GEEPERs: Principal Stratification using Principal Scores and Stacked Estimating Equations
本文提出一种基于二元指标的一维非合作的主分层估计器，利用传统回归方法计算估计值，无需分布假设，通过模拟研究和实际数据分析展示其鲁棒性。
2026-05-01 stat.AP 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
PStrata: An R Package for Principal Stratification
针对因果推断中治疗后混杂导致主分层分析门槛高的问题，开发了R包PStrata，支持贝叶斯与频率学派范式，可处理多种常见结局与数据结构，实现了主分层统计分析的自动化。
2023-04-05 stat.CO stat.ME
Doubly cross-fit debiased machine learning of heterogeneous treatment effects under principal stratification
Yale School of Public Health（耶鲁公共卫生学院）
针对主分层框架中处理效应异质性研究不足的问题，提出双重交叉拟合双稳健机器学习方法，结合主可忽略性和比值比敏感性参数化，估计条件主因果效应，并建立理论保证。
2026-07-09 stat.ME stat.ML
Causal Inference Through Potential Outcomes and Principal Stratification: Application to Studies with "Censoring" Due to Death
最好使用潜在结果来理解因果推理。这种使用在更复杂的环境中特别重要，即观察性研究或具有并发症（如不依从性）的随机实验。本次讲座的主题，估计治疗对死亡“审查”的主要结局的因果影响的问题，是另一个这样的并发症。例如，假设我们希望在随机实验中估计新药对生活质量（QOL）的影响，其中一些患者在指定的QOL评估时间之前死亡。另一个具有相同结构的例子是对旨在提高最终考试成绩的教育方案的评估，对于那些在参加考试前辍学的人来说，这是没有定义的。进一步的应用是研究工作培训计划对工资的影响，工资只为那些就业的人确定。使用潜在结果来定义因果效应，然后对中间结果进行主要分层（例如，生存）。
2006-12-27 math.ST stat.TH
Analysis of Broken Randomized Experiments by Principal Stratification
本文提出基于主分层的统计框架分析破损随机实验，以依从者和始终存活者的平均治疗效果为目标估计量，并应用于职业军团研究，发现培训长期提升就业与收入。
2025-04-23 stat.ME
A sensitivity analysis approach to principal stratification with a continuous longitudinal intermediate outcome: Applications to a cohort stepped wedge trial
University of Florida（佛罗里达大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出了一种针对连续纵向中间结果的敏感性分析方法，应用于队列阶梯楔形试验，以估计主因果效应并扩展主分层方法的应用范围。
2026-02-19 stat.ME
An application of principal stratification to control for institutionalization at follow-up in studies of substance abuse treatment programs
关于戒毒治疗和刑事司法系统干预措施影响的纵向研究的参与者面临被送入收容所的高风险（例如，在他们吸毒、犯罪或从事危险行为的自由可能受到限制的环境中度过一段时间）。在随访过程中，在机构化的情况下，用于估计处理效应的方法可能对应用中不太可能满足的假设高度敏感，因此可能产生误导性推断。在本文中，我们考虑使用的主要分层控制机构在后续。对于由于脱落、死亡或其他形式的删失而无法观察到研究参与者样本结果的类似问题，建议进行主要分层。该方法确定的主要层次内的因果关系的影响是明确的，并可能估计。我们扩展的主要分层的方法，在后续的制度化和估计的影响，住宅药物滥用治疗与门诊服务的青少年药物滥用治疗计划的大规模研究。此外，我们还讨论了将主分层模型应用于数据的实际问题。我们通过模拟研究表明，该模型只能恢复真实的影响，提供的数据满足艰苦的要求，必须谨慎执行时，主要分层作为一种技术，以控制治疗后的混杂因素，如制度化。
2008-11-12 stat.AP
Survivor average causal effects for continuous time: a principal stratification approach to causal inference with semicompeting risks
