Doubly robust causal inference through penalized bias-reduced estimation: combining non-probability samples with designed surveys
针对非概率样本因果推断中的选择偏差与高维协变量挑战，提出一步插入式双重稳健估计量，通过最小化平方渐近偏差构建惩罚估计方程，实现高维环境下的有效推断并验证了双重稳健性。
2024-03-26 stat.ME
Doubly Robust Quadratic Inference Functions for Causal Inference in Cluster Randomized Trials
University of Michigan（密歇根大学）
提出双重稳健二次推断函数（DR-QIF）估计量，结合倾向得分和结果回归模型，在整群随机试验中处理协变量不平衡，当任一模型正确指定时一致估计平均处理效应，且在错误指定工作相关结构时比双重稳健GEE更有效。
2026-06-26 stat.ME
Bayesian Doubly Robust Causal Inference via Posterior Coupling
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
Doubly robust treatment effect estimation with missing attributes
缺失属性在因果推断中是普遍存在的，就像在大多数应用统计工作中一样。在本文中，我们考虑各种假设下，因果推断是可能的，尽管缺失的属性和讨论相应的方法，平均处理效应估计，包括广义倾向得分法和多重插补。在广泛的模拟研究中，我们表明，没有一种方法系统地优于其他方法。然而，我们发现，双稳健的修改标准方法的平均处理效应估计与缺失数据反复执行优于其非双稳健的基线，例如，双稳健的广义倾向得分方法击败逆加权与广义倾向得分。这一发现在一项关于在重症监护管理背景下给予氨甲环酸对创伤性脑损伤患者死亡率影响的观察研究分析中得到了加强。在这里，双稳健估计恢复置信区间是一致的随机试验的证据，而非双稳健估计不。
2020-05-22 stat.ME
Auto-Doubly Robust Estimation of Causal Effects on a Network
本文提出了一种基于网络的双重稳健估计方法，用于估计网络中因果效应，结合倾向分数和结果模型，解决长程依赖和干扰问题。
2025-11-21 stat.ME
A Tutorial on Doubly Robust Learning for Causal Inference
本教程讲解结合倾向评分与结果建模的双重稳健学习，并通过 EconML 和模拟案例降低其在观测数据因果推断中的使用门槛。
2024-07-08 cs.LG math.ST stat.ME
Why Is the Double-Robust Estimator for Causal Inference Not Doubly Robust for Variance Estimation?
本文探讨了因果推断中双重稳健估计器在方差估计中的局限性，并提出混合框架方法以实现有效推断。
2025-11-22 stat.ME
Variable Selection for Doubly Robust Causal Inference
混杂控制对于基于观察性研究的因果推断来说至关重要，但也具有挑战性。在典型的无混淆假设下，增广逆概率加权（AIPW）因其双重稳健性而被广泛用于估计平均因果效应（ACE），因为它依赖于正确指定的倾向得分模型或结果均值模型。为了确保关键假设成立，通常会努力收集足够丰富的预处理变量集，从而使变量选择势在必行。众所周知，为准确预测而针对倾向得分的变量选择可以通过包括工具变量来产生可变ACE估计量。因此，许多最近的工作建议选择所有的结果预测混杂控制和有效的估计。本文表明，AIPW估计与变量选择的目标是有效的估计可能会失去理想的双重鲁棒性。相反，我们建议控制任何协变量的倾向得分模型，该协变量是治疗或结局或两者的预测因子，这保留了AIPW估计量的双重稳健性。利用这一原则，我们提出了一个两阶段的过程与惩罚变量的选择和AIPW估计估计。我们所提出的程序的好处，从理想的双重鲁棒性。我们评估有限样本性能的AIPW估计与各种变量的选择标准，通过模拟和应用。
2023-01-26 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
