Item-Level Heterogeneous Treatment Effects of Selective Serotonin Reuptake Inhibitors (SSRIs) on Depression: Implications for Inference, Generalizability, and Identification
本文将IL-HTE模型扩展到多分类数据，并通过模拟与28项SSRI RCT数据分析，揭示HDRS条目间治疗效应的显著异质性及其对子量表推广和识别的意义。
2024-05-24 stat.ME
Treatment Effect Learning Under Sequential Randomization
针对在线实验序贯治疗分配中的结转效应，提出将T-Learners嵌入G-公式的方法，模拟验证其可防止精度下降，实现准确识别与推断。
2025-10-22 stat.AP 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
Clarifying identification and estimation of treatment effects in the Sequential Parallel Comparison Design
New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）
本文通过因果推断澄清了序列平行比较设计中治疗效应的识别条件，并指出常规估计器在第二阶段受安慰剂反应误分类影响较大。
2026-01-13 stat.AP 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
Selection on treatment in the target population of generalizabillity and transportability analyses
研究者越来越多地使用新的方法将因果推断从试验扩展（推广或转移）到目标人群。在许多可推广性和可移植性分析中，按照非嵌套试验设计，对来自目标人群的试验和观察数据进行单独采样。在该设计的实际实施中，目标人群中的非随机化个体通常通过使用特定治疗来识别，而使用其他候选治疗用于相同适应症的个体或未使用任何治疗的个体被排除在外。在本文中，我们认为，在目标人群中的治疗条件的变化的估计量的推广和可移植性分析，并可能引入严重的偏见，在目标人群或目标人群的子集使用特定的治疗的因果估计。此外，我们认为，天真的应用边际化或加权为基础的标准化方法不会产生任何合理的因果估计。我们使用因果图和反事实的参数来描述识别问题引起的条件反射治疗的目标人群，并说明了使用模拟数据的问题。最后，我们考虑我们的研究结果的应用工作的影响。
2022-09-19 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
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
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
Identification in Endogenous Sequential Treatment Regimes
本文提出一种基于动态工具变量与动态边际处理效应的非参数识别方法，用于内生序贯处理机制下的处理效应识别，放松了支撑集与不可观测收益假设，并通过蒙特卡洛模拟验证了筛分估计量的有限样本性能。
2023-11-30 econ.EM stat.AP
A Review of Generalizability and Transportability
在评估因果效应时，确定结果旨在推广的目标人群是一个关键的决定。随机和观察性研究在估计目标人群中的因果效应方面各有优势和局限性。来自随机数据的估计值可能具有内部效度，但通常不能代表目标人群。观察性数据可能更好地反映目标人群，因此更有可能具有外部效度，但由于未测量的混杂因素，可能存在潜在偏倚。虽然大部分的因果推断文献都集中在解决内部效度偏差，内部和外部效度是必要的无偏估计在目标人群。本文提出了一个解决外部效度偏倚的框架，包括概括性和可移植性方法的综合，它们需要的假设，以及处理效应的异质性和研究与目标人群之间的差异的测试。
2021-02-23 stat.AP stat.ME stat.ML
Subgroup identification using individual participant data from multiple trials on low back pain
本研究使用基于多项非特异性腰痛试验 IPD 荟萃分析子集的合成数据，评估 MOB 与 metaMOB 识别差异化治疗效应亚组的应用，并强调同时考察截距和治疗效应异质性的必要性。
2023-11-02 stat.AP 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
Identification and Inference for Marginal Average Treatment Effect on the Treated With an Instrumental Variable
在观察性研究中，治疗通常不是随机的，因此估计的处理效应可能会受到混杂偏倚的影响。工具变量（IV）设计起到准实验处理的作用，因为IV与治疗相关，并且仅通过治疗影响结局。在本文中，我们提出了一个新的框架，识别和推理使用的边缘平均处理效应之间的治疗（ETT）在不可测量的混杂的存在下，IV。对于推断，我们提出了三种不同的半参数方法：（i）逆概率加权（IPW），（ii）结果回归（OR），（iii）双稳健（DR）估计，如果（i）或（ii）是一致的，但不一定两者都是一致的。在二进制IV和结果的简单情况下，得到了封闭形式的局部半参数有效估计，并在更一般的情况下导出了效率界。
2016-08-26 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
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
Causal identification of infectious disease intervention effects in a clustered population
在相互关联的人群中，传染病结局的处理效应的因果鉴定具有挑战性，因为感染结局可能传染给他人，对一个人进行的治疗可能影响其他人的结局。结果的传染性或可传递性使治疗干预的标准概念复杂化，其中向一个人提供的干预可能影响其他人的结果。已经提出了几个统计框架来衡量这种情况下的因果处理效应，包括结构性传播模型，基于中介的伙伴关系模型和随机试验设计。然而，现有的传染病干预效果的被估量是有限的概念上的有用性：一些是结构模型中的参数，其因果解释是不清楚的，其他的是因果关系的影响，只定义在一个有限的两个人的设置，还有一些是非参数被估量，自然出现在随机试验的背景下，但可能无法衡量任何生物学意义的影响。在本文中，我们描述了一个统一的形式主义定义的非参数结构因果被估量和识别策略，用于学习传染病干预的影响，在集群的相互作用的个人时，观察感染时间。被估量概括了现有的数量，并为随机和观察性研究中的因果识别提供了一个框架，包括仅观察到二元感染结果的情况。半参数类的成对Cox型传输风险模型，用于促进统计推断在有限的样本。一项全面的模拟研究比较了各种随机和观察性疫苗试验设计下现有和拟议的被估量。