在半竞争风险问题中，非终端事件发生时间结局（如再入院时间）会因死亡而截断。这些环境通常使用疾病-死亡模型对终末和非终末事件的危害进行建模，但由于在危害定义中嵌入了生存期（治疗后结局）条件，因此使用危害模型评价因果处理效应存在问题。扩展现有的幸存者平均因果效应（SACE）估计，我们框架的处理效应的评价的背景下，半竞争风险与主要分层，并引入两个新的因果估计：随时间变化的幸存者平均因果效应（TV-SACE）和限制平均幸存者平均因果效应（RM-SACE）。这些主要因果效应定义在无论分配的治疗如何都会存活的单位中。我们采用贝叶斯估计程序，参数化两个治疗组的疾病-死亡模型。我们概述了一个脆弱的规范，可以容纳非终端和终端事件时间之间的人内相关性，我们讨论了增加模型的灵活性的潜在途径。该方法在晚期胰腺癌患者再次入院的情况下得到了证实。
2019-02-15 stat.AP stat.ME
Principal stratification with continuous treatments and continuous post-treatment variables
University of Florida（佛罗里达大学）；European University Institute（欧洲大学研究院）；Rutgers University（罗格斯大学）；University of Florence（佛罗伦萨大学）
本研究将主分层框架拓展至连续处理场景，提出主因果估计量，探讨不同假设下的识别条件，采用非参数贝叶斯模型提升稳健性，并应用于经济与逮捕率关系的中介机制研究。
2026-10-15 stat.AP stat.ME
Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach
Yale School of Public Health（耶鲁大学公共卫生学院）；University of Pennsylvania（宾夕法尼亚大学）
本文提出一种嵌套贝叶斯非参数方法，用于处理由死亡等终端事件截断的复发事件，通过双重脆弱框架推导出部分可识别结果，提升因果推断的透明度和准确性。
2026-03-17 stat.ME
Bayesian Methods for Multiple Mediators: Relating Principal Stratification and Causal Mediation in the Analysis of Power Plant Emission Controls
发电厂安装的排放控制技术是美国许多空气污染法规的关键特征。虽然这些法规是基于排放、环境空气污染和人类健康之间的假定关系，但其中许多关系从未得到经验验证。本文的目标是开发新的统计方法来量化这些关系。我们把这个问题作为一个中介分析来评估特定控制技术对环境污染的影响在多大程度上是通过对发电厂排放的因果影响来介导的。由于发电厂排放的各种化合物，有助于环境污染，我们开发的多个中间变量，同时测量的新方法，可能会相互作用，并可能表现出联合调解效果。具体来说，我们提出了新的方法，利用两个相关的框架，在存在中介变量的因果推断：主要分层和因果中介分析。我们定义了基于多个介质的主要影响，并引入了一个新的分解的总影响的干预对环境污染的自然直接影响和自然间接影响的所有组合的介质。这两种方法都锚定到相同的离散数据模型，我们指定与贝叶斯非参数技术。我们提供了估计主要因果效应的假设，然后用因果中介分析所需的额外假设来增强这些假设。这两个分析，解释串联，提供了第一个实证调查的假定因果路径，激励重要的空气质量监管政策。
2019-02-17 stat.ME
The Role of Mastery Learning in Intelligent Tutoring Systems: Principal Stratification on a Latent Variable
学生在代数I教室通常学习不同的速度和斗争在不同的点在课程-一个共同的挑战数学教师。认知导师代数I（CTA 1），教育计算机程序，通过他们所谓的“掌握学习”来解决这种学生异质性，学生通过在每个阶段展示适当的“掌握”来从课程的一个部分进步到下一个部分。然而，当学生在尝试了许多问题后仍然无法掌握一个部分的技能时，他们还是会自动升级到下一个部分。没有掌握的晋升是否会损害程序的有效性？至少在某些领域，CTA 1最近在一项随机有效性研究中被证明可以平均提高学生的学习效果。本文使用学生日志数据，从该研究中的连续主分层模型，以估计学生的潜在掌握和CTA 1处理效应之间的关系。与现存的主要分层应用相反，学生掌握工作部分的倾向在这里从未被直接观察到。因此，我们嵌入一个项目反应模型，衡量学生的潜在掌握，在更大的主要分层模型。我们发现，导师可能，事实上，更有效的学生谁是更频繁地晋升（尽管没有成功地完成部分的材料）。然而，由于这些学生在他们的教育实力（以及在其他方面）是独特的，目前还不清楚这种增强的有效性是否可以直接归因于掌握学习计划的方面。
2018-09-14 stat.AP
Do debit cards decrease cash demand? Evidence from a causal analysis using Principal Stratification