A doubly robust estimator for the Mann Whitney Wilcoxon Rank Sum Test when applied for causal inference in observational studies
针对现有MWWRST双重稳健估计量的各类局限，研究基于函数响应模型（FRM）开发新的双重稳健估计量，并通过模拟与真实数据验证其性能，用于观察性研究的因果推断。
2024-03-11 stat.ME
Sufficient Dimension Reduction for Feasible and Robust Estimation of Average Causal Effect
在观察性研究中估计处理效应时，我们使用半参数局部有效降维方法评估治疗分配机制和治疗组和非治疗组的平均缓解。然后，我们整合所有的结果，通过填补，逆概率加权和双重鲁棒增强估计。当响应模型正确时，双稳健估计是局部有效的，而插补估计是超有效的。为了利用这两个过程，我们引入了一个收缩估计自动结合两者，它保留了双重鲁棒性，同时提高响应模型正确时的方差。我们通过模拟实验和一个真实的数据集，母亲吸烟对婴儿出生体重的影响，证明了这些估计的性能。关键词和短语：平均处理效应，双重稳健估计，效率，逆概率加权，收缩估计。
2018-11-05 stat.ME
The How and Why of Bayesian Nonparametric Causal Inference
受最近因果推断竞赛的成功的鼓舞，贝叶斯非参数（和高维）方法最近在因果推断文献中受到越来越多的关注。在本文中，我们提出了一个全面的概述贝叶斯非参数应用因果推断。我们的目标是（i）介绍基本的贝叶斯非参数工具包;（ii）讨论如何确定哪种工具最适合给定的问题;（iii）展示如何避免在高维环境中应用贝叶斯非参数方法的常见陷阱。不像标准的固定维参数问题，其中单独的结果建模有时是有效的，我们认为，在大多数情况下，它是必要的选择和结果的过程建模。
2022-01-10 stat.ME
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
Causal Inference in high dimensions: A marriage between Bayesian modeling and good frequentist properties
我们介绍了一个框架，估计因果关系的二元和连续的治疗在高维。我们展示了如何治疗和结果模型的后验分布可以与双稳健估计一起使用。本文提出了一种双稳健估计的不确定性量化方法，该方法利用模型参数的后验分布，（1）在小样本下具有良好的频率论性质，（2）基于单个MCMC，（3）改进了依赖于渐近性质的频率论不确定性度量。我们表明，我们提出的方差估计策略是一致的，当两个模型被正确指定，它是保守的有限样本或当一个或两个模型被错误指定。我们考虑了一个灵活的框架，用于在贝叶斯范式内对治疗和结果过程进行建模，该框架可以减少模型依赖性，适应非线性，并实现协变量空间的降维。我们说明了所提出的方法灵活地估计高维度的因果效应和适当量化不确定性的能力，并表明它相对于现有方法表现良好。最后，我们估计了连续环境暴露对胆固醇和甘油三酯水平的影响。R包可在github.com/jantonelli111/DoublyRobustHD上获得。
2020-10-02 stat.ME
On robust Bayesian causal inference
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
Doubly-Valid/Doubly-Sharp Sensitivity Analysis for Causal Inference with Unmeasured Confounding
Princeton University（普林斯顿大学）；Stanford University（斯坦福大学）；Cornell University（康奈尔大学）
我们考虑的问题构建界限的平均处理效应（ATE）时，不可测的混杂因素存在，但有界的影响。具体来说，我们假设省略的混杂因素不能改变任何单位的治疗几率超过一个固定的因素。我们推导出这个假设所隐含的尖锐的部分识别界限，利用分布鲁棒优化，我们提出了一些新的鲁棒性这些界限的估计。第一个是双重清晰度：当两个干扰参数中的一个被错误指定时，我们的估计器一致地估计尖锐的ATE界限，并且当所有干扰参数适当地一致时，我们的估计器实现半参数效率。二是双重有效性：即使当大多数干扰参数被错误指定时，我们的估计仍然提供有效的但可能保守的ATE界限，并且即使当我们的估计不是渐近正态时，我们的Wald置信区间仍然有效。因此，我们的估计提供了一个高度可信的方法敏感性分析的因果推断。
