Nonparametric Heterogeneous Treatment Effect Estimation in Repeated Cross Sectional Designs
确定人口对健康或政策干预的反应的异质性对于评估和告知政策决定至关重要。我们提出了一种新的异质性处理效应估计的差异中的差异设计与重复的横截面数据，在那里我们观察不同的样本的人口在两个时间段分开的政策干预，以及作为控制的人口样本。我们的估计器具有正交特性，能够快速学习处理效应，同时允许较慢的速率估计滋扰成分。我们的建议在各种模拟设置中显示出有前途的经验性能。
2021-08-22 stat.ME
Nonparametric Analysis of Delayed Treatment Effects using Single-Crossing Constraints
由于处理效应延迟，涉及新型免疫肿瘤学（IO）治疗的临床试验经常显示出违反比例风险假设的生存曲线，在这种情况下，两个治疗组的生存曲线可能在两条曲线最终分离之前出现交叉。为了灵活地模拟这种情况，我们描述了一种用于估计治疗组特异性生存函数的非参数方法，该方法限制这两个生存函数最多交叉一次，而不对生存曲线如何相关进行任何额外的假设。我们的方法的一个主要优点是，它提供了一个交叉时间的估计，如果这样的交叉存在，而且，我们的方法产生可解释的措施的治疗效益，包括交叉条件生存概率和交叉条件估计的限制剩余平均寿命。我们证明了我们的方法的使用和有效性与一个大型的模拟研究和分析重建的结果，从最近的联合治疗试验。
2021-01-31 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
Efficient nonparametric causal inference with missing exposure information
暴露信息缺失是许多观察性研究的一个非常常见的特征。在这里，我们研究的可识别性和有效的估计向量结果的因果关系的影响，在这种情况下，治疗是无混淆的，但部分失踪。我们考虑一个随机缺失的设置，其中治疗中的缺失不仅取决于复杂的协变量，而且还取决于治疗后的结果。我们给出了一个新的识别表达式平均处理效应在这种情况下，随着有效的影响函数，这个参数在非参数模型中，这产生了一个非参数的效率界。我们使用后一个结果来构造对维数灾难不像通常那样敏感的非参数估计，例如，通过具有更快的收敛速度比复杂的滋扰估计，他们依赖。进一步，我们表明，这些估计可以根-n一致的和渐近正常的弱非参数条件下，即使使用灵活的机器学习。最后，我们将这些结果应用到部分缺失工具变量的因果推断问题。
2020-02-02 stat.ME
A More Efficient, Doubly Robust, Nonparametric Estimator of Treatment Effects in Multilevel Studies
当在多水平研究中研究处理效应时，研究者通常使用（半）参数估计，其对结果、处理和/或聚类中研究单元之间的相关性结构进行强参数假设。我们提出了一种新的估计处理效应，不做这样的假设。具体而言，新的估计是双重强大的，渐近正态，往往比现有的估计更有效，所有的结果，治疗和相关结构，而无需作出任何参数建模假设。我们通过估计两个非标准的滋扰功能在因果推断，条件倾向得分和结果协方差模型，使用现有的机器学习方法设计的独立和同分布（i.i.d）的数据。新的估计也表明，在模拟和真实的数据中，新的估计是比现有的估计更有效，特别是在研究集群特定的处理效应。
2022-05-10 stat.ME
Heterogeneous Treatment Effects under Network Interference: A Nonparametric Approach Based on Node Connectivity
Purdue University（普渡大学）；University of Michigan（密歇根大学）
该研究针对网络干扰下的因果推断问题，提出了基于节点连通性的非参数方法KECENI，用于估计节点级反事实均值，通过小额信贷数据验证了其可揭示网络特征对处理效应的影响。
2026-08-07 stat.ME
Beyond principal ignorability: Nonparametric sensitivity bounds for principal stratification
Mississippi State University（密西西比州立大学）；University of Pennsylvania（宾夕法尼亚大学）；Yale School of Public Health（耶鲁公共卫生学院）
针对因果推断中主分层框架下主因果效应不可识别的问题，提出一种基于未测量混杂因子相对风险的无界参数化非参数敏感性分析方法，推导出每个主因果效应的尖锐非参数界，并推广至主广义因果效应。
2026-06-01 stat.ME
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