有人认为，交易技术的创新可能会改变代理人的现金持有行为，因为借记卡持有人可以从ATM机提取现金，也可以在零售商使用POS设备购买物品。在本文中，鲁宾因果模型内，我们调查的因果关系的影响，使用借记卡的家庭持有的现金库存的数据，从意大利家庭收入和财富调查（SHIW）。我们采用主体分层方法，将不使用这种支付工具的借记卡持有人的份额纳入其中。我们使用一个回归模型，将倾向得分作为单一预测因子，以调整观察到的协变量的不平衡。我们进一步发展了一个敏感性分析的方法来评估所提出的模型的敏感性违反的关键unconfoundedness假设。我们的实证结果表明，在意大利的家庭现金水平的借记卡统计上显着的负面影响。
2015-06-03 stat.AP
Propensity Score Methods for Local Test Score Equating: Stratification and Inverse Probability Weighting
Lancaster University（兰卡斯特大学）；Umeå University（于默奥大学）
本文提出两种基于倾向评分的局部等效方法，通过分层和逆概率加权处理非等价测试组差异，提升测验分数可比性。
2026-04-09 stat.AP stat.ME
Principal Stratification with Bayesian Additive Regression Trees for Count-Valued Intermediate Variables: Estimating the Effect of Fertility on Women's Employment
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文扩展主分层结合BART的框架，适配计数型中间变量场景，经模拟及非洲多国调查数据验证，其因果效应估计性能优于传统方法，可揭示被标准方法掩盖的异质性。
2026-08-12 stat.AP stat.ME
Combining BART and Principal Stratification to estimate the effect of intermediate variables on primary outcomes with application to estimating the effect of family planning on employment in Nigeria and Senegal
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出结合BART和主 stratification方法，估计家庭计划对就业的影响，通过模拟和实证分析验证了该方法在估计中间变量效应上的有效性与稳健性。
2026-03-29 stat.AP stat.ME
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
Combining BART and Principal Stratification to estimate the effect of intermediate on primary outcomes with application to estimating the effect of family planning on employment in sub-Saharan Africa
本文结合BART和主效应分层法估计家庭计划对就业的影响，通过模拟研究和实证数据验证了该方法在非参数假设下的有效性。
2026-03-29 stat.AP stat.ME
Evaluating the Causal Effect of University Grants on Student Dropout: Evidence from a Regression Discontinuity Design Using Principal Stratification
回归不连续性（RD）设计通常被解释为局部随机化实验：RD设计可以被认为是一个随机化实验，其单元的强制变量的实现值落在预定阈值附近。出于对意大利大学赠款的评估，我们考虑了一个模糊的RD设计，其中接收的治疗是基于资格标准和自愿申请状态。基于补助金申请和补助金接收状态是分配后（合格后）中间变量的事实，我们使用主要分层框架来定义鲁宾因果模型中的因果被估量。我们提出了一个概率公式的分配机制的基础上的RD设计，重新制定稳定的单位治疗值假设（SUTVA），并作出明确的局部重叠假设的阈值周围的亚群。调用局部随机化假设，而不是更标准的连续性假设。我们还开发了一种基于模型的贝叶斯方法来选择目标亚群，并对多重比较进行调整，并在此框架下对目标因果被估量进行推断。应用该方法的数据，从两个意大利大学，我们发现证据表明，大学助学金是有效的，防止学生从低收入家庭辍学的高等教育。
2015-07-15 stat.AP
Identification of Causal Effects Within Principal Strata Using Auxiliary Variables
