Using Integrated Nested Laplace Approximation for Modeling Spatial Healthcare Utilization
近年来,空间和时空建模已成为许多领域(流行病学,环境研究,疾病地图)的重要研究领域。在这项工作中,我们提出了不同的空间模型来研究医院招聘,包括一些潜在的解释变量。感兴趣的是每个地理单元的分布,即居住在该地理单元的患者人数与同一地理单元的人口之间的比例。模型考虑的框架内的贝叶斯潜在高斯模型。我们的响应变量假设遵循具有logit链接的二项分布,其参数是地理单元中的人群和相应的相对风险。结构化加性预测因子以加性方式解释各种协变量的效应,包括协变量的平滑函数(例如空间效应),协变量的线性效应。为了近似后边缘,这不是在封闭的形式,我们使用集成嵌套拉普拉斯近似(INLA),最近提出的近似贝叶斯推断在潜在的高斯模型。INLA的优点是给出非常精确的近似值,并且当参数的数量不超过6时(就像我们的情况一样),比McMC方法更快。使用DIC标准评估模型比较。
2010-06-18 stat.AP stat.ME
Classification Accuracy and Parameter Estimation in Multilevel Contexts: A Study of Conditional Nonparametric Multilevel Latent Class Analysis
目前的研究有两个目的。首先,使用一个经验数据集来演示多站点项目评估的效用条件非参数多级潜在类分析(NP-MLCA)。其次,研究了潜在类别指标的质量、潜在类别指标的数量、水平1协变量效应、水平间协变量效应、水平2单位的数量和水平2单位的大小等六个研究因素对条件NP-MLCA分类精度和参数估计的影响。使用模拟研究检查了总共96个条件。分类准确率、跨水平协变量效应和背景效应的功效和第一类错误表明非参数多水平潜在类别模型可以广泛应用于多水平背景。
2020-10-30 stat.AP stat.ME
Linking Potentially Misclassified Healthy Food Access to Diabetes Prevalence
Wake Forest University(维克森林大学)
本研究提出一种新的最大似然估计器,用于纠正泊松回归中二元误分类暴露(健康食品获取)带来的偏差并处理缺失数据,模拟和实际数据应用验证了其有效性。
2025-10-16 stat.ME
Monitoring Adverse Events Through Bayesian Nonparametric Clustering Across Studies
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Pfizer Inc.(辉瑞公司);The University of Texas at Dallas(德克萨斯大学达拉斯分校);The University of Chicago(芝加哥大学)
本研究提出基于协变量依赖型乘积划分模型的贝叶斯非参数方法,整合历史试验数据与不同粒度协变量,通过相似实验单元聚类提升AE率估计精度,支持设盲到非盲的实时安全监测,经案例与模拟验证可有效检测安全信号、评估风险。
2025-09-08 stat.AP stat.ME
Modeling racial/ethnic differences in COVID-19 incidence with covariates subject to non-random missingness
针对 COVID-19 病例种族/族裔信息的 NMAR 缺失问题,提出融合疾病与缺失过程空间信息的贝叶斯参数模型,并通过模拟和韦恩县数据证明其优于完整病例分析与 MI。
2022-08-16 stat.AP stat.ME
Covariate-assisted spectral clustering
University of Wisconsin(威斯康星大学);Johns Hopkins University(约翰斯·霍普金斯大学)
生物和社会系统由无数相互作用的单位组成。交互可以以图形或网络的形式表示。对这些图的测量可以揭示这些相互作用的底层结构,从而深入了解生成这些图的系统。此外,在诸如连接组学、社交网络和基因组学的应用中,图数据伴随着每个节点上的情境化度量。我们利用这些节点的协变量,以帮助发现潜在的社区图中,使用修改的谱聚类。统计保证下提供的联合混合模型,我们称之为节点上下文的随机块模型,包括一个绑定的错误聚类率。的界限是用来推导条件,实现完美的聚类。对于大多数模拟情况下,协变量辅助谱聚类产生优于正则化谱聚类没有节点协变量和典型相关分析的适应的结果。我们将我们的聚类方法应用于来自扩散MRI数据的大型脑图,使用节点位置或神经区域成员资格作为协变量。在这两种情况下,协变量辅助谱聚类产生的聚类更容易从神经学上解释。
