Learning to Fluctuate: Statistical Foundations for Causal Tabular Pretraining
School of Statistics and Data Science(统计与数据科学学院);Shanghai University of Finance and Economics(上海财经大学)
本文提出波动监督预训练(FSP),通过高效影响函数波动标记合成表格,证明其可消除标签模糊性并将风险降至$n^{-2}$,实验显示相比潜在监督RMSE降低69.8%。
2026-09-25 cs.LG stat.ML
Comparing causal estimands from sequential nested versus single point target trials: A simulation study
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Target RWE(目标真实世界证据);Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院);Bloomberg School of Public Health, Johns Hopkins University(约翰霍普金斯大学彭博公共卫生学院);Duke University(杜克大学)
本研究通过模拟比较了连续嵌套试验与单点试验在因果估计量上的差异,发现疾病严重程度影响治疗效果时,两种试验方法的估计结果存在差异。
2026-01-28 stat.AP
Mendelian Randomization Methods for Causal Inference: Estimands, Identification and Inference
The University of Hong Kong(香港大学);Columbia University Irving Medical Center(哥伦比亚大学欧文医学中心);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Columbia University(哥伦比亚大学)
本文全面综述了孟德尔随机化(MR)在因果推断中的方法,围绕因果估计量系统讨论了无效和弱工具变量问题、多种研究设计及高维组学数据应用,为方法学家和应用科学家提供实用指导。
2025-11-02 stat.AP stat.ME
The primary importance of the research question: Implications for understanding natural versus controlled direct effects and the 'cross-world independence assumption'
在开发新的干预措施以最大限度地减少暴露的有害影响时,研究人员通常针对介导暴露对结果的因果影响的机制。预测这些新干预措施的因果效应通常是通过确定(1)受控的直接效应或(2)纯(自然)直接效应来完成的。在这篇评论文章中,我们使用干预主义的方法来讨论这两种方法如何回答不同的问题,以及每种方法与另一种方法相比的额外基本假设。我们使用一个具体的例子来开发一种新的干预措施,通过消除有害化学物质的吸入来减少吸烟对慢性阻塞性肺疾病的有害影响。
2021-08-08 stat.ME
Wasserstein Causal Forests for Distribution-Valued Outcomes
University of São Paulo(圣保罗大学)
提出Wasserstein因果森林处理分布值结果,定义转换处理效应,模拟显示在多数设计中最准确,应用于STAR数据发现小班提升高分端更多且对弱势学生影响最大。
2026-09-30 cs.LG stat.ML
Semi-supervised learning and the question of true versus estimated propensity scores
半监督机器学习对处理效应估计问题的直接应用是,如果观察到处理分配和协变量,但未观察到结果,则将数据视为“未标记”。根据该公式,可以使用大的未标记数据集来估计高维倾向函数,并且使用小得多的标记数据集的因果推断可以通过使用学习的倾向得分的加权估计器来进行。在无限未标记数据的极限情况下,可以准确地估计高维倾向函数。然而,因果推断界长期以来的建议表明,估计的倾向得分(仅来自标记数据)实际上比真实的倾向得分更可取,这意味着未标记的数据在这种情况下实际上是无用的。在本文中,我们研究这个悖论,并提出了一个简单的程序,调和强烈的直觉,一个已知的倾向函数应该是有用的估计处理效应与以前的文献建议,否则。此外,模拟研究表明,在许多情况下,直接回归可能比逆倾向权重估计更可取。
2020-09-14 stat.AP stat.ME stat.ML
Comment on "Statistical Modeling: The Two Cultures" by Leo Breiman