在因果推断中，主要分层是处理治疗和结果之间的治疗后中间变量的框架，其中主要分层由中间变量的联合潜在值定义。由于主要层并非完全可观察，因此其中的因果效应（亦称为主要因果效应）在没有额外假设的情况下无法识别。先前的几项实证研究利用辅助变量来改善对主要因果效应的推断。本文建立了一个带有辅助变量的主因果效应识别和估计的一般理论，为统计推断提供了坚实的基础，为实证研究中的模型构建提供了更多的启示。特别是，我们认为两个常用的策略，主要分层问题：主要的可验证性，以及辅助变量和结果之间的条件独立性，给出了主要层和协变量。对于这两种策略，我们给出了非参数和半参数的识别结果，没有建模假设的结果。当两种策略的假设都不合理时，我们提出了一大类灵活的参数和半参数模型来识别主要的因果效应。我们的理论不仅建立了正式的识别结果，已在以前的实证研究中使用的几个模型，但也概括了它们，以允许不同类型的结果和中间变量。
2021-04-17 stat.ME
Defining and Estimating Intervention Effects for Groups that will Develop an Auxiliary Outcome
它最近变得流行，定义治疗效果的目标人群的子集，其特征是在治疗决定时不可观察的变量。描述和估计这样的治疗效果是棘手的;最流行但幼稚的方法不适当地调整受治疗影响的变量，因此是有偏见的。我们考虑了几种适当的方法来形式化的影响：主要分层，分层的一个单一的潜在的辅助变量，分层的一个观察到的辅助变量和分层的预期水平的辅助变量。然后，我们概述了每种类型的估计识别假设。我们评估这些被估量的效用和估计程序的决策和理解因果过程，对比它们的概念的直接和间接的影响。我们激励我们的发展与肾脏病和癌症筛查的例子，并使用模拟数据和癌症筛查的实际数据来说明估计方法。
2007-08-30 math.ST stat.ME stat.TH
Characterizing the Effects of Environmental Exposures on Social Mobility: Bayesian Semi-parametrics for Principal Stratification
针对PM2.5、教育程度与社会流动性的因果路径问题，提出基于无限混合的贝叶斯半参数主分层方法，发现高PM2.5通过降低教育程度使社会流动性下降约5%。
2025-11-03 stat.AP stat.ME
Partial identification of principal causal effects under violations of principal ignorability
University of Florida（佛罗里达大学）
本文研究了在违反主不可忽略性假设时，通过参数模型联合建模结果和主分层以部分识别主因果效应的方法，并探讨了弱假设对部分识别区域的影响。
2026-04-20 math.ST stat.ME stat.TH
The Role of Distributional Overlap on the Precision Gain of Bounds for Generalization
在过去的十年里，倾向得分方法对改善研究的概括性做出了重要贡献，这些研究不是从推理群体中随机选择样本。然而，这些方法需要假设，最近的工作已经考虑了边界方法的作用，提供了一系列与可观察数据一致的治疗影响估计。边界估计的一个重要限制是它们可能是无信息的宽。这激发了关于使用倾向得分分层来缩小界限的研究。本文评估了倾向得分中分布重叠对分层收紧界限的有效性的作用。使用两个模拟研究和两个案例研究的结果，我评估分布重叠和精度增益之间的关系，并讨论了当倾向得分分层作为一种方法，以提高精度的边界框架的影响。
2021-01-23 stat.ME
Empirical stratification for predictive treatment effect heterogeneity with post-treatment variables
Washington University in St. Louis（华盛顿大学圣路易斯分校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Indiana University Bloomington（印第安纳大学布鲁明顿分校）
提出一种假设精简的经验分层框架，通过基于基线协变量预测的潜在治疗后变量响应定义经验得分，构建可识别的经验分层处理效应，并连接主分层因果效应。
2026-07-17 stat.ME
Principal Score Methods: Assumptions and Extensions
在随机试验中解决治疗后并发症的研究人员经常转向主要分层来定义相关假设和感兴趣的数量。在这个框架中，估计因果效应的一种方法是使用基于“主要分数”的方法，通常假设给定一组协变量，阶层成员是随机分配的。在本文中，我们澄清了在这种情况下的关键假设，被称为主要的忽略，并认为这个假设的版本是相当强大的实践。我们描述了不同的估计方法，并表明基于权重的方法通常是最好的基于子组的方法，离散的主要得分。然后，我们扩展这些想法的情况下，双方不遵守，并提出了一个自然的框架相结合的主要忽略排除限制和其他假设。最后，我们将这些想法应用于领先影响研究，这是一项对领先计划的大规模随机评估。总的来说，我们认为，虽然主要的评分方法是有用的工具，应用研究人员应该充分了解相关的假设时，在实践中使用它们。
