Private Causal Inference
因果推断处理识别哪些随机变量“导致”或控制其他随机变量。基于统计估计和机器学习工具的因果推断主题的最新进展已经产生了用于因果推断的实用算法。因果推断有可能对医学研究、疾病预防和控制以及识别影响经济变化的因素产生重大影响。然而，这些用于因果推断的有希望的应用通常是涉及需要保密的用户的敏感或个人数据的应用（例如，医疗记录、个人财务等）。因此，需要开发保护数据隐私的因果推断方法。我们研究了使用当前流行的因果推断框架，加性噪声模型（ANM），同时确保用户的隐私推断因果关系的问题。我们的框架为各种ANM变体提供了不同的隐私保证。我们进行了大量的实验，并证明我们的技术是实用的，易于实现。
2016-08-20 stat.ML
Variational Causal Networks: Approximate Bayesian Inference over Causal Structures
ETH Zurich（苏黎世联邦理工学院）；Mila（米拉人工智能研究所）；Université de Montréal（蒙特利尔大学）；ElementAI；ServiceNow；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）；CIFAR（加拿大高等研究院）
学习数据背后的因果结构是实现强大的现实世界决策的关键一步。因果推理中的大多数现有工作集中于确定单个有向无环图（DAG）或其马尔可夫等价类。然而，一个关键的方面，智能地采取行动的知识因果结构，已推断出从有限的数据要求推理其不确定性。例如，计划干预以了解更多关于管理我们数据的因果机制的信息，需要量化DAG的认知不确定性。虽然贝叶斯因果推理允许这样做，但即使对于少量变量，DAG的后验也变得难以处理。为了克服这个问题，我们提出了一种形式的变分推理的结构因果模型（SCM）的图。为此，我们引入了一个参数变分家庭建模的自回归分布在离散DAG的空间。它的参数数量不会随着变量的数量呈指数增长，并且可以通过最大化证据下限（ELBO）来学习。在我们的实验中，我们证明了所提出的变分后验是能够提供一个很好的近似的真实后验。
2021-06-14 cs.AI cs.LG stat.ML
Sinkhorn Treatment Effects: A Causal Optimal Transport Measure
Department of Statistics, University of Washington, Seattle, WA, USA（华盛顿大学统计学系）；Department of Health Care Policy, Harvard Medical School, Boston, MA, USA（哈佛医学院医疗政策系）
本文提出Sinkhorn治疗效应，作为因果分布差异的熵最优传输度量，通过核方法构建去偏估计器，并提出聚合检验方法以提高测试效力。
2026-05-08 cs.LG math.ST stat.ME
Towards Causal Foundation Model: on Duality between Causal Inference and Attention
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）；Microsoft Research Cambridge（微软研究院剑桥分部）
本文提出基于注意力的因果推断方法CInA，利用无标签数据集进行自监督学习，通过最优协变量平衡与自注意力机制的对偶联系实现零样本因果推断，在分布外和真实数据集上表现优异，为因果基础模型发展奠定基础。
2024-06-03 cs.AI cs.LG stat.ME
From Causal Discovery to Dynamic Causal Inference in Neural Time Series
Lucy Family Institute for Data & Society（数据与社会卢西家族研究所）；University of Notre Dame（诺克斯达大学）；Political Science University of Notre Dame（政治学诺克斯达大学）
提出动态因果网络自回归（DCNAR）两阶段框架，通过神经自回归因果发现学习稀疏有向因果网络，并将其作为结构先验用于时变神经网络自回归，实现无需预设网络结构的动态因果推断。
2026-06-04 cs.AI cs.LG stat.AP
Causal Bandits: Learning Good Interventions via Causal Inference
Australian National University（澳大利亚国立大学）；Data61/NICTA（Data61/国家信息与通信技术研究院）；University of Alberta（阿尔伯塔大学）