2016-10-30 cs.LG math.ST stat.ME
Spatially continuous modelling of aggregated outcome data
Imperial College London(伦敦帝国理工学院);Lancaster University(兰卡斯特大学);University of Edinburgh(爱丁堡大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Northumbria University(诺森比亚大学)
本文提出了一种块聚合方法,用于在响应数据在较粗尺度观测(如行政区域事件计数)时的空间估计与预测,结合高分辨率协变量数据。方法通过线性预测器结合协变量效应和空间连续高斯过程,通过逆链接函数和空间积分确定响应分布,并在两个实际应用中验证了其有效性。
2026-04-16 stat.CO stat.ME
Wild Bootstrap Inference for Non-Negative Matrix Factorization with Random Effects
Faculty of Data Science, Shiga University(滋贺大学数据科学学部)
本文提出NMF-RE模型,通过随机效应和野Bootstrap推断实现非负矩阵分解中协变量效应的稳定推断。
2026-03-02 stat.ME stat.ML
Covariate Balancing Based on Kernel Density Estimates for Controlled Experiments
DePaul University(德保罗大学);Illinois Institute of Technology(伊利诺伊理工学院)
本文提出基于核密度估计的协变量平衡方法,通过分区实现实验单元的平衡,提升均差估计的准确性,优于完全随机化和重随机化方法。
2021-01-18 stat.ME
Point process-based modeling of multiple debris flow landslides using INLA: an application to the 2009 Messina disaster
我们开发了一个随机建模方法的基础上收集的约5000个滑坡事件引起的降水触发在意大利西西里岛的对数高斯Cox型的空间点过程。通过嵌入到多层贝叶斯估计框架中,我们可以使用集成嵌套拉普拉斯近似方法进行推理并获得后验估计。在滑坡预测研究中,几个制图单元可用于划分给定的研究区域。这些单位分层细分的地理空间,从最高的网格为基础的分辨率更强的形态动力导向的斜坡单位。在这里,我们将这两个映射单元到一个单一的层次模型,通过处理的滑坡触发位置作为一个随机点模式。这种方法从根本上偏离了一致使用的存在-不存在结构的面积单位,因为我们专注于建模的预期滑坡计数联合在两个映射单元。与传统的基于相对概率的敏感性制图方法相比,预测这种滑坡强度提供了更详细和完整的信息。为了说明该模型的通用性,我们计算滑坡发生的绝对概率图,并检查其在空间上的预测能力。虽然滑坡社区通常只在协变量空间分布的意义上产生空间预测模型的滑坡,没有实际的空间依赖性已明确集成到目前为止的滑坡易感性。我们的新方法具有在斜率单位水平上定义的空间潜在效应,使我们能够评估模型中协变量无法解释的空间影响。
2017-08-10 stat.AP
Predictions Based on the Clustering of Heterogeneous Functions via Shape and Subject-Specific Covariates
我们考虑一项研究的球员受雇于球队谁是国家篮球协会的成员,观察单位是功能曲线,是实现生产测量的过程中采取的一个人的职业生涯。观察到的功能输出显示大量的球员之间的异质性,在这个意义上说,一些人产生的曲线是相当平滑的,而其他人是(多)更不稳定。我们认为,曲线形状的这种可变性是一个可以用来指导决策,了解正在研究的过程和提高预测的功能。在本文中,我们开发了一种方法,利用这一功能时,聚类功能曲线。个体曲线使用贝叶斯惩罚B样条灵活地建模,而分层结构允许通过个体曲线的平滑度来指导聚类。从某种意义上说,分层结构平衡了很好地拟合各个曲线的愿望,同时仍然产生用于指导预测的有意义的聚类。我们无缝地将现有的协变量信息,引导曲线的聚类非参数化通过使用一个产品分区模型之前的随机分区的个人。基于曲线平滑度和特定主题的协变量信息的聚类在进行两种类型的预测时特别重要,这两种类型的预测是感兴趣的,即完成活跃球员的部分观察曲线的预测,以及预测尚未在NBA打球的球员的整个职业生涯曲线的预测。
2015-05-11 math.ST stat.AP stat.TH
Pairwise Sequential Randomization and Its Properties