受Breiman 2001年关于统计学中“两种文化”的激动人心的论文的启发,我们考虑了不同建模方法在因果推断中所起的作用。我们讨论了模型复杂性和因果(错误)解释之间的关系,插件与有针对性的估计的相对优点,在调整灵活的因果效应估计出现的问题,和一些突出的文化分歧因果推断。
2021-03-29 stat.ME
Sample Complexity of Causal Identification with Temporal Heterogeneity
本文研究了在时间异质性条件下因果图恢复的样本复杂性,通过整合时间结构与环境异质性,提出了统一的可识别性条件,并揭示了厚尾分布下统计恢复的限制。
2026-02-06 cs.LG stat.ML
Priming bias versus post-treatment bias in experimental designs
Harvard University(哈佛大学);Boston University(波士顿大学);Waseda University(早稻田大学)
本文形式化分析了实验设计中调节变量测量时机引发的启动偏差与处理后偏差之间的权衡,推导了三种设计下交互效应的非参数界限,并将其应用于选举信息调查实验。
2024-08-05 stat.AP stat.ME
A Bayesian Nonparametric Causal Model for Regression Discontinuity Designs
对于非随机化研究,在相对温和的条件下,回归不连续设计(RDD)可用于识别和估计“局部随机化”受试者亚组的因果效应。然而,当前模型通过线性回归将因果推断集中在治疗(与非治疗)变量对因变量均值的影响上。对于RDD,我们提出了一个灵活的贝叶斯非参数回归模型,可以提供准确的估计因果关系的影响,在预测均值,方差,分位数,概率密度,分布函数,或任何其他选择的功能的结果变量。我们通过两个真实的教育数据集的分析来说明该模型,涉及(分别)一个清晰的RDD和一个模糊的RDD。
2015-02-11 stat.ME
Discussion of "Data-driven confounder selection via Markov and Bayesian networks" by Jenny Häggström
在这个讨论中,我们考虑了为什么即使没有识别出因果效应参数,也要很好地估计因果效应参数,提出了在碰撞器存在下因果推断的部分识别方法,指出了双重鲁棒性的未被充分认识的优点,讨论了独立性检验与回归的相对困难,最后赞扬了Häggström对高维混杂的因果推断的探索,同时呼吁在这方面进行进一步的研究。
2017-10-31 stat.ME
Moment Matters: Mean and Variance Causal Graph Discovery from Heteroscedastic Observational Data
Communication Science Laboratories NTT, Inc. Kyoto Japan(通信科学实验室 东京电讯株式会社 京都 日本);NTT, Inc.(东京电讯株式会社)
提出贝叶斯矩驱动因果发现框架,从异方差观测数据中分别推断均值和方差因果图,并实现结构特征的不确定性量化。
2026-05-27 cs.LG stat.ML
Understanding Deterioration Random Effects for Causal Discovery in Infrastructure Management
本文提出了一种结合贝叶斯分层危险模型与因果发现的新框架,用于识别驱动泵设备异质劣化率的操作模式,通过GPU加速NUTS估计随机效应并验证线性假设,揭示不同操作制度需要不同的管理策略。
2026-05-19 cs.LG stat.AP stat.ML
Causal inference for climate change events from satellite image time series using computer vision and deep learning
University of California, Berkeley(加州大学伯克利分校)
我们提出了一种使用卫星图像时间序列进行因果推理的方法,以确定影响气候变化的干预措施(如森林砍伐)的治疗效果。简而言之,目的是量化与气候相关的人为干预措施(如城市化)以及飓风和森林火灾等自然灾害的“前后"影响。作为一个具体的例子,我们专注于量化森林树木覆盖变化/森林砍伐,由于人类主导的原因。所提出的方法涉及以下步骤。首先,我们使用计算机视觉和机器学习/深度学习技术来检测和量化森林树木覆盖水平。然后,我们查看这个时间序列以识别变化点。接下来,我们使用贝叶斯结构因果模型估计预期(森林树木覆盖)值,并预测/预测反事实。这与干预后实际观察到的值进行比较,两个值的差异为我们提供了干预的效果(与非干预情景相比,即没有干预可能会发生的情况)。作为一个具体的用例,我们分析了巴西恶性通货膨胀事件(干预)(于1993-94年结束)之前和之后的森林砍伐水平,针对巴西Rondonia周围的亚马逊雨林地区。对于这种森林砍伐用例,使用我们的因果推理框架可以帮助因果地归因于森林树木覆盖的变化/减少以及由于人类活动在不同时间点导致的森林砍伐率增加。