我们研究了使用因果模型来提高在随机环境中可以在线学习良好干预措施的速度的问题。我们的形式主义相结合的多臂土匪和因果推断模型的一种新型的土匪反馈，不利用现有的方法。我们提出了一个新的算法，利用因果反馈，并证明其简单的遗憾，严格优于（在所有数量）比不使用额外的因果信息的算法的约束。
2016-06-10 cs.LG stat.ML
A Topological Perspective on Causal Inference
Stanford University（斯坦福大学）
本文提出了一个拓扑学习理论的因果推理的角度，通过引入一系列的拓扑定义的一般空间的结构因果模型（SCM）。作为一个说明的框架，我们证明了拓扑因果层次定理，表明实质性的无约束因果推理是可能的，只有在一个微薄的SCM集。由于一个已知的弱拓扑和统计上可验证的假设之间的对应关系，我们的研究结果表明，归纳假设足以许可有效的因果推理是统计上不可验证的原则。类似于统计推断的无免费午餐定理，本研究结果澄清了因果推断的实质性假设的必然性。我们的拓扑方法的另一个好处是，它很容易容纳SCM无限多个变量。最后，我们建议，该框架可能有助于积极的项目，探索和评估替代的因果关系归纳假设。
2022-05-31 cs.AI cs.LG stat.ME
Entropic Causality and Greedy Minimum Entropy Coupling
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；California Institute of Technology（加州理工学院）
研究了从观测数据中识别两个离散随机变量之间因果关系的问题。我们最近提出了一个新的框架，称为熵因果关系，它在一个非常一般的功能模型中工作，但假设未观察到的外生变量在真正的因果方向上具有小熵。这个框架需要解决一个最小熵耦合问题：给定m个离散随机变量的边际分布，每个在n个状态上，找到具有最小熵的联合分布，它尊重给定的边际。这对应于最小化由nm个线性约束定义的凸多面体上的nm个变量的凹函数，称为运输多面体。不幸的是，它最近表明，这个最小熵耦合问题是NP-难的，即使是2个变量的n个状态。即使在这个空间上表示点（联合分布），如果简单地完成，也可能需要指数复杂度（以n，m为单位）。在我们最近的工作中，我们引入了一个有效的贪心算法，找到这个问题的近似解。在本文中，我们分析了该算法，并建立两个结果：我们的算法总是找到一个局部最小值，也是在一个加性的近似误差从未知的全球最佳。
2017-01-28 cs.AI cs.IT math.IT
Which causal structures might support a quantum-classical gap?
因果情景是描述实验中所有相关变量之间因果关系的图表。如果没有独立于装置的方法来区分经典物理学的预测与任何广义概率理论（包括量子力学），则一种情况被认为是“不感兴趣的”。相反，一个有趣的情况是，在不同的操作概率理论的预测之间存在差距，例如在贝尔型实验中发生。Henson，Lal和Pusey（HLP）最近提出了一个因果情景不有趣的充分条件。在本文中，我们补充他们的分析与一些新的技术和结果。我们首先表明，现有的图形技术，由于埃文斯可以用来确认检查，许多图形是有趣的，而不必明确搜索不等式违反。对于HLP中编号为15，16，20的图，我们证明了存在非Shannon型熵不等式，这意味着这些图是有趣的.在这样做的时候，我们发现，现有的方法熵不等式可以大大提高条件的特定值的某些变量。
2017-04-25 math.ST quant-ph stat.TH
Valid Inference After Causal Discovery
University of California, Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
本研究针对因果发现后估计效应时的“双重 dipping”问题，提出有效推断工具，在保证覆盖率的同时提升因果发现准确性。
2024-08-19 cs.LG stat.ME stat.ML
Probabilistic Modelling is Sufficient for Causal Inference
University of Cambridge（剑桥大学）
本文表明，概率建模足以回答因果推断问题，无需专门的因果工具或符号。
2025-12-29 cs.LG stat.ME stat.ML
Computational Causal Inference
Netflix