在比较研究中,例如在因果推断和临床试验中,平衡重要的协变量通常是有效和可信比较的最重要问题之一。然而,在许多随机化实验中仍然存在机会不平衡现象。随着协变量$p$数量的增加,这种协变量失衡现象变得更加严重。为了解决这个问题,我们引入了一个新的随机化过程,称为成对顺序随机化(PSR)。所提出的方法顺序地和自适应地分配单元,使用关于当前不平衡水平和传入单元的协变量的信息。在协变量或单位数较多的情况下,该方法在协变量平衡性、估计精度和计算时间等方面均优于传统方法,是大数据时代的理想技术。所提出的方法达到最佳协变量平衡,在这个意义上,估计的处理效应根据所提出的方法渐近达到其最小方差。该方法在因果推断和临床试验中也有广泛的应用。数值研究和实际数据分析提供了进一步的证据所提出的方法的优点。
2018-07-27 stat.ME
Covariate Adjustment Cannot Hurt: Treatment Effect Estimation under Interference with Low-Order Outcome Interactions
University of California, Berkeley(加州大学伯克利分校);University of Chicago(芝加哥大学)
本文研究了在存在干扰情况下使用协变量调整估计总体治疗效应的方法,证明了在稀疏干扰网络下,协变量调整不会增加方差,从而提供无害保证。
2026-04-09 stat.ME
SIMEX estimation for single-index model with covariate measurement error
本文研究了非参数部分含有误测协变量的单指标测量误差模型。为了解决这一问题,我们提出了一种基于局部线性平滑器和估计方程的模拟外推(SIMEX)算法。对于所提出的SIMEX估计,不需要假设未观测协变量的分布。通过引入约束$\|β\|=1$,将$\mathbb{R}^p$中单位球的边界转化为$\mathbb{R}^{p-1}$中单位球的内部.在一定的正则条件下,证明了指标参数的SIMEX估计是渐近正态的。我们还推导出了未知连接函数的估计量的渐近偏差和方差。最后,所提出的方法的性能进行了检查,通过模拟研究,并说明了一个真实的数据例子。
2016-11-21 stat.ME
Power-Optimal Covariate Adjustment for Switchback Experiments
DoorDash, Inc.(DoorDash公司)
针对集群规模不等的回切换实验,提出基于CUPAC的功率最优方差缩减方法,经蒙特卡洛模拟验证可提升统计功效。
2026-07-31 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
Covariate-dependent Nonparametric $g$-modeling for regression via infinite Mixture-of-Expertizing class
The Institute of Statistical Mathematics(统计科学研究所)
本文提出一种协变量依赖的非参数 $g$-建模回归框架,通过无限混合专家类实现 NPMLE,自动确定专家数量,并证明其 Lipschitz 连续性与门函数逼近能力,在合成和真实数据上验证了有效性。
2026-10-07 stat.ME
CUPED on Steroids: Multivariate Covariate Adjustment for Switchback Experiments
该研究提出面向回退实验的扩展CUPED框架,结合多历史滞后项等协变量与交叉拟合,提升方差缩减效率,经模拟和纽约出租车出行数据验证可显著增强统计功效。
2026-08-26 stat.ME
Spatial Fay-Herriot Models for Small Area Estimation with Functional Covariates
Fay-Herriot(FH)模型广泛用于小区域估计,并使用辅助信息来减小欠采样位置处的估计方差。我们扩展了FH模型中使用的协变量信息的类型,以包括功能协变量,例如社交媒体搜索负载或遥感图像(例如,作物产量调查)。通过两阶段降维方法,包括Karhunen-Loève展开,然后随机搜索变量选择,促进了这些功能协变量的纳入。此外,空间自相关建模的重要性最近已被确认在FH模型,我们的模型利用了内在的条件自回归类的空间模型,除了功能协变量。我们证明了我们的方法的有效性,通过模拟和分析的数据,从美国社区调查。我们使用Google趋势搜索作为函数协变量,分析美国东半部家庭西班牙语使用率的相对变化。
2014-05-09 stat.ME
Rerandomization under Interference