2016-06-08 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
Non-Existent Outcomes in Research on Inequality: A Causal Approach
针对社会分层研究中因删除非存在性结果导致因果效应被低估的问题，基于主分层方法研究处理对结果存在性及潜在亚组结果值的平均效应，并开发回归与模拟框架调整混杂因素，以父母身份对劳动力市场结果影响为例进行说明。
2025-08-20 stat.AP stat.ME
Principal causal effect identification and surrogate endpoint evaluation by multiple trials
主要分层是一个因果框架，用于分析随机实验，治疗后变量介于治疗和终点变量之间。由于由治疗后变量的潜在结局定义的主要分层不可观察，因此我们通常无法识别主要分层内的因果效应。出于一个真实的数据集的III期辅助结肠临床试验，我们提出的方法来确定和估计的主要因果关系，通过多个试验。对于可识别性，我们通过规定这些试验中的主要因果效应是同质的来删除常用的排除限制假设。为了消除另一个常用的单调性假设，我们给出了一个局部可识别的必要条件，这需要至少三次试验。将我们的方法应用于辅助结肠临床试验的数据，我们发现常用的单调性假设是站不住脚的，并且3年随访的无病生存率是5年随访的总生存率的有效替代终点，它满足因果必要性和因果充分性。我们还提出了一种基于贝叶斯分层模型的灵敏度分析方法，以研究偏离同质性假设的影响。
2015-07-21 math.ST stat.AP stat.TH
Causal Inference with Outcomes Truncated by Death and Missing Not at Random
本文研究结局因死亡截断且缺失非随机情形下的因果推断，提出利用代理变量识别幸存者子群体中的平均治疗效应，并给出估计方法与非参数界。
2025-07-04 stat.AP stat.ME
Principal Fairness for Human and Algorithmic Decision-Making
Harvard University（哈佛大学）；Institute for Quantitative Social Science（定量社会科学研究所）；University of Massachusetts（马萨诸塞大学）
利用因果推理文献中的主要分层概念，我们引入了一个新的公平性概念，称为主要公平性，用于人类和算法决策。关键的想法是，人们不应该歧视那些同样受到决定影响的个人。与现有的公平性统计定义不同，主要公平性明确说明了个人可能受到决策影响的事实。此外，我们解释了如何从现有的cabetity为基础的公平标准的主要公平不同。例如，与反事实公平标准相反，主要公平考虑的是有关决定的影响，而不是受保护的利益属性的影响。我们简要地讨论了如何处理经验评估和策略学习问题下提出的主要公平标准。
2022-03-24 cs.CY cs.LG stat.ML
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
Transportability of Principal Causal Effects
本文提出主分层框架，用于识别和估计迁移到目标人群的、以依从行为为条件的主因果效应，并发展非参数效率理论及高效估计量，通过模拟验证其性能。
2024-07-16 stat.ME
Probabilistic Analysis of Balancing Scores for Causal Inference
倾向评分通常用于对观察数据中的治疗组和对照组受试者进行分层，以在所谓的潜在结局因果建模框架中估计治疗对结局的因果效应时消除混杂偏倚。在这篇文章中，我们试图从概率的角度来了解倾向分数的基本行为。我们做一个简单的分析，他们的使用局限于离散混杂协变量和结果的情况下。在明确倾向评分的行为的同时，我们的分析显示了如何同时得出所谓的预后评分。然而，在目前的文献中，预后评分是在有限的意义上推导出来的，而我们的推导更一般，并显示了所有可能的评分。我们称之为结果得分。我们认为，倾向得分和结果得分的应用是最有效的方式减少维的混杂协变量，而不是目前的信念，只有倾向得分是最有效的方式。
2018-04-21 math.ST stat.TH
Multiply robust estimation of causal effects under principal ignorability