我们介绍计算因果推断作为一个跨学科领域的因果推断，算法设计和数值计算。该领域旨在开发专门从事因果推断的软件，这些软件可以以高性能，通用和鲁棒的方式分析具有各种因果效应的海量数据集。对软件的关注提高了研究的灵活性，并使因果推断能够容易地集成到大型工程系统中。特别是，我们使用计算因果推断来加深因果推断、在线实验和算法决策之间的关系。本文描述了新的领域，需求，可扩展性的机会，开放的挑战，并开始讨论社区如何能够团结起来，以解决扩展因果推断和决策的挑战。
2020-07-21 cs.LG stat.CO
Causal Inference through a Witness Protection Program
因果推断中最基本的问题之一是当变量混杂时对因果效应的估计。这在观察性研究中是困难的，因为没有直接证据表明所有混杂因素都已调整。我们介绍了一种新的方法来估计因果效应，利用观测条件独立性，建议在一个未知的因果图中的“弱”路径。Spirtes等人广泛使用的忠诚条件被放宽，以允许不同程度的“路径取消”，这意味着条件独立，但不排除存在混淆的因果路径。结果是通过线性规划方法和贝叶斯推断的平均因果效应的界上的后验分布。我们主张这种方法应该与观察性研究中的其他默认工具一起用于常规实践。
2014-10-30 stat.ML
Black Box Causal Inference: Effect Estimation via Meta Prediction
New York University（纽约大学）；Genentech（基因泰克）；Center for Data Science, New York University（纽约大学数据科学中心）；Prescient Design, Genentech（基因泰克预见设计部）
本文提出黑盒因果推断（BBCI），将因果效应估计转化为数据集层面的元预测问题，通过从采样的数据集-效应对中学习构建估计器，在多个因果推断问题上准确估计ATE和CATE。
2025-03-07 cs.AI cs.LG stat.CO
Consistency of Causal Inference under the Additive Noise Model
Toyota Technological Institute-Chicago（芝加哥丰田理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
我们分析了一个家庭的统计因果推断的方法，从所谓的加性噪声模型下的样本。虽然大多数关于这个问题的工作都集中在建立加性噪声模型的可靠性，统计一致性的推断方法很少受到关注。我们推导出一般条件下，给定的家庭的推理方法一致推断的因果方向在非参数设置。
2014-02-05 cs.LG stat.ML
Causal inference using deep neural networks
Carnegie Mellon University（卡内基梅隆大学）
从观测数据中进行因果推断是许多科学领域的核心问题。在这里，我们提出了一个通用的监督深度学习框架，通过将输入向量转换为每对输入的图像表示来推断因果交互。给定一个训练数据集，我们首先构建一个标准化经验概率密度分布（NEPDF）矩阵。然后，我们训练一个卷积神经网络（CNN）的因果关系预测的NEPDF。我们在几个不同的模拟和真实世界的数据上测试了该方法，并将其与先前的因果推理方法进行了比较。正如我们所展示的，该方法是通用的，可以有效地处理非常大的数据集，并改进了以前的方法。
2020-11-25 cs.LG stat.ML
A Survey of Causal Inference Frameworks
因果推断是一门多学科发展和应用的科学。一方面，它基于试验设计和严格的统计推断来衡量观察数据中的治疗效果，以得出因果关系陈述。潜在结果框架是量化因果效应最有影响力的框架之一。另一方面，因果图模型利用有向边来表示因果关系，并对图中变量之间的条件独立关系进行编码。从图中读出条件独立句和重构因果结构两个方面都做了一系列的研究。近年来，对因果推断的最新研究开始将不同的因果推断框架统一起来。本综述旨在回顾过去关于因果推断的工作，主要集中在潜在结果框架和因果图模型。我们希望这一调查将有助于加快理解因果推断在不同领域。
2022-09-02 stat.ME
Deep End-to-end Causal Inference
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Cambridge（剑桥大学）；Microsoft Research（微软研究院）；G-Research