Sharp symbolic nonparametric bounds for measures of benefit in observational and imperfect randomized studies with ordinal outcomes
本文将获益概率、无伤害概率和相对处理效应三个不可识别获益测度的非参数界，扩展至存在未测量混杂的观察性研究及不完美随机试验中。
2023-05-17 stat.ME
A Bayesian Nonparametric Hypothesis Testing Approach for Regression Discontinuity Designs
非连续回归设计是非随机研究中常用的因果推断方法。这是因为它可用于在温和条件下识别和估计因果效应。具体而言，对于每例受试者，研发设计根据分配变量的观察值是否超过固定和已知的临界值分配治疗或非治疗。在本文中，我们提出了一个贝叶斯非参数回归建模方法的RD设计，它利用了当地的随机化功能。在这种方法中，分配变量被视为协变量，标量值混杂变量被视为因变量（可能是多变量混杂评分）。然后，在模型的局部随机化受试者的后验分布上，通过治疗结局和非治疗结局的两组统计学比较，在该随机群内进行因果效应的推断。我们通过对一个真实的教育数据集的分析，说明贝叶斯非参数方法，调查基本技能和教学能力之间的因果关系。
2014-02-09 stat.ME
Nonparametric inference for sublevel-set probabilities of conditional average treatment effect functions
Section of Biostatistics, University of Copenhagen（哥本哈根大学生物统计学系）
本文研究了条件平均治疗效应函数的子集概率，提出了一种非参数估计方法，利用单调函数估计和机器学习技术，开发了Grenander型估计器以可视化异质性。
2026-05-14 stat.ME
Nonparametric Bounds for Evaluating the Clinical Utility of Treatment Rules
针对观察性研究中隐藏混杂因素导致新临床治疗规则效用评估复杂的问题，本文提出非参数界方法（含两种推导策略、工具变量扩展），通过模拟与真实数据验证，为未测量混杂下的规则影响评估提供稳健工具。
2025-08-20 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
Bayesian Nonparametric Trees for Principal Causal Effects
针对连续中间变量下无限多主层导致的主因果效应评估难题，提出基于贝叶斯因果森林的双贝叶斯加性回归树模型，灵活评估跨主层的处理效应异质性，并应用于发电厂排放控制技术对颗粒污染的影响分析。
2024-03-20 stat.ME
A nonparametric framework for treatment effect modifier discovery in high dimensions
提出一个模型无关的非参数框架，用于在高维数据中定义和估计治疗效应修饰因子的变量重要性参数，并推导出多重稳健估计量，通过模拟和基因表达数据验证其有效性。
2024-04-21 stat.ME
Efficient nonparametric estimation of causal mediation effects
项目评估和科学研究的一个基本目标是调查因果机制。在过去的几十年里，因果中介分析被用于医学和社会科学，将处理效应分解为自然的直接效应和间接效应。然而，所有现有的中介分析方法都以这样或那样的方式依赖于参数建模假设，通常需要研究人员指定涉及治疗，中介，结果和治疗前混杂因素的多元回归模型。为了克服这一局限性，我们提出了一种新的非参数估计方法的因果中介分析，消除了应用研究人员模型多个条件分布的需要。所提出的方法通过加权每个观察值来平衡治疗组和对照组之间的经验矩;特别是，我们建立了所提出的估计量是全局半参数有效的。我们还展示了如何一致地估计所提出的估计量的渐近方差，而无需额外的努力。最后，我们将所提出的方法扩展到其他相关的设置，包括因果中介分析与多个调解人。
2016-01-14 stat.ME
A nonparametric super-efficient estimator of the average treatment effect
因果效应的双稳健估计是估计因果效应的常用方法。这样的估计量将给定治疗和混杂因素的结果的条件平均值的估计（所谓的结果回归）与给定混杂因素的治疗的条件概率的估计（倾向得分）相结合，以产生感兴趣的效应的估计。除了享受双重鲁棒性，这些估计有额外的好处。首先，灵活的回归工具，如在机器学习领域开发的回归工具，可用于估计相关的回归，而处理效应的估计值保留所需的统计特性。此外，这些估计往往是统计有效的，实现了正常的，渐近线性估计的方差的下限。然而，尽管他们的渐近最优性，在因果被估量是弱可识别的问题，这些估计可能会表现不稳定。我们提出了两个新的估计技术，用于在这些具有挑战性的设置。我们的估计建立在两个现有的框架，有效的估计：有针对性的最小损失估计和一步估计。然而，在构建估计量时，我们没有使用倾向得分的估计值，而是选择了另一种回归量：给定条件平均结果的治疗条件概率。我们讨论的理论意义，并证明了估计的性能在模拟和真实数据。