2021-05-07 stat.AP stat.ME
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
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
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
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
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
Proximal Individualized Functional Treatment Regimes
George Washington University（乔治华盛顿大学）
本文针对存在未测量混杂的观测数据，在近端因果推断框架下提出算法估计最优个体化功能治疗方案，经模拟验证后应用于加速度计数据集优化身体活动分布以改善甘油三酯-葡萄糖指数。
2026-08-11 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
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
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
A Generalizability Score for Aggregate Causal Effect
针对源群体与目标群体协变量分布重叠有限时因果效应推广方法方差大的问题，提出可推广性评分用于选择目标子群体，其简化版无需结局信息，经模拟和真实数据验证效果良好。
2021-06-27 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
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
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
Interactive identification of individuals with positive treatment effect while controlling false discoveries
针对随机实验中个体正向处理效应识别难题，本文提出支持交互式引导的多重检验算法，可在有限样本中非渐近控制FDR，并扩展至观察性研究、配对样本与子组识别。
2024-05-10 stat.ME
Subgroup Identification using Covariate Adjusted Interaction Trees
我们考虑在临床试验中识别具有增强的处理效应的参与者亚组的问题。基于组间处理效应差异的一些测量递归地划分协变量空间的递归划分方法对于这样的亚组识别是流行的。最常用的递归划分方法，分类和回归树算法，首先通过使用一些分裂标准递归地划分协变量空间来创建一棵大树，然后从大树的所有子树中选择最终的树。在亚组识别的背景下，分裂标准的计算和用于最终树选择的评价指标依赖于比较治疗组和对照组之间的平均值差异。当协变量对结局具有预测性时，与使用治疗组和对照组之间的平均值差异相比，协变量调整估计量能够提高效率。这份手稿开发了两个协变量调整估计，可用于分裂决策和最终的树选择。协变量调整递归分割算法的性能进行评估，使用模拟和分析的临床试验，评估是否动机访谈改善物质滥用者的治疗参与。
2018-06-21 stat.ME
Instrumental Variable Estimation of Marginal Structural Mean Models for Time-Varying Treatment
Robins在1997年引入了边际结构模型（MSMs），这是一种针对复杂纵向研究中时变治疗方案联合效应的一般反事实模型，受时变混杂影响。在他的工作中，MSM参数的识别是在序贯随机化假设（SRA）下建立的，该假设排除了治疗分配随时间推移的不可测量的混杂。我们考虑充分条件识别的一个子类，边际结构平均模型（MSMMs），当顺序随机化未能举行由于不可测量的混杂，而不是使用随时间变化的工具变量的参数。我们的识别条件要求没有未观察到的混杂因素预测随时间变化的治疗的依从性类型。我们描述了一个简单的加权估计，并在模拟研究中检查其有限样本性质。我们应用所提出的估计量来检验分娩医院对新生儿存活概率的影响。
2020-07-24 stat.ME
Identification and estimation of mediational effects of longitudinal modified treatment policies
提出一种半参数方法用于纵向连续治疗的中介分析，基于双重稳健伪结果和交叉拟合序贯回归实现高效估计，并应用于IMV对COVID-19患者生存影响的研究。
2025-09-16 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
Causal Effects of Modified Treatment Policies under Positivity Violations: A Partial Identification Approach
Columbia University Mailman School of Public Health（哥伦比亚大学麦尔曼公共卫生学院）；Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布隆伯格公共卫生学院）
本研究针对正性条件违反的连续处理，提出内移投影改进的部分识别框架，可稳健估计修正处理策略的因果效应，其置信区间在模拟及农药混合物应用中表现优于传统方法。
2026-08-26 stat.ME
Identification and efficient estimation of compliance and network causal effects in cluster-randomized trials
Washington University in St. Louis（华盛顿大学圣路易斯分校）；University of Florida（佛罗里达大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出了一种半参数框架，用于评估集群随机试验中个体合规效应和网络分配效应，并通过数据自适应方法和敏感性分析提高推断的稳健性。