2019-10-25 cs.CV cs.LG stat.ML
Causal inference in transportation safety studies: Comparison of potential outcomes and causal diagrams
激发运输安全研究的研究问题本质上是因果关系。安全性研究人员通常使用观察数据来回答这些问题,但通常没有适当的因果推断方法。因果推断领域提出了几种用于探测经验数据以评估因果关系的建模框架。本文重点探讨两个这样的建模框架-因果图和潜在的结果-一个特定的运输安全问题的适用性。估计了路面标线回射性对路段安全性的因果影响。更具体地说,基于这些框架在真实数据集上的三种不同实现的结果进行了比较:具有回归调整的逆倾向得分加权和具有回归调整的倾向得分匹配与因果贝叶斯网络。增加路面标线的后向反射率通常会降低夜间目标碰撞的概率。然而,我们发现估计的因果效应的大小对所使用的方法和违反的假设是敏感的。
2011-07-25 stat.AP
Optimal transport weights for causal inference
Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院);David Geffen School of Medicine at UCLA(加州大学洛杉矶分校大卫·格芬医学院)
协变量分布的不平衡导致因果效应的有偏估计。加权方法试图纠正这种不平衡,但依赖于治疗分配机制的指定模型,这在观察性研究中是未知的。这使得研究人员在不知道正确组合以实现分布平衡的情况下为这些模型选择适当的加权方法和适当的协变量函数。为了应对这些困难,我们提出了一个非参数的推广其他几个加权方案中发现的文献:因果最优运输。这种新方法通过最大限度地减少治疗组和对照组之间的最佳运输距离,或更一般地说,任何来源和目标人群之间的最佳运输距离,直接针对分布平衡。我们的方法是半参数化的有效和无模型,但也可以将时刻或任何其他重要的功能的协变量,研究人员希望平衡。此外,我们的方法可以提供非参数估计的条件平均结果函数,我们给出了速度的收敛。此外,我们展示了这种方法如何提供缺失的潜在结果的非参数插补,并给出了这种估计的收敛速度。我们发现,因果最优运输优于竞争对手的方法时,倾向得分和结果模型是错误的,这表明它是一个强大的替代常见的加权方法。最后,我们证明了我们的方法在外部对照试验中的效用,检查米索前列醇与催产素治疗产后出血的效果。
2022-05-12 cs.LG econ.EM stat.ME
Doubly robust Methods for Recurrent Event Outcomes: Causal Effects of Blood Pressure Medications on Acute Kidney Injuries
Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院);University of Waterloo(滑铁卢大学)
研究评估治疗策略对复发性事件结果的平均因果效应,用先进方法估计降压疗法对急性肾损伤复发的效应,解决时变治疗和混杂及模型误设问题,并分析相关数据集。
2026-07-07 stat.ME
Heterogeneous Causal Learning for Effectiveness Optimization in User Marketing
Uber Inc.(优步公司)
用户营销是以消费者为基础的互联网公司的重点。学习算法可以有效地优化营销活动,提高用户参与度,并促进相关产品的交叉营销。通过奖励吸引用户,营销方法可以有效地提高用户对所需产品的活跃度。奖励会产生大量成本,这些成本可以通过未来收入的增加来抵消。大多数方法依赖于流失预测,以防止失去用户来做出营销决策,这无法通过业务指标捕获反事实结果的提升。其他预测模型能够估计异质性的治疗效果,但未能捕捉成本与效益的平衡。我们提出了一个用户营销的治疗效果优化方法。该算法从过去的实验中学习,并利用新的优化方法来优化用户选择的成本效率。该方法使用深度学习优化模型来优化决策,以对待和奖励用户,这对于产生具有成本效益的、有影响力的营销活动是有效的。我们的方法通过与深度学习方法集成并处理业务约束,展示了卓越的算法灵活性。我们的模型的有效性超过了准预言估计(R-learner)模型和因果森林。我们还建立了反映成本效益和真实业务价值的评估指标。我们提出的约束和直接优化算法优于24.6%相比,在现有技术和基线方法的最佳性能的方法。该方法在许多产品场景中是有用的,例如最佳治疗分配,并且已在全球范围内部署在生产中。
2020-04-21 cs.LG stat.ML
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