2019-01-15 stat.ME
Nonparametric Treatment Effect Identification in School Choice
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
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
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
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
Efficient nonparametric estimation with difference-in-differences in the presence of network dependence and interference
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出一种在存在网络依赖性和干扰情况下，利用差异-in-差异方法进行高效非参数估计的方法，通过条件平行趋势假设和适当网络依赖性条件，提出双稳健估计器，并应用于研究煤炭电厂采用排放控制技术对县心血管疾病死亡率的影响。
2026-05-09 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
Efficient estimation of modified treatment policy effects based on the generalized propensity score
连续治疗对因果推断提出了重大挑战，无论是在制定和确定科学上有意义的影响，还是在其稳健估计方面。传统上，重点放在适用于具有较少水平的二元或分类治疗的技术上，从而允许相对容易地应用基于倾向得分的方法。努力适应连续治疗介绍了广义倾向得分，但这个滋扰参数的估计通常利用参数回归策略，大大限制了因果效应参数的逆概率加权估计的鲁棒性和效率。我们制定和调查一种新的，灵活的估计广义倾向得分的基础上的非参数函数估计，可证明收敛在一个适当的速度快的目标功能，以方便统计推断。有了这个估计，我们证明了建设的非参数逆概率加权估计的一类因果效应估计量的连续治疗。为了确保我们提出的估计的渐近有效性，我们概述了几个非限制性的选择程序，利用筛估计框架下平滑估计的广义倾向得分。我们提供了第一个表征，这样的逆概率加权估计实现非参数效率界的设置与连续治疗，证明了这一点在数值实验。我们进一步评估我们提出的估计的高阶效率，推导和数值研究相应的有效的影响函数在非参数模型中的二阶剩余。开源软件实现我们提出的估计技术，haldensify R包，简要讨论。
2022-06-28 stat.ME
A Nonparametric Bayesian Methodology for Regression Discontinuity Designs
在回归不连续性设计中，估计阈值处的平均处理效应的最流行方法之一是局部线性回归（LLR），该方法将更大的权重放在更接近阈值的单元上。我们提出了一个高斯过程回归的方法，作为一个贝叶斯模拟LLR的回归不连续性设计。我们的方法提供了一个灵活的适合治疗和控制响应放置一个一般的平均响应函数之前。此外，与LLR不同的是，我们的方法可以在估计处理效应时将单位加权的不确定性纳入其中。我们证明了我们的方法在估计阈值处的平均处理效应时是一致的。此外，我们发现，通过模拟，我们的方法具有良好的覆盖范围，间隔长度，和均方误差属性相比，标准LLR和国家的最先进的LLR方法。最后，我们探讨了我们的方法在现实世界的例子，通过研究的影响，是第一轮选秀权的表现和发挥时间的篮球运动员在美国国家篮球协会。
2018-09-30 stat.ME
Nonparametric Tests for Treatment Effect Heterogeneity with Duration Outcomes
本文提出了不同的测试处理效应异质性时，关注的结果，通常是一个持续时间变量，可能是右删失。所提出的检验研究策略是否1）对于由协变量值定义的所有子群体具有零分布（平均）效应，以及2）在不同子群体之间具有齐次平均效应。拟定检验基于两步Kaplan-Meier积分，不依赖于参数分布假设、形状限制或限制不同亚群间的潜在处理效应异质性。我们的框架不仅适用于外源性治疗分配，但也可以占治疗不依从性-在许多应用程序中的一个重要特征。建议的测试是一致的固定的替代品，并可以检测到非参数的替代品收敛到零的参数$n^{-1/2}$率，$n$的样本量。临界值计算的协助下，一个乘数的引导。通过蒙特卡罗研究和劳动力市场计划对失业持续时间的影响的应用，检验了所提出的检验的有限样本性质。开放源代码软件可用于执行所有拟议的测试。
2020-02-17 econ.EM stat.ME
Nonparametric Bounds in Causal Mediation Analysis in the Presence of Unmeasured Confounding and Imperfect Compliance