University of Chicago(芝加哥大学)
本文提出在干扰下利用再随机化设计,通过限制协变量不平衡来改进Hájek估计器对期望平均处理效应的估计,在温和条件下渐近提升精度,并开发了保守方差估计器,保持无损害性质且对干扰结构不可知。
2026-09-29 stat.ME
Optimal Correlation for Bernoulli Trials with Covariates
本文研究带协变量的随机实验中处理分配相关性的最优设计,证明两簇均匀分配的最优性,提出平移不变与 O(n^α) 簇混合方案,并给出 CLT、方差估计及模拟验证。
2025-01-06 stat.ME
Leveraging baseline covariates to analyze small cluster-randomized trials with a rare binary outcome
随机对照试验(CRT)涉及将整个参与者组(称为群集)随机分配到治疗组,但通常由有限或固定数量的可用群集组成。虽然协变量调整可以解释治疗组之间的机会不平衡,并提高个体随机试验的统计效率,但迄今为止,小型CRT中个体水平协变量调整的分析方法很少受到关注。在本文中,我们系统地调查,通过广泛的模拟,操作特性的倾向得分加权和多变量回归作为两个个人层面的协变量调整策略,估计参与者的平均因果效应,在小型CRT与罕见的二元结果,并确定的情况下,每个调整策略具有相对的效率优势,使其他实用的建议。我们还研究了与倾向得分加权和多变量回归相关的偏差校正三明治方差估计量的有限样本性能,用于量化估计参与者平均处理效应的不确定性。为了说明个体水平协变量调整的方法,我们重新分析了最近在31个儿科重症监护病房进行的CRT镇静试验。
2022-11-28 stat.ME
Design-based edge-level causal inference with machine learning assisted covariate adjustment
Tsinghua University(清华大学);Tencent Inc.(腾讯);Washington University in St. Louis(圣路易斯华盛顿大学)
针对有向网络中的边级结果,在二元干扰下,通过设计基于Horvitz-Thompson估计量、三折样本分裂交叉拟合及协变量调整,实现有效推断并提升效率。
2026-05-31 stat.ME
Quadruply robust estimation of marginal structural models in observational studies subject to covariate-driven observations
本文针对观察性数据中混杂和不规则观测时间问题,提出一种更灵活高效的四重稳健估计量,并在Add Health数据中估计咨询对青少年饮酒的因果效应。
2023-04-18 stat.ME
Generalized functional linear regression models with a mixture of complex function-valued and scalar-valued covariates prone to measurement error
针对广义函数型线性回归中混合函数型与标量协变量的测量误差,提出SIMEX和回归校准方法,并应用于美国成年人身体活动与热量摄入对2型糖尿病影响的研究。
2023-05-12 stat.ME
Debiased inference for a covariate-adjusted regression function
针对协变量调整回归函数的非参数推断问题,提出一种去偏局部线性估计量,可构建渐近有效置信区间与一致置信带,达最优收敛速度,并通过数值实验和空气污染对心血管死亡率影响的分析验证性能。
2023-12-15 stat.ME
Covariate Ordered Systematic Sampling as an Improvement to Randomized Controlled Trials
本文提出协变量有序系统抽样(COSS),通过实验前协变量排序并交替分配处理与对照,在保持 RCT 简洁性的同时提升因果估计灵敏度。
2024-04-16 stat.AP stat.ME
Design-based theory for causal inference from adaptive experiments
University of Chicago(芝加哥大学);Fuqua School of Business, Duke University(杜克大学福夸商学院)
本文提出基于设计的因果推断理论,适用于自适应实验,并提出自适应协变量调整方法以提升非自适应设计的推断有效性。
2026-02-25 stat.ME