Causal Analysis of Air Pollution Mixtures: Estimands, Positivity, and Extrapolation
该研究针对空气污染混合物因果推断中数据支持不足的问题,基于潜在结果框架定义混合物因果效应、形式化正定性假设并提出诊断指标,还重新划分了依赖观测数据与模型外推的因果估计量,以评估美国全国颗粒物数据集对混合物效应估计的支持能力。
2024-01-30 stat.AP stat.ME
Causal Inference with Unstructured Treatments
University of Michigan(密歇根大学)
本文针对非结构化处理的因果推断问题,提出最大影响特征(MIF)的因果查询,开发估计算法与微调算法,在多类应用中验证其有效性。
2026-08-04 cs.LG stat.ML
Classifying Causal Structures: Ascertaining when Classical Correlations are Constrained by Inequalities
本文利用 d-分离、e-分离和不相容支撑识别仅产生等式约束的因果结构,并在多达 4 个可观测变量的数千个场景中验证 HLP 条件近乎穷尽。
2023-08-04 math.ST quant-ph stat.ML
On the dimensional indeterminacy of one-wave factor analysis under causal effects
它示出,与两套指标,分别加载在两个不同的因素,独立于另一个条件的过去,如果是这样的情况下,至少一个因素的因果关系影响其他的,那么,在许多设置中,该过程将收敛到一个因素模型,其中一个单一的因素将足以捕捉指标之间的协方差结构。使用一波数据的因子分析无法区分具有单个因子的因子模型与具有两个因果相关因子的因子模型。因此,除非可以先验地排除因素之间的因果关系,否则对单个因素进行单波因素分析的所谓经验证据仍然存在单个因素或两个因素相互因果影响的可能性。解释心理量表的因素结构,如焦虑和抑郁的自我报告量表,或幸福和目的的影响,进行了讨论。通过模拟进一步说明了结果,以深入了解在更现实的设置之前的收敛过程的结果的实际影响。一些进一步的概括任意数量的基本因素指出。
2022-04-15 stat.ME
Incremental causal effects: an introduction and review
在本章中,我们回顾了Kennedy [2019]提出的基于增量倾向得分干预的因果效应类别。增量倾向得分干预的目的是估计增加或减少受试者接受治疗的可能性的影响;这与平均处理效应不同,后者的目的是估计每个人确定性地接受与不接受治疗的效果。我们首先提出的情况下,当有一个单一的二元治疗,使它可以比较平均处理效应,从而阐明关键概念的增量因果关系的影响。特别是,增量效应的一个好处是,确定因果效应不需要积极性--因果推断中的一个常见假设。然后,我们讨论了更一般的情况下,治疗是在多个时间点测量,其中积极性更容易被侵犯,因此增量效应可能是特别有用的。在整个过程中,我们激励增量效应与现实世界中的应用,这些影响的非参数估计,并讨论其效率特性,同时也简要回顾了影响函数在功能估计中的作用。最后,我们将展示如何在实践中使用这些估计来解释和分析结果,并讨论扩展和未来的方向。
2021-10-20 stat.ME
Post-selection inference for causal effects after causal discovery
Columbia University(哥伦比亚大学);Zhejiang University(浙江大学)
提出基于重采样和筛选的选择后推断方法,解决因果发现后因果效应估计中双重使用数据导致的置信区间无效问题,并证明其渐近正确性。
2025-09-17 stat.ME
Designing monitoring strategies for deployed machine learning algorithms: navigating performativity through a causal lens
University of California, San Francisco(加利福尼亚大学旧金山分校);U.S. Food and Drug Administration, Center for Devices and Radiological Health(美国食品药品监督管理局医疗器械和放射健康中心)
本文针对部署后机器学习算法在表现性效应下的性能监测问题,提出用因果推理框架系统设计监测策略,并通过风险预测案例比较六种监测程序,揭示不同监测系统在可解释性、假设和检测速度上的差异。
2024-02-26 cs.LG stat.ML
From Causal Plausibility to Causal Reliability: Evaluating LLMs as Calibrated Direct Causal-Edge Classifiers