因果推断不仅涉及治疗对结局的平均影响，还涉及通过感兴趣的中间变量的潜在机制。主要分层通过针对主要层内的亚组因果效应来表征这种机制，主要层由中间变量的联合潜在值定义。由于因果推断的基本问题，主要阶层本质上是潜在的，这使得识别和估计其中的亚组效应具有挑战性。一系列的研究利用了主要的可解释性假设，即潜在的主要层是平均独立的潜在结果条件下观察到的协变量。根据主要的可验证性，我们推导出各种非参数识别公式的因果关系的影响，在观察性研究中，激励估计依赖于正确的规格的不同部分的数据分布。适当地结合这些估计产生三重稳健估计的因果关系的影响，在主要阶层。这些三重稳健估计是一致的，如果两个治疗，中间变量和结果模型被正确指定，而且，他们是局部有效的，如果所有三个模型都被正确指定。我们表明，这些估计自然产生的有效的影响函数的半参数理论或模型辅助估计的调查抽样理论。我们评估不同的估计基于其有限样本的性能，通过模拟和应用它们的两个观察性研究。
2022-03-28 stat.ME
Identifying and Estimating Principal Causal Effects in Multi-site Trials
随机试验通常在多个地点进行单独的随机化，如学校，投票区或医院。这些网站可能在重要方面有所不同，包括网站的实现，当地条件和个人的组成。实践中的一个重要问题是，研究人员是否以及在什么样的假设下可以利用这种跨站点的变化来了解更多关于干预的信息。我们在主要分层框架中解决这些问题，该框架描述了由治疗后数量定义的亚组的因果效应。我们表明，研究人员可以通过多站点设计估计某些主要的因果效应，如果他们愿意施加强有力的假设，即站点特定的影响是不相关的，与站点特定分布的阶层成员。我们激励这种方法与早期大学高中倡议，一个独特的中学教育计划，以提高高中毕业率和大学入学率的目标多地点试验。我们的分析证实了以前的研究表明，该倡议有积极的影响，否则谁会参加一个低质量的高中的学生，虽然权力是有限的。
2018-03-16 stat.ME
Identification and estimation of causal effects in the presence of confounded principal strata
主要分层已成为一个流行的工具，以解决广泛的一类因果推断问题，特别是在处理不遵守和截断的死亡问题。在这些研究中，由中间变量的联合潜在值确定的主要层内的因果效应，也称为主要因果效应，通常是感兴趣的。文献中观察数据的主要因果效应分析主要依赖于治疗分配的可重复性，这要求从业者准确测量尽可能多的协变量，以便捕获所有可能的混杂来源。然而，在观察性研究中收集所有潜在的混杂因素通常是困难和昂贵的，因此可验证性假设可能是值得怀疑的。在本文中，通过利用已越来越多地用于处理不受控制的混杂的可用阴性对照，我们考虑识别和估计的因果关系时，治疗和主要分层被混淆的未观察到的变量。具体来说，我们表明，主要的因果效应可以通过调用一对负控制，都需要不直接影响结果的非参数化识别。然后，我们放松这一假设，并建立各种半参数或参数模型下的主要因果效应的识别。我们还提出了一个估计方法的主要因果效应。广泛的模拟研究表明，所提出的方法和一个真正的数据应用程序从全国青年男子纵向调查的良好性能。
2022-06-17 stat.ME
Bounding, an accessible method for estimating principal causal effects, examined and explained
估计由治疗后行为定义的亚组的处理效应（即，在主要分层框架中估计因果效应）在技术上可能具有挑战性，并且严重依赖于强有力的假设。我们研究了另一种途径：使用边界来确定与数据一致的可能影响范围。这种简单的方法依赖较少的假设，但可以得出与政策相关的结论。正如我们所展示的，协变量可以直接用于大幅收紧边界。通过模拟，我们证明了哪些类型的协变量是最有益的。最后，我们分析了早期大学高中的多地点实验研究。当检查该计划的学生完成九年级的影响“上轨道”的大学，我们发现ECHS的学生，否则谁会参加一个高质量的高中影响不大，但对于那些谁不会有实质性的影响。这表明，在主要由质量较低的学校提供服务的地区扩大这些方案有潜在的好处。
2017-08-16 stat.AP stat.ME
Semiparametric Localized Principal Stratification Analysis with Continuous Strata
针对连续中间变量下主因果效应不可识别且非规则的难题，本文提出基于copula主得分模型识别因果效应，并构建局部泛函替代物的双重稳健估计量，在理论上实现极小极大最优性与半参数有效性。
2025-01-29 stat.ME
Truncation by death in the sufficient cause framework
University of Surrey（萨里大学）；Okayama University of Science（冈山理科大学）；Okayama University（冈山大学）
本文基于充分原因框架，探讨了死亡导致的截断问题，解释了粗略估计量的非因果性质，并提供了生存平均因果效应的表达式及 null 条件。
2026-04-07 stat.ME
Exploiting network information to disentangle spillover effects in a field experiment on teens' museum attendance