针对存在未测量混杂和不依从时因果中介参数不可识别的问题，本文扩展了Sjölander的非参数界方法，推导了随机对照试验中ACME、NDE及依从者子群体局部因果参数的非参数锐界，并通过工作搜索干预研究数据集验证了其实用性。
2025-09-02 stat.ME
A nonparametric doubly robust test for a continuous treatment effect
针对观察数据中连续处理效应的推断难题，本文提出一种完全非参数双重稳健检验方法，通过局部U-和V-过程建立检验统计量的渐近分布，并利用野自助法实现检验，在R包DRDRtest中发布。
2023-05-22 math.ST stat.ME stat.TH
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 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
Nonparametric Causal Decomposition of Group Disparities
本研究提出一种非参数因果分解方法，识别处理变量影响群体结果差异的三类机制，开发了兼具多重优良统计性质的估计量，实证发现新的选择成分在代际收入持续性中存在未被揭示的作用。
2024-12-14 econ.EM stat.ME
Nonparametric causal effects based on incremental propensity score interventions
因果推断中的大多数工作考虑确定性干预，将每个单元的处理设置为某个固定值。然而，在积极性违规的情况下，这些干预措施可能会导致不识别，效率低下，并且几乎没有实际意义。此外，纵向研究中的相应效应对维度灾难高度敏感，导致广泛使用不切实际的参数模型。我们提出了一个新的解决方案，这些问题：增量干预，改变倾向得分值，而不是设置治疗固定值。渐进式干预有几个关键优势。首先，他们完全避免积极的假设。第二，他们不需要参数假设，但仍然承认一个简单的纵向效应的表征，独立于时间点的数量。例如，它们允许用单个曲线而不是系数列表来可视化纵向效应。在描述这些增量干预措施并给出相应效果的识别条件后，我们还开发了一般效率理论，提出了有效的非参数估计，即使在结合灵活的机器学习时也可以达到快速收敛速度，并提出了基于Bootstrap的置信带和无处理效应的同时检验。最后，我们通过模拟探索有限样本的性能，并应用该方法来研究时变社会学的监禁对进入婚姻的影响。
2018-06-18 stat.ME
Combining Parametric and Nonparametric Models to Estimate Treatment Effects in Observational Studies
在观察性研究中进行因果推断需要我们假设混杂变量被正确调整。在这些场景中经常使用g计算方法，最近有几个建议使用g计算的贝叶斯版本。在混杂因素较少的情况下，可以采用标准模型，但是随着混杂因素数量的增加，这些模型变得不太可行，因为对于混杂变量的每个独特组合，可用的观察结果较少。在本文中，我们提出了一个新的模型，估计处理效应的观察性研究，结合参数和非参数的结果模型。通过概念性地分割数据，我们可以在保持共轭框架的同时组合这些模型，从而避免使用MCMC方法。近似使用中心极限定理和随机抽样允许我们的方法扩展到高维混杂，同时保持计算效率。我们说明了模型使用精心构建的模拟研究，以及比较计算成本与其他基准模型。
2021-10-21 stat.CO stat.ME
Group Sequential Testing of a Treatment Effect Using a Surrogate Marker
针对重复测量的替代标志物，本文基于非参数检验提出成组序贯程序，推导多时间点相关统计量性质与早停边界，并通过模拟和两项AIDS试验验证。
2024-09-14 stat.ME
Causal Inference with Treatment Measurement Error: A Nonparametric Instrumental Variable Approach
University College London（伦敦大学学院）；University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）
我们提出了一个基于核的非参数估计的因果效应时，原因被错误损坏。我们这样做是通过在工具变量设置中推广估计。尽管在具有测量误差的回归方面做了大量的工作，但在连续设置中处理未观察到的混杂是不平凡的：我们几乎没有看到以前的工作。作为我们研究的副产品，我们澄清了均值嵌入和特征函数之间的联系，以及如何同时学习一个允许一个学习另一个。这为核方法研究在特征函数估计中利用现有结果开辟了道路。最后，我们的经验表明，我们提出的方法，MEKIV，提高了基线和测量误差的强度和类型的误差分布的变化下是强大的。
2022-06-18 cs.LG stat.ME
Nonparametric Point Identification of Treatment Effect Distributions via Rank Stickiness