Low-rank Covariate Balancing Estimators under Interference
Harvard University(哈佛大学);University of Florida(佛罗里达大学)
本文提出了一种低秩结构框架,用于构建稳健的因果效应估计器,解决了观测研究中单位间干扰的双重挑战,包括处理依赖性和处理分配复杂性。
2026-06-28 stat.ME
A formal approach to variable selection in difference-in-differences
Harvard Medical School(哈佛医学院);NORC at the University of Chicago(芝加哥大学NORC)
本文提出一种基于图形标准的正式方法,用于选择支持条件平行趋势的变量,揭示了无条件和平行趋势可能冲突,并讨论了协变量选择对识别的影响。
2026-05-01 stat.ME
Smoothed Model-Assisted Small Area Estimation
在人口普查数据有限的国家,对国家以下各级的健康和人口指标作出准确估计是一项挑战。现有的基于模型的地统计方法利用协变量信息和空间平滑来减少估计的可变性,但通常忽略调查设计,而传统的小区域估计方法可能无法以设计一致的方式将单元水平协变量信息和空间平滑结合起来。我们提出了一个平滑的模型辅助估计,占调查设计,并利用单位水平的协变量和空间平滑。在某些假设下,该估计量是设计一致的和模型一致的。我们比较它与现有的基于设计和基于模型的估计使用真实和模拟数据。
2022-08-04 stat.AP stat.ME
Evaluating A Key Instrumental Variable Assumption Using Randomization Tests
工具变量(IV)分析在卫生服务研究和流行病学中越来越普遍。大多数IV分析使用自然发生的仪器,例如到医院的距离。在这些分析中,研究者必须假设仪器是随机分配的。这个假设无法直接检验,但可以被证伪。文献中的大多数证伪检验比较了仪器和暴露之间观察到的协变量的相对患病率或偏倚。这些检验要求研究者对IV设计的有效性进行逐协变量判断。通常,只有一些协变量是均衡的,因此不清楚是否可以假设所有协变量的工具都是随机化的。我们提出了一种替代的证伪检验,比较IV平衡或偏倚与随机化下产生的平衡或偏倚。我们的测试的一个关键优势是,它允许全球平衡措施以及易于解释的图形比较。此外,我们的检验不依赖于任何参数假设,可用于有效评估工具是否比暴露量更接近随机化。我们证明了我们的方法在最近的IV应用程序,使用病床的可用性在重症监护病房(ICU)作为一种工具,进入ICU。
2019-07-03 stat.ME
Demystifying Statistical Matching Algorithms for Big Data
本文详细解析统计匹配算法(尤其是无替换匹配)在大规模数据下的效率,并提倡开发利用“稀疏性”限制可用匹配的方法,以确保匹配技术的可扩展性。
2023-09-11 stat.ME
An alternative to synthetic control for models with many covariates under sparsity
合成控制法是一种计量经济学工具,用于评价仅处理一个单元时的因果效应。虽然最初的目的是评估大规模的宏观经济变化的影响,很少有可用的控制单元,它已越来越多地被用来代替更知名的微观计量经济学工具,在广泛的应用,但其属性在这方面是未知的。本文介绍了一种替代的合成控制法,这是在通常的渐近框架和高维的情况下开发。我们提出了一个平均处理效应的估计,它是双稳健的,一致的和渐近正态的。它也对第一步选择错误免疫。我们说明这些属性使用蒙特卡罗模拟和应用程序的标准和潜在的高维设置,并提供了比较与合成控制法。
2021-06-20 econ.EM stat.ME
Variable-Ratio Matching with Fine Balance in a Study of Peer Health Exchange
在处理效应的观察性研究中,创建匹配样本,使处理组和对照组在可观察协变量方面相似。传统上,这样的匹配样本由匹配对组成。如果配对匹配无法使处理单元和对照单元充分可比,则可能需要替代形式的匹配。改善平衡的一个一般策略是将可变数量的控制单元与每个处理单元相匹配。一个更有针对性的策略是采用精细平衡约束。在精细平衡约束下,名义协变量是完全平衡的,但该变量不需要单独匹配的治疗和对照受试者。在这个例子中,我们试图构建一个匹配的样本,用于正在进行的同伴健康交流评估,这是一种旨在减少青少年危险健康行为的学校干预措施。我们发现,一个最佳的对匹配,最大限度地减少对之间的距离创建一个匹配的样本,平衡是穷人。在这里,我们提出了一种方法,允许精细的平衡约束时,每个处理单元匹配到一个可变数量的控制单元,这是目前不可能使用现有的匹配算法。我们的方法使用整数首先确定每个处理单元的最佳控制数量。对于匹配的治疗单元的每个层,我们可以应用精细平衡约束。然后,我们证明了一个匹配的样本的基础上的变量数量的控制和精细平衡约束的对等健康交换的评估是优于简单地使用一个可变的比例匹配。