青年教育的一个关键因素是使他们对历史和艺术遗产有敏感认识。我们分析了在佛罗伦萨（意大利）进行的实地实验，以评估如何适当的激励分配给高中班级可能会导致青少年参观博物馆在他们的空闲时间。不遵守和溢出效应使得这种集群式鼓励设计的影响评估具有挑战性。我们建议混合主要分层和因果调解，根据他们的遵守行为，并使用他们的友谊网络作为调解人的信息定义子群体的单位。我们正式定义了主要的自然直接和间接效应以及主要控制的直接和溢出效应，并使用它们来解开其他因果渠道的溢出。我们采用贝叶斯方法进行推理。
2022-05-06 econ.EM stat.AP stat.ME
Identifying Principal Stratum Causal Effects Conditional on a Post-treatment Intermediate Response
在早期乳腺癌的新辅助治疗试验中，患者通常被随机分配到对照组和具有额外靶向治疗的治疗组。通过二元病理学完全缓解（pCR）评估新方案的早期疗效，并通过长期临床结局（如生存期）评估最终疗效。尽管pCR与生存率密切相关，但尚未证实其为替代终点。为了充分理解其临床意义，重要的是建立因果被估量，例如在新方案下将实现pCR的患者的生存率的因果效应。在主分层框架下，以往的研究主要集中在通过改变模型参数对反事实结果进行敏感性分析。在温和的假设下，我们提出了一种方法来估计这些模型参数，使用经验数据，随后的因果估计的兴趣。我们还扩展了我们的方法来处理删失的结果数据。该方法适用于最近的临床试验，其性能通过模拟研究进行评估。
2022-03-20 stat.AP stat.ME
Bayesian Propensity Score-Augmented Latent Factor Models for Causal Inference with Time-Series Cross-Sectional Data
University of Michigan（密歇根大学）
本文提出一种贝叶斯倾向分数增强的潜在因子模型，用于时间序列横截面数据的因果推断，通过引入潜在因子载荷显式建模处理分配机制，并通过分层等方法灵活整合倾向分数，提升跨分层的异质性分析能力。
2026-03-26 stat.ME
Principal Stratification with Time-to-Event Outcomes
随机化后事件，也称为并发事件，如治疗不依从和因终末事件而删失，在临床试验中很常见。主体分层是在并发事件存在的情况下进行因果推断的框架。尽管存在大量文献，但缺乏普遍适用和可获得的方法进行至事件发生时间结局的主要分层分析。在本文中，我们指定了两个因果被估量的时间到事件的主要分层结果。对于估计，我们采用了潜在混合模型的一般策略，并推导出相应的似然函数。为了计算的方便，我们说明了一般的策略与贝叶斯参数Weibull-Cox比例模型的结果的混合。我们利用Stan编程语言通过哈密顿蒙特卡罗获得模型参数的自动后验采样。我们提供的因果被估量作为模型参数的函数的解析形式和一种替代的数值方法时，解析形式不可用。我们将所提出的方法应用于ADAPTABLE试验，以评估服用81 mg与325 mg阿司匹林对主要不良心血管事件风险的因果关系。
2023-01-18 stat.AP stat.ME
Semiparametric Efficiency Gains From Parametric Restrictions on Propensity Scores
本文研究潜在结果框架下倾向得分参数约束对半参数效率界的改善，推导分层模型的效率增益公式，并提出评估一般高维参数模型价值的新框架。
2024-07-02 econ.EM math.ST stat.TH
Propensity Score Analysis with Matching Weights
倾向得分分析是观察性研究中研究因果处理效应最广泛使用的方法之一。本文研究了用匹配权法估计处理效应。这种方法类似于倾向得分匹配，但提供了许多新的功能，包括有效的估计，严格的方差计算，简单的渐近性，平衡的统计检验，明确识别的目标群体具有最佳的抽样性质，并且不需要选择匹配算法和卡尺大小。此外，我们建议镜像直方图作为一个有用的工具，以图形方式显示平衡。该方法还具有逆概率加权方法的一些特征，但当倾向得分接近0或1时，计算保持稳定。匹配权重估计器的增强版本被开发为具有双重鲁棒性，即，如果结果模型或倾向得分模型是正确的，则估计器是一致的。在数值研究中，所提出的方法表现出更好的性能比许多广泛使用的倾向得分分析方法，如分层的五分之一，匹配的倾向得分，和逆概率加权。
2011-05-15 stat.ME
On the Proportional Principal Stratum Hazards Model
针对临床试验中死亡竞争风险下无法准确估计治疗对非致死事件直接效应的问题，提出比例主层风险模型，通过共享脆弱模型识别主层归属，经模拟验证可靠性并在心力衰竭临床试验中完成演示。
2025-04-23 stat.AP stat.ME
Prognostic Covariate Adjustment for Binary Outcomes Using Stratification