The University of Chicago（芝加哥大学）
本文提出非参数点识别治疗效应分布的方法，通过排名粘性参数实现，无需强假设，且能处理排名违反情况，推导出闭式条件矩和违反概率，扩展到观察性研究。
2026-04-23 econ.EM stat.ME
Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables
Data Science Institute, Brown University（布朗大学数据科学研究所）；Department of Statistics, University of Padova（帕多瓦大学统计系）；Department of Economics, European University Institute（欧洲研究院经济系）；Department of Biostatistics, Harvard School of Public Health（哈佛公共卫生学院生物统计系）；Department of Biostatistics, University of California, Los Angeles（加州大学洛杉矶分校生物统计系）
本文提出CASBAH方法，通过贝叶斯非参数先验处理连续后处理变量，解决主分层识别与不确定性量化问题，通过模拟和案例研究验证其有效性。
2026-03-25 math.ST stat.ME stat.TH
On Nonparametric Inference in the Regression Discontinuity Design
本文研究了非参数检验在回归不连续设计中的有效性问题。感兴趣的原假设是，在所谓的锐设计中，阈值处的平均处理效应等于预定值。我们首先表明，在大多数文献中使用的假设下，对于\emph{any}测试的权力对任何替代品是有界的大小。这一结果意味着，在这些假设下，任何具有非平凡功效的检验都会表现出尺寸失真。接下来，我们提供了一个充分加强的标准假设下，我们表明，在文献中的一个新的测试可以控制限制大小。
2016-11-15 stat.ME
Treatment Effect Estimation in Causal Survival Analysis: Practical Recommendations
本文提出在因果生存分析中使用RMST差异估计治疗效应，并通过模拟研究比较不同估计方法的性能，提供实用选择建议和开源代码。
2026-02-26 stat.ME
Nonparametric causal mediation analysis for stochastic interventional (in)direct effects
历史上，因果中介分析在两个重要方面受到限制：（i）传统上关注二元治疗和静态干预，（ii）直接和间接效应分解仅在不存在受治疗影响的中间混杂因素的情况下才可识别。我们提出了一个理论研究的（中）直接效应分解的人口干预效果，定义为随机干预联合应用于治疗和介质。与现有的建议相反，我们的因果效应可以进行评估，无论治疗是分类的还是连续的，即使在存在受治疗影响的中间混杂因素的情况下，因果效应也可以得到很好的定义。我们的（非）直接效应是可识别的，而无需对跨世界反事实独立性进行限制性假设，从而可以在随机对照试验中验证从中得出的实质性结论。除了新的影响介绍，我们提供了一个仔细的研究非参数效率理论相关的建设灵活的，多个强大的估计我们的（在）直接影响，同时避免不适当的限制所引起的假设参数模型的滋扰参数泛函。为了补充我们的非参数估计策略，我们引入了推理技术，用于构建置信区间和假设检验，并讨论了开源软件实现所提出的方法。
2022-01-11 math.ST stat.ME stat.TH
A nonparametric relative treatment effect for direct comparisons of censored paired survival outcomes
针对右删失配对生存数据的治疗效果比较问题，提出基于竞争风险技术的非参数相对治疗效应估计方法，通过随机化重抽样实现推断，模拟显示功效优于传统方法，并在糖尿病视网膜病变数据集上验证了适用性。
2023-06-15 math.ST stat.ME stat.TH
Bayesian nonparametric generative models for causal inference with missing at random covariates
我们提出了一个一般的贝叶斯非参数（BNP）的方法，因果推断在点处理设置。观察数据（结局、治疗和混杂因素）的联合分布使用富集Dirichlet过程建模。观测数据模型和因果假设的结合使我们能够识别任何类型的因果效应-差异，比率或分位数效应，无论是边缘还是针对感兴趣的亚群。所提出的BNP模型非常适合于因果推断问题，因为它不需要关于混杂因素分布的参数假设，并且自然地导致计算效率高的吉布斯抽样算法。通过对联合分布进行灵活建模，我们还能够在假设可验证的缺失情况下，对算法内的缺失协变量值进行插补（通过数据增强），从而无需创建单独的插补数据集。这种插补缺失协变量的方法具有额外的优势，可以保证插补模型和分析模型之间的一致性，并且由于我们使用BNP方法，因此避免了参数模型进行插补。使用模拟研究的方法的性能进行评估。该方法适用于人类免疫缺陷病毒/丙型肝炎病毒合并感染患者的队列研究数据。