Texas A&M University-Corpus Christi(德克萨斯农工大学科珀斯克里斯蒂分校);BITS Pilani Goa(戈亚斯 pilani Bits 大学);Mississippi State University(密西西比州立大学);Northern Illinois University(北伊利诺伊大学);Texas Christian University(得克萨斯基督教大学)
本研究评估12个指令微调开放权重LLM作为直接因果边分类器的可靠性,发现其判断过度预测、置信度不可靠,仅跨提示/模型一致性更优,建议将其作为软因果先验来源而非因果结构直接证据。
2026-08-26 cs.AI cs.LG stat.ME
Generative Synthetic Data for Causal Inference: Pitfalls, Remedies, and Opportunities
University of California, Berkeley(加州大学伯克利分校)
本文探讨生成合成数据在因果推断中的局限性,提出混合合成数据框架以提升因果效度,通过实验验证其在不同场景下的优势。
2026-07-17 cs.AI stat.ME stat.ML
Staggered Rollout Designs Enable Causal Inference Under Interference Without Network Knowledge
随机化实验被广泛用于估计各种领域的因果效应。然而,经典的因果推断方法依赖于关键的独立性假设,当一个个体的治疗影响其他个体的结果时,网络干扰会违反这些假设。所有现有的方法都需要至少近似的网络知识,这可能是不可用的和昂贵的collect.We认为估计总处理效应(TTE)的任务,或平均差异的结果时,整个人口进行治疗与当整个人口未治疗。通过利用交错推出设计,其中治疗是递增地给予随机子集的个人,我们得到无偏估计量TTE不依赖于任何先验结构知识的网络,只要网络干扰的影响被约束到低程度的个人邻居之间的相互作用。我们推导出的估计量的方差上的界限,我们在实验中表明,我们的估计对模拟数据的基线表现良好。我们的理论贡献的核心是交错推出的意见和多项式外推之间的连接。
2022-10-14 cs.SI stat.ME
Psychologically-Inspired Causal Prompts
The University of Hong Kong(香港大学);MPI(马克斯·普朗克研究所);ETH Zürich(苏黎世联邦理工学院);University of Michigan(密歇根大学);MPI for Intelligent Systems(马克斯·普朗克智能系统研究所)
该研究以情感分类为例,将人类情感判断的三种因果心理过程转化为因果提示,探究不同提示的性能差异及数据特性对模型响应的影响,呼吁NLP研究关注任务中的因果结构。
2023-05-02 cs.AI cs.CL cs.LG
How should we select test-negative controls? A causal perspective in the era of multiplex respiratory testing
Cleveland Clinic(克利夫兰诊所);Cleveland Clinic Lerner College of Medicine of Case Western Reserve University(凯斯西储大学克利夫兰诊所勒纳医学院);St. Jude Children’s Research Hospital(圣裘德儿童研究医院);University of Michigan(密歇根大学);Stanford University(斯坦福大学);Center for International Security and Cooperation, Freeman-Spogli Institute, Stanford University(斯坦福大学弗里曼-斯波格利研究所国际安全与合作中心);University of Pennsylvania(宾夕法尼亚大学)
该研究针对多重呼吸道检测时代的检测阴性设计,提出基于因果视角的对照选择框架,通过分类对照类型、明确原则及模拟验证,解决对照选择偏倚问题以准确评估疫苗有效性。
2026-08-03 stat.ME
Causal Agent Replay: Counterfactual Attribution for LLM-Agent Failures
Carnegie Mellon University(卡内基梅隆大学)
提出Causal Agent Replay (CAR)方法,通过结构因果模型和干预操作,对LLM智能体失败步骤进行反事实归因,解决现有方法无法定位决策步骤的问题。
2026-06-06 cs.AI cs.LG
Risk ratio, odds ratio, risk difference... Which causal measure is easier to generalize?