因果推断对于跨业务参与、医疗和政策制定等领域的数据驱动决策至关重要。然而，因果发现的研究已经从推理方法中独立出来，阻止了两个领域的方法的直接结合。在这项工作中，我们开发了深度端到端的因果推断（DECI），一个基于单流的非线性加性噪声模型，采用观测数据，可以执行因果发现和推理，包括条件平均处理效应（CATE）估计。我们提供了一个理论上的保证，DECI可以恢复标准的因果发现假设下的地面真相因果图。出于应用程序的影响，我们将此模型扩展到具有缺失值的异构混合类型数据，允许连续和离散的治疗决策。我们的研究结果显示，与因果发现和（C）ATE估计的相关基线相比，DECI在一千多个实验中具有竞争力的性能，这些实验涉及合成数据集和因果机器学习基准，跨越数据类型和缺失程度。
2022-06-20 cs.LG stat.ML
Justifying Information-Geometric Causal Inference
信息几何因果推断（IGCI）是一种区分两个变量因果关系的新方法。它基于输入分布和因果机制之间的独立性假设，可以用信息空间中的正交性来表述。我们描述了两个直观的重新解释这种方法，使IGCI更容易获得更广泛的受众。此外，我们证明了所描述的独立性与无监督学习和半监督学习只适用于从结果预测原因而不是相反的假设有关。
2014-02-11 stat.ML
A calculus for causal inference with instrumental variables
在因果推理的一般结构方程框架下，我们定义了一个变量X对另一个变量Y的因果效应，并提出了一种通过使用工具变量来估计这种因果效应的方法。
2021-04-23 math.ST stat.ME stat.TH
Inference of Causal Effects when Control Variables are Unknown
Uppsala University（乌普萨拉大学）
因果效应推理的传统方法通常依赖于指定一组有效的控制变量。当这个集合是未知的或错误指定的时候，推论就会出错。我们提出了一种方法来推断平均因果效应时，所有潜在的混淆观察，但控制变量是未知的。当数据生成过程属于非循环线性结构因果模型类时，我们证明了该方法产生渐近有效的置信区间。我们的结果建立在一个光滑的线性有向无环图的特征。我们验证了该方法的能力，以产生有效的置信区间的平均因果效应，使用合成数据，即使当控制变量的适当规格是未知的。
2021-06-11 cs.LG stat.ME stat.ML
Probabilistic Matching: Causal Inference under Measurement Errors
每天从各种各样的来源产生的丰富的数据，促进了对从观测数据进行因果推断分析的新方法的需求。观测数据通常包含噪声或缺失的条目。此外，因果推断研究可能需要未观察到的高级信息，这些信息需要从其他观察到的属性中推断出来。在这种情况下，所应用的推理方法的不准确性将导致噪声输出。在这项研究中，我们提出了一种新的方法，当一个或多个关键变量是嘈杂的因果推断。我们的方法利用知识的不确定性的实际值的关键变量，以减少由噪声测量引起的偏差。我们评估我们的方法与现有的方法相比，模拟和真实的情况下，我们表明，我们的方法减少了偏见，避免在大多数情况下错误的因果推断结论。
2017-03-13 stat.CO stat.ME stat.ML
Causal Inference Using Tractable Circuits
University of California, Los Angeles（加州大学洛杉矶分校）
本文的目的是讨论最近的一个结果表明，概率推理（未知）的因果机制的存在下，传统上被视为棘手的模型可以是易处理的。这一结果最近被报道，以促进基于模型的监督学习，但它可以解释在因果关系的上下文中如下。人们可以将非参数因果图编译成算术电路，该算术电路支持在电路大小中时间线性的推断。该电路也是非参数的，因此它可以用于从数据中估计参数，并进一步推理（在线性时间内）由这些估计参数化的因果图。此外，电路的大小有时可以是有界的，甚至当因果图的树宽不是，导致在模型上的易处理的推理，以前被认为是棘手的。这已经通过一种新技术实现，该技术可以在计算上利用因果机制，但不需要知道它们的身份（因果推理中的经典设置）。我们的目标是提供一个以因果关系为导向的暴露这些新的结果，并推测它们如何可能有助于更可扩展和通用的因果推理。
2022-02-07 cs.AI cs.CC cs.LG
On Measurement Bias in Causal Inference
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文讨论了因果推断中的测量误差问题，并着重介绍了几种消除这种误差引起的系统偏差的代数和图解方法。特别地，本文讨论了参数和非参数模型中部分可观测混杂因素的控制以及在这类模型中获得无偏效应估计的计算问题。
2012-03-15 cs.AI stat.ME
A Novel Computational Framework for Causal Inference: Tree-Based Discretization with ILP-Based Matching