2017-02-27 stat.ME
Nonparametric identification of causal effects in clustered observational studies with differential selection
群集观察性研究（COS）设计是与群集随机试验相对应的观察性研究。在COS中，处理被分配给完整组，并且组内的所有单元都暴露于处理。然而，治疗是非随机分配的。COS在教育和卫生服务研究中很常见。在教育方面，某些学校的所有学生都可以得到治疗，但其他学校的所有学生都不能得到治疗。在健康研究中，治疗可以应用于集群，如医院或由同一医生治疗的患者群体。在这篇文章中，我们研究了聚类观察研究设计中因果效应的识别。我们专注于差异选择的单位集群，这发生在单位的集群选择依赖于集群的治疗分配的前景。现存的关于COSs的研究已经做了一个隐含的假设，排除了差异选择的存在。我们得出的识别结果与差分选择的设计和差分集群选择的背景下需要不同的调整集比标准设计。我们概述了有和没有差分选择的设计估计。使用一系列的模拟，我们概述了差异选择可能发生的偏差的大小。然后，我们提出了两个经验的应用程序，重点是差异选择的可能性。
2022-06-21 stat.AP stat.ME
A Practical Introduction to Bayesian Estimation of Causal Effects: Parametric and Nonparametric Approaches
本文面向统计实践者系统介绍因果效应的贝叶斯估计，涵盖参数先验收缩、稀疏性、概率敏感性分析及非参数贝叶斯方法，并提供点处理、时变处理与开源代码示例。
2020-08-21 stat.ME stat.ML
Nonparametric Identification and Estimation of Spatial Treatment Effect Boundaries: Evidence from 42 Million Pollution Observations
本文提出非参数框架识别估计空间处理效应边界，利用4200万个卫星NO₂观测，证明核回归较参数指数衰减平均降低预测误差1.0个百分点，并验证了时间敏感性。
2025-10-20 econ.EM econ.TH stat.AP
Nonparametric Identification of Spatial Treatment Effect Boundaries: Evidence from Bank Branch Consolidation
本文提出非参数框架识别处理效应空间边界，应用于银行分支机构数据，发现邻近性影响贷款量而非批准率，且高收入地区关闭更多源于战略整合而非歧视。
2025-10-20 econ.EM econ.TH stat.AP
Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments
Institute of Mathematics and Computer Sciences at University of São Paulo（圣保罗大学数学与计算机科学研究所）
提出广义 ps-BART 非参数模型估计连续处理下的 ATE 与 CATE，在多组 DGP 中优于 BCF，尤其适用于非线性关系。
2024-09-10 cs.LG stat.AP stat.ML
Difference-in-differences with stochastic policy shifts of a continuous treatment
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出基于差分法的连续治疗随机政策变动方法，用于评估治疗剂量分布变化对结果的影响，采用指数倾斜政策进行非参数估计，实现根n一致性与非参数效率界。
2026-07-16 stat.ME
Doubly Robust Nonparametric Instrumental Variable Estimators for Survival Outcomes
工具变量（IV）方法使我们有机会解决因果推断中的不可测混杂。然而，大多数IV方法仅适用于离散或连续结局，很少有IV方法适用于删失生存结局。在这项工作中，我们提出了非参数估计的局部平均处理效应的生存概率下不可删失和可删失。我们提供了一个有效的基于影响函数的估计和一个简单的估计过程时，IV是二进制或连续的。所提出的估计具有双重鲁棒性，可以很容易地将非参数估计使用机器学习工具。在模拟研究中，我们证明了我们提出的估计在各种合理的情况下的灵活性和效率。我们将我们的方法应用于前列腺癌、肺癌、结直肠癌和卵巢癌筛查试验，以估计筛查对生存概率的因果影响，并研究在不同删失假设下两种干预措施之间的因果对比。
2020-09-28 stat.ME
Estimating scaled treatment effects with multiple outcomes