2026-09-29 stat.ME
Testing identification in mediation and dynamic treatment models
University of Fribourg（弗里堡大学）；University of Munich（慕尼黑大学）；Matej Bel University（马特伊·贝尔大学）；Norwegian School of Economics（挪威经济学院）
基于Huber和Kueck（2022）的检验，提出一种利用两组观测变量（协变量和疑似工具）来检验中介和动态处理模型中因果效应识别的方法，并应用于斯洛伐克劳动力市场数据。
2026-06-05 econ.EM stat.ME
Identification of Long-Term Treatment Effects via Temporal Links, Observational, and Experimental Data
UCLA, Department of Economics（加州大学洛杉矶分校，经济学系）
本文重新审视长期平均治疗效应的识别问题，指出时间链接假设是关键，提出两种可辩护的治疗反应假设，并开发新的统一识别框架以计算明确界限，通过Head Start参与的长期效应估计验证方法。
2026-03-19 econ.EM stat.ME
Maximin Learning of Individualized Treatment Effect on Multi-Domain Outcomes
Department of Biostatistics, Columbia Mailman School of Public Health（哥伦比亚大学梅尔曼公共卫生学院生物统计系）；Department of Biostatistics, Peking University Health Science Center（北京大学医学部生物统计系）；Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心）
本文提出DRIFT框架，通过潜在因子表示和对抗学习，从高维数据中稳健估计个性化治疗效应，提升对未测量但临床相关领域的泛化能力。
2026-03-28 cs.LG stat.ME
Causal Interaction Trees: Tree-Based Subgroup Identification for Observational Data
我们提出了因果关系树，以确定亚组的参与者，增强了处理效应使用观察数据。我们扩展了分类和回归树算法，使用分裂标准，重点是最大限度地提高组间处理效应异质性的基础上，亚组特定的处理效应估计，以决定在算法中的决策。我们推导出三个亚组特定的处理效应估计，占观察性质的数据-逆概率加权，g-公式和双稳健估计的属性。我们使用模拟研究所提出的算法的性能，并在一项观察性研究中实施该算法，以评估右心导管插入术对危重患者的有效性。
2020-03-06 stat.ME stat.ML
Partial Identification of Answer Reviewing Effects in Multiple-Choice Exams
在选择题考试中复习以前的答案是否有助于考生提高最终分数？本文使用严格的因果框架，潜在结果框架，正式的问题。本文首先将考生的复习状态视为一种处理，将其最终成绩视为一种结果，解释了在常规考试环境中识别答案复习因果效应的挑战。除了无法随机选择治疗（审查状态）和缺乏其他信息使这一选择过程可验证之外，研究人员还不完全了解治疗变量本身。查看考生的答题卡数据，不清楚一名考生在特定项目上没有改变答案，但保留了最初的答案（处理条件），还是选择不复习（对照条件）。然而，尽管存在这些挑战，本文还是提出了部分识别策略，并表明答案复习效应的符号是可以合理推断的。通过对一个全国范围的数学评估数据集的分析，本文发现，审查初步答案一般是有益的考生。
2019-10-14 stat.AP
When Do Treatment Changes Identify Causal Effects?
University of Fribourg（弗里堡大学）
本文澄清了基于治疗变化而非治疗水平的因果推断的识别假设，并展示了其与传统识别策略的关系，提出了非嵌套假设下的双重稳健性结果。
2026-06-24 econ.EM stat.ME
Doubly robust identification of treatment effects from multiple environments
Department of Statistics, University of Michigan（密歇根大学统计系）
本文提出RAMEN算法，通过利用多数据源的异质性，无需了解潜在因果图即可获得无偏治疗效应估计，通过双重稳健识别方法提升因果推断的准确性。
2026-05-01 cs.LG stat.ME stat.ML
The Devil is in the Tails: Regression Discontinuity Design with Measurement Error in the Assignment Variable
当协变量（分配变量）超过已知阈值时，回归不连续性（RD）研究设计中的识别取决于治疗概率的不连续性。然而，当分配变量的测量有误差时，治疗概率与观察到的误测分配变量之间关系的不连续性可能会消失。因此，分配变量中存在测量误差对处理效应识别构成直接挑战。本文提供了利用误测的分配变量、治疗状态和结局变量识别RD处理效应的充分条件。我们证明识别分别为离散和连续的分配变量，并研究各种估计程序的性质。我们说明了所提出的方法在实证应用中，我们估计医疗补助的占用和私人医疗保险覆盖面的挤出效应。
2016-09-06 stat.ME
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
Causal Inference with Confounders MNAR under Treatment-independent Missingness Assumption
观察性研究中的因果推断在混杂因素可能缺失时具有挑战性。一般来说，即使在限制性参数模型假设下，当混杂因素非随机缺失时，也不能保证因果效应的识别。为了解决这一问题，我们提出了一个通用框架，以建立因果关系的识别时，混杂因素受到治疗无关的缺失，这意味着缺失数据机制是独立的治疗，考虑到结果和可能的缺失混杂因素。我们特别考虑了常用的连续和二元结果模型，并在识别失败时提供了反例。在估计方面，我们给出了模型参数的加权估计方程估计方法，并在估计模型的基础上给出了平均因果效应的三个估计量。我们通过模拟评估有限样本的估计性能。我们进一步说明了所提出的方法，从全国健康和营养检查调查的真实数据集。
2023-03-22 stat.ME