2014-10-20 stat.ME
Distributional Balancing with Machine Learning for Clinical Trial Augmentation Using Real-World Data
Rutgers University(罗格斯大学)
针对临床试验中协变量分布难以均衡的问题,提出DBML方法,通过变分自编码器检测异常、重新加权匹配分布并采样对照组,在协变量均衡上优于现有匹配与加权算法。
2026-09-22 stat.ME stat.ML
Rerandomization and covariate adjustment in split-plot designs
裂区设计起源于农业科学,实验单位也被称为子区,嵌套在被称为整块地的组中。它通过整区水平的整群随机化分配整区干预,并通过子区水平的分层随机化分配子区干预。随机化机制保证了整区和子区水平的协变量平均平衡,并确保了Horvitz-Thompson和Hajek估计量对平均处理效应的一致推断。然而,协变量的不平衡往往发生在有限的样本和科目随后的推断可能大的变异性和条件偏差。重新随机化广泛应用于随机化试验的设计阶段,以改善协变量的平衡。然而,现有的再随机化的文献集中在设计与治疗分配在单位或组水平,但不是两个,离开相应的理论在裂区设计中的再随机化一个悬而未决的问题。为了填补这一空白,我们提出了两种基于马氏距离的裂区设计重新随机化策略,并建立了相应的设计理论。我们证明了重新随机化可以提高Horvitz-Thompson和Hajek估计的渐近有效性。此外,我们在分析阶段提出了两种协变量调整方法,当与重新随机化相结合时,可以进一步提高渐近有效性。通过数值实验证明了所提方法的有效性和提高的效率。
2022-09-26 math.ST stat.ME stat.TH
Identification and Estimation of Treatment Effects from Network Data with Confounded Social Links
University of Michigan(密歇根大学)
该研究针对存在混淆社会链接的网络数据,提出广义倾向得分结合增广逆概率加权估计量的方法,识别并估计处理效应,将其应用于乌干达政治传播技术对政治参与的影响研究。
2026-10-14 stat.ME
Omitted variable bias sensitivity analysis with clustered treatment assignment
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
研究在聚类观测设计下,线性回归模型中遗漏变量偏差敏感性分析问题。通过对单位级回归和聚类聚合回归的分析,发现敏感性分析结论因分析级别而异,提出用Pearson偏$\eta$校正以恢复等效性,并给出相关建议。
2026-07-16 stat.ME
Better Experimental Design by Hybridizing Binary Matching with Imbalance Optimization
我们提出了一种新的试验设计程序,将一组实验单元分为两组,以尽量减少估计的附加处理效应的误差。一个问题是在试验设计阶段最小化误差是两组之间的大协变量不平衡。另一个问题是设计对响应模型中错误指定的鲁棒性。我们解决这两个问题,在我们提出的设计:我们首先将主题成对使用最佳非二分匹配,使我们的估计强大的复杂的非线性响应模型。我们的创新是保持匹配对的存在,在每个匹配对内取协变量值的差异,然后我们使用Krieger等人的贪婪切换启发式。(2019)或对这些差异重新随机化。在一个协变量均匀分布的情况下,后一步大大减少了协变量对比率$O_p(n^{-4})$的不平衡。该速率受益于贪婪切换试探法(其为$O_p(n^{-3})$)和匹配速率(其为$O_p(n^{-1})$)。此外,我们得到的设计被证明是随机匹配,这是强大的未观察到的协变量。当与以前的设计相比,我们的方法表现出显着改善的均方误差的处理效应估计的响应模型是非线性的,至少执行时,响应模型是线性的。我们的设计过程是作为一种方法在CRAN上提供的开源R包中找到的,称为GreedyExperimentalDesign。
2021-02-01 stat.ME
Effective treatment allocation strategies under partial interference
本文在部分干扰框架下提出新的因果估计量和标准化加权估计器,用于刻画处理效应异质性并识别有影响力的个体特征,通过模拟和中国集群实验验证其有效性。