2022-07-22 cs.LG econ.EM math.OC
Doubly Robust Inference in Causal Latent Factor Models
Columbia University（哥伦比亚大学）；Cornell Tech（康奈尔科技学院）
针对数据丰富场景下未观测混杂的平均处理效应估计问题，提出结合结果插补、逆概率加权与新型矩阵补全交叉拟合的双稳健估计量，证明其参数速率收敛的统计性质并通过仿真验证有效性。
2024-10-29 cs.LG econ.EM stat.ME
Causal inference under mis-specification: adjustment based on the propensity score
我们通过倾向得分回归研究了贝叶斯因果推断方法。大部分关于倾向得分方法的贝叶斯文献都依赖于在传统的“似然时间先验”后验推断的背景下不能被视为完全贝叶斯的方法;此外，大多数方法依赖于参数和分布假设，以及假定的正确规范。我们强调，因果推断通常是在设置错误的规格，并制定战略，充分贝叶斯推断，反映这一点。我们专注于决策理论的参数的基础上的方法，并展示如何推断损失最小化的基础上，可以得到有效的和充分的贝叶斯推断。我们提出了一种计算方法的基础上的贝叶斯自助具有良好的贝叶斯和频率属性的推断。
2022-01-30 stat.ME
Flexible Doubly Robust Proximal Causal Inference for Censored Outcomes
Duke University（杜克大学）
针对未观测混杂下右删失时间-事件结局的因果效应估计难题，提出灵活双重鲁棒近端框架PSB，含两种学习器，在多基准研究中表现出良好性能与鲁棒性。
2026-10-16 cs.LG stat.ME stat.ML
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
A Bayesian Nonparametric Approach for Evaluating the Causal Effect of Treatment in Randomized Trials with Semi-Competing Risks
我们开发了一种贝叶斯非参数（BNP）方法来评估随机试验中治疗的因果效应，其中非终末事件可以被终末事件删失，但反之亦然（即，半竞争风险）。基于主分层的思想，我们定义了一个新的估计量的因果关系的治疗对非终端事件。我们引入识别假设，索引的敏感性参数，并显示如何使用我们的BNP方法得出推论。我们进行模拟研究，并说明我们的方法使用数据从脑癌试验。
2019-07-21 stat.ME
Machine learning for causal inference: on the use of cross-fit estimators
现代因果推断方法允许使用机器学习来削弱参数建模假设。然而，机器学习的使用可能导致推理的复杂化。双稳健交叉拟合估计已被提出，以产生更好的统计特性。我们进行了模拟研究，以评估几种不同的估计的平均因果效应（ACE）的性能。模拟治疗和结局的数据生成机制包括对数转换、多项式项和不连续性。我们比较了单稳健估计（g-计算，逆概率加权）和双稳健估计（增广逆概率加权，目标极大似然估计）。分别用参数模型和集成机器学习估计营养功能。我们进一步评估了双稳健交叉拟合估计。使用正确指定的参数模型，所有估计量均无偏，且置信区间达到标称覆盖范围。当与机器学习一起使用时，双稳健交叉拟合估计量在偏差、方差和置信区间覆盖率方面大大优于所有其他估计量。由于在高维数据中很难正确地指定参数模型，在大多数流行病学研究中，集成学习和交叉拟合的双稳健估计可能是估计ACE的首选方法。然而，这些方法可能需要更大的样本量以避免有限样本问题。
2020-08-28 stat.ME stat.ML
Bayesian causal inference with some invalid instrumental variables
在观察性研究中，工具变量估计被大量用于识别因果效应。工具变量估计量一致的关键条件之一是排除限制，这表明工具仅通过感兴趣的暴露变量影响感兴趣的结果。我们提出了一个似然无贝叶斯方法，使一致的因果关系的影响时，有一些无效的工具，他们违反了排除限制条件的方式进行推断。所提出的贝叶斯估计的渐近性质，包括一致性和正态性，建立。仿真研究表明，对于含有一些无效工具的高斯和非高斯数据，所提出的贝叶斯方法均能得到一致的点估计和有效的可信区间，且具有正确的覆盖率.我们还通过实际数据的应用证明了所提出的方法。
2020-06-13 stat.ME