协变量调整和随机临床试验（RCT）中纳入历史数据的方法都为增加试验把握度提供了机会。我们将这些方法结合起来，用于基于边缘风险比（RR）的Cochran-Mantel-Haenszel（CMH）检验的二元结局RCT分析。在PROCOVA-CMH中，根据反映对照治疗（例如安慰剂）预测结局的单个预后协变量对受试者进行分层。该预后评分是通过在历史数据上训练的模型基于基线协变量生成的。我们提出了两个封闭形式的前瞻性估计的对数RR的渐近抽样方差，只依赖于从观察到的历史结果和预后模型获得的值。重要的是，这些估计量可用于在试验计划期间告知样本量。PROCOVA-CMH证明了有效推断的第一类错误控制和适当的渐近覆盖。与其他协变量校正方法一样，与未校正（未分层）CMH分析相比，PROCOVA-CMH可降低处理效应估计值的方差。除了统计方法，模拟和阿尔茨海默氏症的案例研究，以证明性能。结果表明，PROCOVA-CMH可以提供功率增益，可用于进行较小的试验。
2022-12-19 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
Is being an only child harmful to psychological health?: Evidence from an instrumental variable analysis of China's One-Child Policy
本文利用中国独生子女政策的相关数据，评估独生子女对心理健康的影响。本文采用工具变量的方法来解决生育决策和心理健康之间潜在的不可测量的混杂因素，其中工具变量是一个关于独生子女政策实施强度的指标。我们建立了一个本地工具变量方法和主要分层之间的分析联系，以适应连续工具变量。在主要的分层框架内，我们假设一个贝叶斯层次模型来推断政策利益的各种因果估计，同时调整聚类数据结构。我们将该方法应用于中国家庭小组研究的数据，发现独生子女对某些亚群自我报告的心理健康有微小但统计学显著的负面影响。我们的分析揭示了观察到的和未观察到的特征方面的处理效应异质性。特别是城市男性受独生子女的影响最大，如果家庭对独生子女政策的抵抗力更强，负面影响会更大。我们还进行敏感性分析，以评估关键工具变量的假设。
2020-06-11 econ.EM stat.AP
Using principal stratification in analysis of clinical trials
ICH E9（R1）附录（2019）提出将主要分层（PS）作为处理并发事件的五种策略之一。因此，了解PS的优势、局限性和假设对于广大的临床试验者社区非常重要。在不同的研究领域，包括实验和观察研究，在PS的总体框架下已经开发了许多方法。这些不同的应用程序使用了不同的工具和假设。因此，需要以统一的方式提出这些办法。本教程的目标有三个方面。首先，我们提供了一个连贯和统一的描述PS。其次，我们强调，PS中的影响估计依赖于强有力的假设，我们彻底检查这些假设的后果，以了解在哪些情况下某些假设是合理的。最后，我们概述了PS分析的各种关键方法，并使用一个真实的临床试验示例来说明它们。补充材料中给出了实现这些方法的代码示例。
2022-10-23 stat.ME
Weak separation in mixture models and implications for principal stratification
主要分层是解决随机化后并发症的广泛使用的框架。在使用主要分层来定义感兴趣的因果效应之后，研究人员越来越多地转向有限混合模型来估计这些数量。不幸的是，混合参数的标准估计，如MLE，已知表现出病态的行为。我们在一个简单但基本的例子中研究了这种行为，一个两组分高斯混合模型，其中只有组分均值和方差是未知的，并专注于其中组分弱分离的设置。在这种情况下，我们表明，渐近收敛速度的极大似然估计是相当差的，如$O(n^{-1/6})$，甚至$O(n^{-1/8})$。然后，我们通过理论论证以及广泛的模拟表明，在有限样本中，极大似然估计的行为就像一个阈值估计，在这个意义上说，极大似然估计可以给出强有力的证据，即当真相是其他的时候，均值是相等的。我们还探讨了当极大似然估计非零时极大似然估计的行为，表明在这种情况下很难估计均值的符号和幅度。我们为所有这些病理学提供诊断，并将这些想法应用于重新分析两个随机评估的职业培训计划，JOBS II和工作团。我们的结果表明，相应的最大似然估计应谨慎解释在这些情况下。
2019-08-17 stat.ME
Student Log-Data from a Randomized Evaluation of Educational Technology: A Causal Case Study
教育技术的随机评估产生的日志数据作为一个双产品：高粒度的数据，学生和教师的使用。这些数据集可以揭示因果机制，影响异质性或最佳使用。然而，存在方法上的挑战：实施不是随机的，仅针对治疗组定义，日志数据集具有复杂的结构。本文讨论了三种方法来帮助克服这些问题。一种方法使用来自治疗组的数据来估计使用对观察性研究结果的影响。另一种是因果中介分析，估计使用在推动整体效果中的作用。最后，主要分层估计具有相同的“潜在”使用的学生群体的整体效果。我们使用这三种方法分析了认知导师代数I课程评估的提示数据，结果可能相互矛盾：观察性研究和中介分析表明，提示降低后测分数，而主要分层发现，处理效应可能与较高的提示请求率相关。我们讨论这些混合的结论，并给出更广泛的方法建议。
2020-09-09 stat.AP