2025-04-09 stat.AP stat.ME
Tree models for assessing covariate-dependent method agreement
本文提出条件方法一致性树 COAT,将 Bland-Altman 分析与递归划分结合,以识别随协变量变化的一致性子组,并通过模拟、加速度计数据及双样本检验验证其有效性。
2023-06-07 stat.ME
Inference for Two-stage Experiments under Covariate-Adaptive Randomization
HSBC Business School(汇丰商学院);Peking University(北京大学)
本文研究了双重随机实验中协变量自适应随机化下的推断问题,提出了差异-平均平均估计量,并探讨了协变量信息在提高效率中的作用。
2026-01-15 econ.EM stat.ME
Deep Regression for Repeated Measurements under Covariate Shift
Center for Applied Statistics and School of Statistics, Renmin University of China(中国人民大学统计学院与应用统计中心)
针对目标域响应不可观测或成本高的问题,采用迁移学习框架,利用源域数据通过密度比校正分布偏移,用ReLU前馈神经网络估计目标回归函数,并证明估计量达到极小极大最优收敛速度,同时通过多项式依赖维度的逼近理论缓解维度灾难。
2026-05-24 stat.ME
Spatial autoregressive model with measurement error in covariates
本文针对协变量含测量误差的SAR模型提出ME-QMLE估计量,证明其一致性与渐近正态性,并通过数值模拟和真实数据验证其偏差校正效果。
2024-08-06 math.ST stat.ME stat.TH
Inference under Covariate-Adaptive Randomization with Multiple Treatments
本文研究了多个治疗方案下协变量自适应随机化随机对照试验的推断问题。更具体地说,我们研究了一种或多种治疗相对于其他治疗或对照的平均效果的推断。如Bugni et al.(2018)所述,协变量自适应随机化是指首先根据基线协变量进行分层,然后分配治疗状态以实现各分层内平衡的随机化方案。与Bugni et al.(2018)相比,我们不仅允许多种治疗,而且还允许分配给每种治疗的单位比例在层间变化。我们首先研究来自完全饱和线性回归的估计量的性质,即,每种治疗的指标与每一层的指标之间所有相互作用的结果的线性回归。我们表明,这些估计的基础上使用通常的异方差一致估计的渐近方差的测试是无效的,另一方面,测试的基础上,这些估计和适当的估计,我们提供的渐近方差是准确的。对于分配给每个处理的目标单位比例在不同层之间没有变化的特殊情况,我们还考虑了基于从具有层固定效应的线性回归中得出的估计量的检验,即,每种治疗的指标和每一层的指标的结果的线性回归。我们表明,这些估计的基础上使用通常的异方差一致估计的渐近方差的测试是保守的,但测试的基础上,这些估计和适当的估计,我们提供的渐近方差是准确的。模拟研究说明了我们的理论结果的实际意义。
2019-01-17 econ.EM stat.ME
One-shot variable-ratio matching with fine balance
University of Washington(华盛顿大学);University of Pennsylvania(宾夕法尼亚大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心)
针对传统分治式可变比例匹配存在的合并样本难达精细平衡、丢弃对照过多的问题,提出一次性可变比例匹配算法,可实现精确精细平衡,保留更多对照,性能更优,已在R包match2C中实现。
2025-10-05 stat.ME
Network-Constrained Matching and Randomization-Based Inference for Causal Effects
Brown University(布朗大学)
针对网络数据中匹配可能引发虚假关联的问题,提出带网络邻近性约束的匹配方法和基于随机化的推断,并在R包netmatchRI中实现,应用于弗雷明汉心脏研究。
2026-10-06 stat.AP stat.ME
Exploring Spatial Generalized Functional Linear Models: A Comparative Simulation Study and Analysis of COVID-19
