺度处理效应稳健辨识(MR MiSTERI)方法依赖于(i)假设处理效应不随相加量表上无效IV的变化而变化;以及(ii)由于混杂导致的选择偏倚不随比值比量表上无效IV的变化而变化;和(iii)结果的残差方差是异方差的,因此随着无效IV而变化。我们正式确定,他们的结合可以确定一个因果关系的影响,即使是一个无效的IV受到多效性。MiSTERI被证明是特别有利的,在存在普遍的异质性的多效性效应的加性尺度,设置在其中两个最近提出的稳健估计方法MR GxE和MR GENIUS可以严重偏置。为了将多个,可能相关的和弱IV,MR研究中的一个常见的挑战,我们开发了一个MAny弱无效仪器(MR MaWII MiSTERI)的方法,以加强识别和提高准确性MaWII MiSTERI被证明是强大的水平多效性,违反IV独立性假设和弱IV偏见。仿真研究和实际数据分析结果表明所提出的MR MiSTERI方法的鲁棒性。
2021-03-30 stat.ME
Partial identification and unmeasured confounding with multiple treatments and multiple outcomes
Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院);Dana-Farber Cancer Institute(达纳法伯癌症研究所);University of Florida(佛罗里达大学);University of Central Florida(中佛罗里达大学);University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
针对多重治疗与结果下未测量混杂问题,提出因子混杂假设下的部分识别框架,利用联合识别区域和阴性对照缩小范围,并应用于PM2.5组分健康效应估计,发现其效应稳健。
2026-09-11 stat.ME
Finding network effect of randomized treatment under weak assumptions for any outcome and any effect heterogeneity
针对网络处理效应估计中常用线性模型假设过强的问题,提出非参数因果简化形式CRF,适用于任意结果与效应异质性,可评估线性模型的隐含假设与偏差,实现几乎无模型的网络效应估计推断。
2025-06-13 stat.ME