INRIA(法国国家信息与自动化研究所);University of Montpellier(蒙彼利埃大学);INRIA Saclay(法国国家信息与自动化研究所萨克雷中心)
本文系统比较多种因果效应度量,统一可折叠性与异质性定义,并证明仅风险差能在任意结局类型下将条件与平均治疗效应同基线分离,进而阐明不同度量推广所需协变量集合的差异。
2025-09-21 stat.ME
Considerations for Estimating Causal Effects of Informatively Timed Treatments
本文探讨了信息性定时治疗对因果效应估计的影响,提出利用g方法调整等待时间作为时间变化混杂因素以提高推断有效性。
2025-08-29 cs.LG stat.ME
Robust causal inference with continuous instruments using the local instrumental variable curve
工具变量通常用于估计受未测量的混杂影响的治疗的效果,并且在实践中工具通常是连续的(例如,距离或治疗偏好的测量)。然而,连续仪器的可用方法具有重要的局限性:它们要么需要用于识别的限制性参数假设,要么依赖于对结果和治疗过程进行良好的建模(并且需要通过所有调整协变量进行建模效应修改)。在这项工作中,我们开发了第一个半参数双稳健估计的局部工具变量效应曲线,即,在那些接受治疗的人中,仪器值高于某个阈值而不是低于该阈值。除了对工具或治疗/结果过程的错误指定具有鲁棒性外,我们的方法还结合了有关工具机制的信息,并允许对效果修改进行灵活的数据自适应估计。我们讨论了弱条件下的渐近性质,并使用的方法来研究婴儿死亡率的影响,新生儿重症监护病房的高与低的技术能力,使用旅行时间作为一种工具。
2018-07-04 stat.ME
Unraveling time-varying causal effects of multiple exposures: integrating Functional Data Analysis with Multivariable Mendelian Randomization
Politecnico di Milano(米兰理工大学);Human Technopole(人类技术极点);University of Cambridge(剑桥大学)
MV-FMR通过整合功能性数据分析与多变量孟德尔随机化,解析多重暴露的时间变化因果效应,提升对复杂时间依赖因果过程的解读能力。
2026-11-17 stat.AP
Causal Inference for Comprehensive Cohort Studies
在两种竞争治疗(例如A和B)的综合队列研究中,临床上符合条件的个人首先被要求参加随机试验,如果他们拒绝,然后被要求参加平行观察性研究,在其中他们可以选择治疗根据自己的喜好。我们考虑估计两个被估量:(1)综合队列因果效应--综合队列中所有患者接受治疗A与治疗B的平均潜在结局差异;(2)随机试验因果效应--随机试验中所有患者接受治疗A与治疗B的平均潜在结局差异。对于每个估计,我们考虑各种不混淆假设下的推断,并构造半参数有效和鲁棒估计。这些估计依赖于滋扰功能,我们估计,为了说明的目的,使用广义可加模型。利用样本分裂理论,我们建立了我们提出的估计的渐近性质。我们还使用来自旁路血管成形术血运重建研究(BARI)随机试验和观察注册的数据来说明我们的方法,以评价经皮腔内冠状动脉球囊血管成形术与冠状动脉旁路移植术对5年死亡率的影响。为了评估我们估计的有限样本性能,我们使用BARI数据集作为现实模拟研究的基础。
2019-10-08 stat.ME
Inferring Comprehensive Cohort Causal Effects in the Presence of Unmeasured Confounding and Missing Outcomes
University of Utah(犹他大学);Emory University(埃默里大学);University of Warwick(华威大学);University Hospitals Coventry & Warwickshire(考文垂与华威郡大学医院)
提出一个方法框架,用于估计混合设计临床研究中的综合队列因果效应,通过半参数敏感性分析处理未测量混杂和随机缺失结局,并推导有效影响函数和偏差校正估计量。
2026-06-27 stat.ME
Privacy-Preserving Causal Meta-Mediation Analysis with Survival Outcomes
EPILOGY, Institut Mondor of Biomedical Research, INSERM U955(INSERM U955 EPILOGY 蒙多尔生物医学研究所);Université Paris-Est Créteil(巴黎东克雷泰伊大学)
针对多中心生存数据隐私限制,提出联邦因果元中介分析框架,无需共享个体数据即可估计自然间接效应,并开发一步与靶向最大似然估计器,应用于法国健康数据验证。
2026-09-11 stat.AP stat.ME
Causal Perspectives on Network Meta-Analysis