Uncertain Neighbors: Bayesian Propensity Score Matching For Causal Inference
我们比较了标准的最近邻倾向得分匹配与类似的贝叶斯倾向得分匹配过程的性能。我们表明，贝叶斯方法更好地利用了可用的信息，因为它使不那么武断的决定，哪些观察下降，哪些保留在匹配的样本。我们进行了模拟研究，以评估标准和贝叶斯最近邻匹配的性能时，匹配和不替换。然后，我们使用这两种方法来复制最近的研究土地改革对游击队活动在哥伦比亚的影响。
2021-05-05 stat.ME
Estimating Heterogenous Treatment Effects for Survival Data with Doubly Doubly Robust Estimator
本文针对左截断右删失生存数据，提出双重双重稳健估计量，结合非参数深度学习以有效估计平均及异质性处理效应，并通过模拟实验与多种现有方法比较验证其优劣。
2024-09-02 econ.GN q-fin.EC stat.AP
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
Bayesian Sensitivity Analysis for Causal Estimation with Time-varying Unmeasured Confounding
Dalla Lana School of Public Health, University of Toronto（多伦多大学达拉·兰纳公共卫生学院）；Public Health Ontario（安大略省公共卫生局）；Rutgers School of Public Health, Rutgers University（罗格斯大学罗格斯公共卫生学院）；Division of Gastroenterology, Hepatology Nutrition, The Hospital for Sick Children（儿童医院胃肠病学、肝病营养科）；University of Utah and Intermountain Healthcare Primary Children’s Hospital（犹他大学和山脊医疗初级儿童医院）；Institute of Health Policy, Management and Evaluation, University of Toronto（多伦多大学卫生政策、管理与评估研究所）
本文提出两种贝叶斯敏感性分析方法，用于估计存在时间变化未测量混杂因素的纵向观察数据中的治疗效应，并通过模拟和实际数据验证其有效性。
2025-06-12 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
Causal Effect Estimation Methods
讨论了从观测数据中进行因果推断的两种流行建模框架--因果图模型和潜在结果因果模型之间的关系。一些流行的因果效应估计发现在潜在结果因果模型的应用，如治疗加权估计和双稳健估计的逆概率，可以通过使用因果图模型得到。我们仅限于简单的情况下，二进制的结果和治疗变量与离散混杂因素，它是如何推广的结果，连续变量的情况下。
2014-10-31 stat.ME
Bayesian Weighted Mendelian Randomization for Causal Inference based on Summary Statistics
全基因组关联研究（GWAS）对数千种表型的研究结果为推断一种表型（暴露）对另一种表型（结果）的因果影响提供了前所未有的机会。孟德尔随机化（MR），一个工具变量（IV）的方法，已被引入使用GWAS数据的因果推断。然而，由于复杂性状/疾病的多基因结构和多效性的普遍存在，与常规IV方法相比，MR具有许多独特的挑战。我们提出了一个贝叶斯加权孟德尔随机化（BWMR）的因果推断，以解决这些挑战。在我们的BWMR模型中，弱效应的不确定性，由于多基因性已被考虑和违反IV假设，由于多效性已通过贝叶斯加权离群值检测解决。为了使基于BWMR的因果推断具有计算稳定性和高效性，我们提出了一种变分期望最大化（VEM）算法。此外，我们还导出了一个精确的封闭式公式，以纠正变分推断中经常被低估的后验协方差。通过全面的仿真研究，我们评估了BWMR的性能，证明了BWMR相对于其竞争对手的优势。然后，我们应用BWMR对130种代谢物和93种复杂的人类特征进行了因果推断，揭示了暴露与结果特征之间的新因果关系。BWMR软件可在https://github.com/jiazhao97/BWMR上获得。
2019-04-29 stat.ME