Department of Mechanical and Industrial Engineering（机械与工业工程系）
本文提出结合基于树的离散化技术与基于整数线性规划的匹配算法，以提升因果推断中的计算效率和ATT估计的准确性。
2026-05-06 cs.LG stat.ML
Semidefinite tests for latent causal structures
测试概率分布是否与给定的贝叶斯网络兼容是因果推断领域的基本任务，其中贝叶斯网络对因果关系进行建模。在这里，我们考虑一类因果结构，其中观测量之间的所有相关性完全是由于潜变量的影响。我们表明，这种类型的每个模型施加一定的签名的可观察的协方差阵在一个特定的分解成半正定分量。这个签名，因此潜在的假设的潜在结构，可以通过半定编程在计算上有效的方式进行测试。这与考虑全部可观测的概率分布所需的代数几何工具形成鲜明对比。半定测试相比，测试的基础上熵不等式。
2017-01-03 math.ST quant-ph stat.ML
Causal Inference Isn't Special: Why It's Just Another Prediction Problem
Hong Kong University of Science and Technology（香港理工大学）
本文提出因果推断本质上是分布偏移下的预测问题，通过重加权和域适应等预测技术可直接应用，从而简化其逻辑并提升可及性。
2025-07-09 cs.LG stat.ME stat.ML
Applied Causal Inference Powered by ML and AI
MIT（麻省理工学院）；Chicago Booth（芝加哥大学布斯商学院）；Cornell University（康奈尔大学）；Hamburg University（汉堡大学）；Stanford University（斯坦福大学）
该书聚焦机器学习与因果推断的新兴融合方向，讲解经典结构方程模型及对应的有向无环图、结构因果模型等AI因果框架，介绍双重/去偏机器学习方法以用现代预测工具实现因果推断。
2024-03-04 cs.LG econ.EM stat.ME
Deep Learning for Causal Inference: A Comparison of Architectures for Heterogeneous Treatment Effect Estimation
本文提出 Bayesian Causal Forest 算法的全连接神经网络实现，用于异质性处理效应估计，并在模拟数据和压力影响睡眠的数据集中验证其性能提升。
2024-05-06 cs.LG stat.ML
A Primer on Deep Learning for Causal Inference
UCLA（加州大学洛杉矶分校）；Northwestern Kellogg School of Management（西北大学凯洛格管理学院）；University of Chicago（芝加哥大学）；Harvard Medical School（哈佛医学院）；Santa Fe Institute（圣塔菲研究所）
本文系统综述了基于深度神经网络的因果推断方法，重点介绍异质性处理效应估计、非线性及文本/网络/图像混杂场景，并提供 TensorFlow 2 实现教程。
2023-11-28 cs.LG econ.EM stat.ME
Bayesian Causal Inference: A Critical Review
本文对基于潜在结果框架的因果推断的贝叶斯观点进行了评述。我们回顾了因果被估量、识别假设、因果效应贝叶斯推断的一般结构和敏感性分析。我们强调的问题是独特的贝叶斯因果推断，包括倾向得分的作用，可识别性的定义，先验的选择，在低维和高维制度。我们指出协变量重叠的核心作用，更一般的设计阶段，贝叶斯因果推断。我们将讨论扩展到两个复杂的分配机制：工具变量和随时间变化的治疗。在整个过程中，我们通过例子来说明关键概念。
2022-10-23 stat.AP stat.ME
Causal Inference with Deep Causal Graphs
Universitat de Barcelona（巴塞罗那大学）
参数因果建模技术很少提供反事实估计的功能，往往以建模复杂性为代价。由于因果估计依赖于用于对数据进行建模的函数族，因此过于简单的模型可能会导致生成机制的不精确表征，从而导致不可靠的结果。这限制了它们对现实生活数据集的适用性，这些数据集具有非线性关系和变量之间的高度相互作用。我们提出了深度因果图（Deep Causal Graphs），这是对神经网络建模因果分布所需功能的抽象规范，并提供了满足此契约的模型：规范化因果流。我们展示了它的表达能力，在建模复杂的相互作用和展示应用程序的方法，机器学习的可解释性和公平性，使用真正的因果反事实。