PreMeDICaL, Inria, Inserm, Université de Montpellier(普雷梅迪卡尔实验室,法国国家信息与自动化研究所,法国国家健康与医学研究院,蒙彼利埃大学)
该研究探讨网络荟萃分析,提出应先确定因果估计量再汇总,开发统一因果框架,基于汇总数据定义治疗效果、考虑异质性,使组间汇总自然产生,与传统范式不同,数值研究显示新方法因果效应明确,两种方法有差异。
2026-07-13 stat.ME
Analysis of Two-Stage Rollout Designs with Clustering for Causal Inference under Network Interference
针对网络干扰下因果推断推出设计因外推导致高方差的问题,提出两阶段聚类实验,分析多项式插值估计量的偏差方差特性,探究聚类目标权衡并比较不同策略性能。
2025-02-10 cs.SI stat.ME
Robust Causal Inference of Drug-drug Interactions
有越来越多的兴趣,在发展因果推断方法的多值处理,重点对成对的平均处理效应。在这里,我们重点关注一个临床上重要但研究较少的被估量:因果性药物相互作用(DDI),它量化了药物A的因果效应因药物B的存在和不存在而改变的程度。研究DDI效应时的混杂调整可通过治疗加权逆概率(IPTW)完成,IPTW是最初为二进制治疗开发的标准方法,后来推广到多值治疗。然而,当错误指定倾向得分模型时,这种方法通常会导致偏倚结果。出于对更强大的技术的需要,我们提出了两个经验的可能性为基础的加权方法,允许指定一组倾向得分模型,与第二种方法直接平衡用户指定的协变量,通过将额外的,非参数约束。当假设的倾向得分模型集包含一个正确的模型时,两种方法得到的估计量是一致的;这种特性被称为多重稳健性。然后,我们通过仿真来评估它们的有限样本性能。结果表明,所提出的估计优于标准IPTW方法的鲁棒性和效率。最后,我们应用所提出的方法来评估的影响,肾素-血管紧张素系统抑制剂(RAS-I)的比较肾毒性的非甾体类抗炎药(NSAID)和阿片类药物,使用来自电子病历的数据,从一个大型多医院的卫生系统。
2022-09-19 stat.AP stat.ME
Deep Learning With DAGs
Linköping University(林雪平大学);University of Chicago(芝加哥大学)
本文提出因果图规范化流(cGNFs),利用深度神经网络在无需严格函数形式假设的情况下,对以有向无环图表示的因果理论进行灵活的半参数估计,并通过经典社会学模型重分析验证其有效性。
2024-01-12 cs.LG econ.EM stat.ME
A Survey on Federated Causal Discovery and Inference
School of Computer Science, Nanjing University of Posts and Telecommunications(南京邮电大学计算机学院);School of Computer Science and Information Engineering, Hefei University of Technology(合肥工业大学计算机与信息工程学院);College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University(香港理工大学数据科学与人工智能系)
本文系统综述联邦因果发现与推断领域,通过多维分类法组织方法,并形式化二者作为统一联邦因果推理管道的互补阶段,最后指出开放挑战。
2026-06-24 cs.AI cs.DC cs.LG
Heritability: A Counterfactual Perspective
Florida State University(佛罗里达州立大学);University College London(伦敦大学学院);University of Cambridge(剑桥大学)
提出基于反事实框架的遗传度定义,利用潜在结果模型量化遗传继承的重要性,并给出可从观测数据计算的界限,与常见遗传度概念进行比较。
2026-05-22 stat.AP
Trial emulation and survival analysis for disease incidence registers: a case study on the causal effect of pre-emptive kidney transplantation
许多教程和研究论文集中在生存分析或因果推断的方法,留下医学研究中常见的并发症未解决。在实践中,必须共同处理问题,而不能忽视数据结构的基本特征。在本文中,我们跟踪终末期肾病的发病病例,并研究了与透析相比,以移植(即所谓的先发制人的肾移植)开始治疗对全因死亡率的影响。问题相对简单:哪种治疗开始预计会为目标人群带来最佳生存率?为了解决这个问题,我们模拟了一个瑞典肾脏登记处的目标试验,以估计对生存曲线的因果影响。意识到重要的挑战,我们看到以前的研究是如何根据治疗开始后发生的事件将患者选择到治疗组的。我们的研究揭示了长期事件疾病登记的不朽时间偏倚和其他典型特征的巨大影响,包括:登记(早期)阶段的缺失或错误测量协变量,进入治疗组的患者在日历时间内的不同风险特征,以及随着护理的改善而发生的风险变化。随着病例的特征和治疗版本随时间的推移而演变,在未校正的Kaplan-Meier曲线中引入了信息删失,其IPW版本也不再有效。在这里,我们讨论了处理这些功能的可行方法,并回答了不同的研究问题,依赖于没有未测量的基线混杂假设。