本文比较了空间广义函数线性模型中截断水平选择的五种准则,提出 BIC 为合理的默认标准,并证明该模型在含空间结构数据中优于其他模型,成功应用于分析美国中西部 COVID-19 疫苗接种率与新发病例数的关系。
2024-12-23 stat.ME
Estimating the Marginal Effect of a Continuous Exposure on an Ordinal Outcome using Data Subject to Covariate-Driven Treatment and Visit Processes
在统计学文献中,已经提出了一些方法,以确保有效的推断变量的边际效应的纵向结果设置不规则的监测时间。然而,由于协变量驱动的监测时间和混杂因素导致的潜在偏倚很少被同时考虑,并且从未在具有顺序结局和连续暴露的环境中考虑过。在这项工作中,我们提出并证明了一种方法,因果推断在这样的设置,依靠比例优势模型来研究的结果上的曝光的效果。通过比例率模型考虑不规则的观察时间,并使用治疗权重的逆概率的一般化来解释连续暴露。我们激励我们的方法,估计的边际(因果)效应的时间花在视频或电脑游戏上的自杀企图在添加健康的研究,在美国的纵向研究。虽然在添加健康数据中,观察时间是预先指定的,但我们提出的方法即使在更一般的环境中也适用,例如当分析来自电子健康记录的数据时,观察结果非常不规则。在模拟研究中,我们让观察时间不同的个人和证明,不占偏置不平衡,由于监测和曝光计划可以偏置曝光的边际比值比的估计。
2021-12-21 stat.ME
kNNSampler: Stochastic Imputations for Recovering Missing Value Distributions
SAP Labs France(SAP法国实验室);EURECOM
kNNSampler通过随机采样最相似单元的观测响应来填补缺失值,能够估计缺失值的条件分布并用于多重填补。
2025-12-02 cs.LG math.ST stat.ME
Interpretable Almost Matching Exactly for Causal Inference
Duke University(杜克大学)
我们的目标是为潜在结果框架中的分类数据创建尽可能高质量的治疗-对照匹配。匹配方法由于其可解释性而在社会科学中大量使用,但大多数匹配方法都不能通过基本的健全性检查:当引入不相关的变量时,它们会失败,并且往往要么计算缓慢,要么产生低质量的匹配。在这项工作中提出的方法的目的是匹配加权汉明距离的单位,考虑到协变量的相对重要性;该算法的目的是匹配尽可能多的相关变量的单位。为此,该算法创建了一个协变量组合的层次结构,在此基础上进行匹配(类似于向下闭包),在此过程中为每个单元解决一个优化问题,以构建最佳匹配。该算法使用一个单一的动态程序来解决所有的优化问题同时进行。我们的方法比现有的匹配程序显着的优点是其高质量的匹配,在处理不同的数据分布,可能有不相关的变量,并能够处理缺失数据尽可能多的可用协变量匹配。
2019-06-08 cs.LG stat.ME stat.ML
Causal inference for interfering units with cluster and population level treatment allocation programs
当一个人的潜在结果取决于个人的治疗水平,但也取决于其他人的治疗水平时,就会产生干扰。在存在干扰的情况下,因果推断文献中的一个常见假设是部分干扰,这意味着群体可以被划分为个体集群,其潜在结果仅取决于同一集群内单元的处理。先前的文献已经定义了在反事实情景下的平均潜在结果,其中治疗被随机分配到集群内的单元。然而,在聚类内,可能存在或多或少可能基于协变量或邻居的处理来接收处理的单元。我们定义了新的估计,描述平均潜在的结果,现实的反事实的治疗分配方案,扩展现有的估计,考虑到单位的协变量和单位之间的依赖性的治疗分配。我们进一步提出了全新的估计,人口水平的干预措施,在集群的集合,这对应于在联邦(与集群或区域)一级的法规的激励设置。我们讨论这些估计,提出无偏估计量,并得出渐近结果的集群数量的增长。最后,我们估计的影响,在一个比较有效的研究发电厂减排技术对环境臭氧污染。
2018-05-14 math.ST stat.ME stat.TH
Design-based theory for covariate adjustment in generalized pairwise comparisons
Mississippi State University(密西西比州立大学);Yale School of Public Health(耶鲁公共卫生学院)
本文提出了一种基于设计的推断框架,用于估计随机实验中的广义因果效应,并探讨了回归调整和方差估计的稳健性。
2026-10-14 math.ST stat.ME stat.TH