2020-06-15 cs.LG cs.NE stat.ML
Bayesian causal inference for count potential outcomes
计数建模的文献提供了有用的工具，进行因果推断时，结果采取非负整数值。应用到潜在的结果框架，我们链接贝叶斯因果推断文献计数数据的统计模型。我们讨论了构建缺失潜在结果的预测后验的一般架构考虑。估计平均处理效应的特殊考虑进行了讨论，一些概括某些关系和一些尚未遇到的因果推断文献。
2020-08-07 stat.ME
Some Reflections on Drawing Causal Inference using Textual Data: Parallels Between Human Subjects and Organized Texts
University of Pennsylvania（宾夕法尼亚大学）
我们研究的作用，文本数据作为研究单位进行因果推理时，绘制人类受试者和有组织的文本之间的相似之处。%的人口研究。我们详细阐述了关键的因果概念和原则，并揭示了一些模糊性，有时甚至是谬误。为了便于更好地构建因果查询，我们讨论了两种策略：（i）从不变的特征转移到对它们的感知，以及（ii）从一些抽象概念/属性转移到其组成部分，即，从建构主义的角度看待抽象概念。我们希望这篇文章能提高人们对阐明和澄清基本概念的重要性的认识，然后再深入研究使用文本数据进行因果推理时的方法。
2022-02-02 cs.CL cs.LG stat.AP
Bayesian Doubly Robust Causal Inference via Posterior Coupling
Tokyo Medical University（东京医科大学）；Tokyo University of Science（东京理科大学）；Keio University（庆应义塾大学）
本文提出一种通过后验耦合和熵倾斜实现的贝叶斯双重稳健因果推断方法，解决了联合建模中的反馈问题，提升了估计的准确性和效率。
2026-01-02 stat.ME
An Overview of Causal Inference using Kernel Embeddings
University of Adelaide（阿德莱德大学）
本文综述了核嵌入方法在因果推断领域的应用，介绍其通过将概率测度映射到RKHS实现灵活分布表示，为解决观测数据的因果识别与效应估计等问题提供鲁棒非参数框架。
2024-10-30 cs.LG stat.ME stat.ML
Causal Inference: A Missing Data Perspective
推断治疗的因果效应是许多学科的中心目标。潜在结果框架是因果推断的主要统计方法，其中因果效应被定义为在不同治疗条件下相同单位的潜在结果的比较。因为对于每个单元，最多观察到一个潜在结果，而其余结果缺失，所以因果推断本质上是一个缺失数据问题。事实上，因果推断和缺失数据之间在术语和推理框架上有着密切的相似之处。尽管这两个学科之间存在着内在的联系，但因果推断和缺失数据的统计分析在目的、设置和方法上也存在着明显的差异。本文从缺失数据的角度对因果推断进行了系统的综述。针对可验证的治疗分配机制，我们讨论了广泛的因果推断方法，这些方法在缺失数据分析中具有类似性，例如插补，逆概率加权和双稳健方法。在每一个三种模式的推理-频率，贝叶斯和Fisherian随机化-我们提出了一般结构的推理有限样本和超人口估计，并通过具体的例子说明。我们确定了开放的问题，以激励更多的研究，以弥合这两个领域。
2018-01-03 stat.ME
Causal inference in drug discovery and development
University of Bergen（卑尔根大学）；Roche Innovation Centre Basel（罗氏创新中心巴塞尔）；University of Basel（巴塞尔大学）
本文面向药物研发从业者，以非技术方式介绍因果推断的基本概念，回顾其在药物发现与开发中的近期应用，并分析采用因果语言带来的机遇与挑战。
2022-09-29 cs.LG q-bio.QM stat.AP
DoWhy: An End-to-End Library for Causal Inference
Microsoft Research（微软研究院）