在经典研究设计中，目的通常是了解治疗或干预对单一结局的影响;然而，在许多现代研究中，收集了多个结局的数据，同时探索对多个结局的影响是有意义的。这种设计在以患者为中心的研究中特别有用，因为不同的结果对不同的患者可能或多或少重要。在本文中，我们提出了规模效应的措施（通过潜在的结果符号），翻译对多个结果的影响到一个共同的规模，使用均值方差和中位数四分位数范围为基础的简化。我们提出了有效的，非参数的，双重鲁棒的方法来估计这些规模效应（和加权平均汇总措施），并测试原假设，治疗影响所有的结果一样。我们还讨论了探索处理效应如何依赖于协变量的方法（即，效果修改）。除了描述我们的估计和估计的渐近行为的效率理论，我们说明了模拟研究和数据分析的方法。重要的是，与大多数关于对多个结果的影响的文献相反，我们的方法是非参数的，不仅可以用于随机试验以提高效率，而且可以用于高维协变量的观察性研究以减少混杂偏倚。
2017-06-13 stat.ME
Efficient adjustment sets for time-dependent treatment effect estimation in nonparametric causal graphical model
本研究针对时间依赖处理场景下现有图形规则无法仅靠因果图识别最优调整集的问题，挖掘图中条件独立性拓展相关结果，可得到渐近方差更低的估计量，实现仅基于有向无环图的最优调整集识别。
2025-10-03 math.ST stat.TH
Studentized sensitivity analysis for the sample average treatment effect in paired observational studies
观察性研究中因果推断的一个基本局限性是，一种效应的感知证据可能由主要分析中未考虑的因素解释。在所有个体的处理效应恒定的假设下，建立了评估研究结论对未测量混杂因素敏感性的方法。在可能存在未测量混杂的情况下，有人认为某些效应异质性模式可能与未观察到的协变量共同导致进行的敏感性分析不充分。我们提出了一种新的方法进行敏感性分析的样本平均处理效应的效果异质性的配对观察性研究。我们推荐的程序，称为学生化敏感性分析，代表了最近关于学生化排列检验的工作在观察性研究中的扩展，在观察性研究中，随机化不再是均匀的。该方法自然地将配对实验中样本平均处理效应的常规检验扩展到未知但有界的分配给处理的概率的情况。在这样做的时候，我们说明，对某些敏感性分析的运作假设不变的影响，在很大程度上是没有道理的。
2018-09-12 stat.ME
A flexible sensitivity analysis approach for unmeasured confounding with multiple treatments and a binary outcome with application to SEER-Medicare lung cancer data
在没有随机化实验的情况下，得出关于处理效应的因果推断的关键假设是可验证的处理分配。违反可验证性假设可能导致处理效应估计值出现偏倚。敏感性分析有助于衡量因果结论将如何改变，以响应偏离可解释性假设的潜在幅度。然而，在多种治疗和二元结果的背景下，针对未测量混杂因素的敏感性分析方法却很少见。我们提出了一个灵活的蒙特卡罗敏感性分析方法的因果推断在这样的设置。我们首先推导出一般形式的偏差引入未测量的混杂，强调理论特性独特的多个治疗相关。然后，我们提出了方法来编码的影响，未测量的混杂因素对潜在的结果和调整估计的因果关系，其中假定的未测量的混杂因素被删除。我们提出的方法嵌入嵌套的多重插补贝叶斯框架内，允许无缝集成的灵敏度参数和采样变异性的值的不确定性，以及使用贝叶斯加性回归树建模的灵活性。扩展模拟验证了我们的方法，并深入了解敏感性分析与多种治疗。我们使用SEER-医疗保险数据来证明敏感性分析，使用三种治疗方法治疗早期非小细胞肺癌。在这项工作中开发的方法在R软件包SAMTx中很容易获得。
2021-08-13 stat.ME
A nonparametric Bayesian analysis of heterogeneous treatment effects in digital experimentation
随机对照试验在互联网公司如何预测政策决策和产品变化的影响方面发挥着重要作用。在这些“数字实验”中，不同的单位（人、设备、产品）对治疗的反应不同。本文提出了一种快速和可扩展的贝叶斯非参数分析的异质性处理效应和他们的测量可观察到的协变量。通过线性投影和非线性回归树（CART和随机森林），提供了量化与处理效应测量相关的不确定性的新结果和算法。对于线性预测，我们的推理策略导致的结果，大多是在与那些从频率论文献。我们发现处理效应平均值的线性回归调整（即，后分层）可以提供一定的方差减小，但是这种减小在数字实验的低信号和大样本设置中将非常小。对于回归树，我们为通常应用于树拟合的机器学习算法提供了不确定性量化。我们认为，从业者应该看看合奏的树木（森林），而不是个别树木在他们的分析。通过一个涉及2100万独立用户的EBay.com的示例实验，应用和说明的想法。
2015-12-18 stat.AP