2020-11-23 stat.AP
Assessing causal effects in the presence of treatment switching through principal stratification
该研究通过主分层重新定义治疗转换问题,采用贝叶斯方法处理连续时间转换与删失,分析Concorde合成数据,发现立即使用齐多夫定增加从未转换者生存时间且效果异质性高。
2023-09-05 stat.AP stat.ME
Instrumental variable estimation of early treatment effect in randomized screening trials
癌症随机筛查试验的主要分析通常遵循意向筛查原则,测量筛查组和对照组之间癌症特异性死亡率的降低。这些死亡率的降低是筛查方案、筛查技术和早期筛查诱导的治疗效果相结合的结果。这促使分别处理这些不同的方面。在这里,我们感兴趣的是早期与延迟治疗对筛查可检测亚组中癌症死亡率的因果关系,在某些假设下,可以使用工具变量类型的方法从传统的随机筛查试验中估计。为了定义感兴趣的因果效应,我们制定了一个简化的结构多状态模型的筛选试验,基于一个假设的干预试验,筛选检测到的个人将被随机分为早期与延迟治疗。通过病因特异性风险比量化筛查检测后癌症特异性死亡率的降低。为此,我们提出了两个估计,估计方程和似然表达式的基础上。该方法将现有的时间至事件和竞争风险结果的工具变量方法扩展到时间依赖性中间变量。使用的多状态模型的数据生成机制的基础上,我们通过仿真研究新的估计器的性能。此外,我们说明了所提出的方法的背景下,CT筛查肺癌使用美国国家肺筛查试验(NLST)的数据。
2021-06-07 stat.ME
Identifying Model Quality Effects on User Engagement: A Within-Version Causal Estimator with Synthetic Data Validation
Google(谷歌)
针对LLM模型更新与用户参与度的因果识别难题,提出结合合成数据验证的版本内因果估计器,经衰减调整后可准确估计模型质量对参与度的影响。
2026-08-25 stat.ME stat.OT
A Unified Framework for Causal Estimand Selection
针对观测数据因果效应估计中协变量不平衡与重叠不足带来的偏差方差权衡及估计量靶向问题,提出含偏差分解、设计指标与选择流程的统一框架,支持结合领域偏好选择估计量,并经右心导管术数据验证。
2025-03-20 stat.ME
Bridging Binarization: Causal Inference with Dichotomized Continuous Exposures
University of California, Berkeley(加州大学伯克利分校)
本文提出通过二元化连续暴露变量来估计因果效应的方法,证明二元化ATE与特定治疗政策的平均结果差异等价,并引入新的目标参数以更准确回答因果问题。
2026-02-04 stat.ME
Partial Identification of Causal Effects for Endogenous Continuous Treatments
本文将Rosenbaum和Marginal敏感性模型扩展至连续处理,用随暴露水平变化的敏感性函数替代标量参数,提出统一的伪结果回归估计方法,并证明估计量的一致性和渐近正态性,通过模拟和二手烟暴露对儿童血铅影响的实际数据验证了方法。
2025-08-19 econ.EM math.ST stat.ME
Propensity Score Weighting Analysis of Survival Outcomes Using Pseudo-observations
生存结局在比较有效性研究中很常见,需要独特的处理,因为它们通常由于右删失而不完全观察到。一种“一劳永逸”的因果推断与生存结果的方法构建了伪观察,并允许标准方法,如倾向得分加权进行,就好像结果是完全观察。对于一类具有用户指定目标人群的生存结局的无模型因果被估计,我们基于伪观测值给出了相应的倾向得分加权估计,并建立了它们的渐近性质.特别是,利用函数δ方法和冯米塞斯展开,我们得到了一个新的封闭形式的加权估计方差,考虑到由于伪观测计算和倾向得分估计的不确定性。这允许有效的和计算上有效的推理,而无需重新计算。我们还证明了生存结果的平衡权重类内的重叠权重的最佳效率属性。所提出的方法适用于二进制和多个治疗。进行了大量的模拟,以探索所提出的方法与其他常用的替代品的操作特性。我们应用所提出的方法来比较三种流行的治疗方法对前列腺癌患者的因果影响。
2021-12-19 stat.ME
Causal Effects of Protocol-Fee Changes on Liquidity Provision in Automated Market Makers
研究协议费用变化对自动化做市商流动性供应的因果效应,利用Uniswap协议费用切换的实际变化,通过匹配重叠事件研究差异设计估计流动性供应响应,未检测到短期平均响应,界定了估计量。
2026-07-14 q-fin.TR stat.AP