除了有效的治疗效果的统计估计，因果推断的成功应用需要指定的机制，观察数据和测试他们是否是有效的，在何种程度上的假设。然而，大多数用于因果推断的库仅关注于提供强大的统计估计器的任务。我们描述了DoWhy，一个开源Python库，它是以因果假设作为一等公民构建的，基于因果图的正式框架来指定和测试因果假设。DoWhy提供了一个API，用于任何因果分析常见的四个步骤--1）使用因果图和结构假设对数据进行建模，2）确定在因果模型下是否可以估计期望的效果，3）使用统计估计器估计效果，最后4）通过稳健性检查和敏感性分析反驳所获得的估计。特别是，DoWhy实现了许多鲁棒性检查，包括安慰剂测试，bootstrap测试和未观察到的混淆测试。DoWhy是一个可扩展的库，支持与其他实现的互操作性，例如用于估计步骤的EconML和CauseML。该库可在https://github.com/microsoft/dowhy上获得
2020-11-09 cs.AI cs.MS econ.EM
Note on the Delta Method for Finite Population Inference with Applications to Causal Inference
本文探讨Delta方法与有限总体中心极限定理结合，以推导因果估计量的渐近分布和方差，并通过因果比率估计量示例展示其应用。
2022-06-01 stat.ME
Comment: Causal Inference in the Medical Area
医学领域因果推理述评[数学.ST/0612783]
2006-12-27 math.ST stat.TH
Causal Inference in Travel Demand Modeling (and the lack thereof)
本文是关于我们在实践和文献中看到的普遍脱节，在出行需求建模和因果推断的学科之间。在本文中，我们断言，旅游需求建模应该是许多领域之一，专注于生产有效的因果推断，我们假设的原因，目前的研究两个机构之间的脱节。此外，我们探讨了联合这两个学科的潜在好处。我们认为什么样的旅游需求建模可以从更大的纳入技术和观点的因果推断文献，我们简要讨论了什么样的因果推断文献可能会从旅游需求建模者的工作。在本文中，我们不试图“解决”有关的问题，从旅游需求模型的因果推断。相反，我们希望在出行需求建模和因果推断文献内部和之间引发更大的讨论。特别是，我们希望引发讨论的必要性，绘制因果推断在旅游需求的应用程序和方法，其中一个可能合理地这样做。
2017-12-07 stat.AP
When Is Causal Inference Possible? A Statistical Test for Unmeasured Confounding
本文提出一种结合随机对照试验与观测数据的统计检验，用于判断无未测量混杂假设是否成立，从而评估现实数据是否适合因果推断。
2025-08-28 stat.ME
Causal inference from $2^k$ factorial designs using the potential outcomes model
本文提出了一个从两水平析因设计中进行因果推断的框架。该框架利用的概念，潜在的结果，在于在中心阶段的因果推断和扩展奈曼的重复抽样方法的因果效应估计和随机化测试的基础上，费舍尔的尖锐的原假设的情况下，2-水平析因实验。该框架允许从有限的人口统计推断，允许定义和估计的被估量以外的“平均因子效应”，并导致更灵活的推理程序比那些基于普通最小二乘估计从线性模型。
2012-11-16 math.ST stat.AP stat.ME
Covariate adjustment in randomization-based causal inference for 2K factorial designs
本文建立了2K析因设计中基于随机化的因果推断中协变量调整的有限总体渐近理论。特别是，我们证实了因子效应的未调整和协变量调整估计量都是渐近正态的，并且后者比前者更精确。
2016-07-12 stat.ME
Causal inference for data centric engineering
本文回顾了从观测数据中寻求因果推断的方法，并演示了如何将其应用于工程研究中的经验问题。它提出了一个框架的基础上的概念，潜在的结果和审查的核心当代方法，可用于估计因果数量的因果关系识别。该文件有两个目的：首先，为以数据为中心的工程社区提供有关因果推断的统计文献的综合概述;其次，说明因果概念和方法如何应用。后一个目标是通过蒙特卡罗模拟来实现的，该模拟旨在复制工程研究中遇到的典型经验问题。模拟的R代码可供读者运行和调整，并引用了现实世界的研究。因果推断旨在量化非实验环境中由于明确干预（或"治疗"）而发生的效应，通常用于非随机分配的治疗。本文认为，工程干预的分析往往具有这样的条件，因此，因果推断具有直接和有价值的适用性。
2022-11-24 stat.AP
Semiparametric theory and empirical processes in causal inference
在本文中，我们回顾了重要方面的半参数理论和经验过程中出现的因果推理问题。我们首先简要介绍因果推断的一般问题，然后讨论半参数模型下因果效应的估计和推断，半参数模型允许数据生成过程的部分不受限制，如果它们不是特别感兴趣的（即，滋扰功能）。这些模型在因果问题中非常有用，因为结果过程通常很复杂，很难建模，并且可能只有关于治疗过程的信息（充其量）。半参数理论提供了一个框架，基准效率和建设估计在这样的设置。在本文的第二部分，我们讨论了经验过程理论，它提供了强大的工具，了解半参数估计的渐近行为，依赖于灵活的非参数估计的滋扰功能。这些工具对于将机器学习和其他现代方法纳入因果推理分析至关重要。最后，我们检查相关的扩展和未来的工作方向半参数因果推理。
2016-07-22 math.ST stat.TH
Causal inference with confounders missing not at random
从观察性研究中得出因果推断是很重要的，但是，如果混杂因素有缺失值，这将变得具有挑战性。一般来说，如果混杂因素是非随机缺失，则无法识别因果效应。我们提出了一个新的框架，以非参数识别因果关系的影响与混杂因素的结果无关的missingness，即缺失数据的机制是独立的结果，给定的治疗和可能的缺失混杂因素。然后，我们提出了一个非参数两阶段最小二乘估计和因果效应的参数估计。
2019-02-01 stat.ME
Multiply robust dose-response estimation for multivalued causal inference problems
针对多值处理的因果推断问题，提出了一种多重稳健（MR）剂量反应估计方法。我们结合了一个家庭的广义倾向得分（GPS）模型和家庭的结果回归（OR）模型，以实现平均潜在的结果估计是一致的，如果在每个家庭中只有一个GPS或OR模型是正确指定的。我们提供的证据和模拟，证明多个鲁棒性的背景下，多值因果推断问题。
2017-05-17 stat.ME
Data Integration in Causal Inference
整合来自多个异质来源的数据已变得越来越流行，以实现大样本量和多样化的研究人群。本文回顾了因果推断方法的发展，该方法结合了从潜在异质性人群中通过潜在不同设计收集的多个数据集。我们总结了随机临床试验与观察性研究或历史对照的外部信息相结合的最新进展，当没有单个样本具有所有相关变量时，将样本组合起来应用于双样本孟德尔随机化，在隐私问题下使用真实世界数据进行比较有效性和安全性研究的分布式数据设置，贝叶斯因果推断和因果发现方法。
2021-10-03 stat.ME
A Forecaster's Review of Judea Pearl's Causality: Models, Reasoning and Inference, Second Edition, 2009
Central University of Finance and Economics（中央财经大学）
本文从预测者视角评述 Pearl《因果论》第二版，展示预测场景中的因果推断策略，并探讨时间序列预测中反事实建模、不确定性估计与先验知识融合的益处和挑战。
2023-08-10 cs.LG stat.AP stat.ME
On robust Bayesian causal inference
Athens University of Economics and Business（雅典大学经济与商业学院）
针对纵向观测数据因果推断中现有方法因结构假设误设易产生估计偏差的问题，本文提出基于广义贝叶斯推断的稳健因果推断框架，通过恰当评分规则调优学习率，经仿真与真实数据验证可提升因果效应估计的校准度、锐度与稳健性。
2025-11-19 stat.ME
Statistical causal inference methods for observational research in PER: a primer
本文针对物理教育研究（PER）中观察数据的因果推断问题，介绍了统计因果推断的基本原理与方法，并通过模拟数据阐明混杂因素与中介变量的控制原则，最终提出观察研究应致力于为未来干预研究提供预测。
2023-05-23 physics.ed-ph stat.ME
Quantifying Sufficient Randomness for Causal Inference
虚假关联来自于治疗倾向和个体结局风险之间的协方差。对于具有随机反事实的敏感性分析，我们引入了一种方法来表征自然实验和准实验中因果推断的不确定性。我们的敏感性参数是倾向和个体风险变化的标准化度量，1减去其几何平均值是数据生成过程中随机性的直观度量。在我们的潜在倾向风险模型中，我们展示了如何从列联表数据计算一个阈值，$T$，足够的随机性因果推断。如果数据生成过程的实际随机性超过该阈值，则保证因果推断。
2021-03-09 stat.ME