Doubly-robust and heteroscedasticity-aware sample trimming for causal inference
针对异方差数据下非参数模型的因果推断样本截断缺乏理论支撑的问题，提出同时截断低倾向得分和极端条件方差单元的方法，给出弱假设下的推断保证与多子总体同时置信区间构造方法，经多数据集验证效果良好。
2024-01-29 stat.ME
Bayesian Propensity Scores for High-Dimensional Causal Inference: A Comparison of Drug-Eluting to Bare-Metal Coronary Stents
高维数据可以通过提供许多混杂因素来支持可解释性假设的可解释性，从而有助于因果推断。倾向得分方法是因果推断的有力工具，在医疗保健研究中很受欢迎，并且对于高维数据特别有用。最近的兴趣已经围绕这些方法的贝叶斯公式，以灵活地估计倾向得分和总结后验量，同时纳入方差（可能是高维的）治疗模型。我们讨论的方法贝叶斯倾向得分分析的二进制治疗，侧重于现代方法的高维贝叶斯回归和传播的不确定性的治疗回归。我们介绍了一种新的和简单的估计的平均处理效应，利用共轭的β和二项分布。通过模拟，我们展示了马蹄先验和贝叶斯加性回归树与我们的新估计配对的效用，同时展示了包括治疗和结局模型方差的重要性。近500个混杂因素和9000例患者的心脏支架数据说明了方法，并比较了现有的频率论替代方法。
2017-10-09 stat.ME
General Bayesian inference for causal effects using covariate balancing procedure
针对观察性研究中倾向评分模型设定偏误会导致IPW估计有偏的问题，提出一种基于损失函数、无需全似然假设的概率化参数确定的通用贝叶斯因果推断方法，模拟与真实数据实验表现优异。
2025-03-20 stat.ME
Nonparametric methods for doubly robust estimation of continuous treatment effects
连续处理（例如，剂量）在实践中经常出现，但许多可用的因果效应估计量受到限制，要么需要效应曲线的参数模型，要么不允许双重稳健的协变量调整。我们开发了一种新的内核平滑的方法，只需要温和的平滑假设的效果曲线，仍然允许误指定的治疗密度或结果回归。我们推导出渐近性质，并给出了一个程序的数据驱动的带宽选择。该方法通过模拟和护士人员对医院再入院处罚的影响的研究说明。
2016-08-11 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
Bayesian regression tree models for causal inference: regularization, confounding, and heterogeneous effects
本文提出了一种新的非线性回归模型，用于从观察数据中估计异质性处理效应，特别适用于效应量小、异质性效应和强混杂的情况。标准的非线性回归模型，可以很好地预测，有两个显着的弱点时，用于估计异质性处理效应。首先，当拟合具有强混杂的数据时，它们可能产生严重偏倚的处理效应估计值。本文提出的贝叶斯因果森林模型通过直接将倾向函数的估计值引入响应模型的规范中来避免这个问题，隐式地在回归函数上诱导协变量依赖的先验。其次，响应面建模的标准方法不能充分控制效应异质性的正则化强度。贝叶斯因果森林模型允许将处理效应异质性与控制变量的预后效果分开进行正则化，从而可以在信息上“缩小到同质性”。我们通过重新分析一项评估吸烟对医疗支出的因果影响的观察性研究以及广泛的模拟研究来说明这些好处。
2019-11-13 stat.ME
A coherent likelihood parametrization for doubly robust estimation of a causal effect with missing confounders
缺失数据和混杂是研究者在进行比较有效性的观察性研究中面临的两个问题。Williamson等人（2012）最近提出了一种统一的方法，在假设混杂因素随机随机缺失的情况下，使用多重稳健（MR）方法同时处理这两个问题。他们的方法考虑了一个模型的联合，其中任何子模型都有一个参数组件，而其余的模型是不受限制的。我们表明，虽然他们的估计功能是MR理论上，多重鲁棒推理的可能性是复杂的事实，即参数模型的不同组成部分的联盟模型是不是变化独立的，因此MR属性是不太可能在实践中举行。为了解决这个问题，我们提出了一种替代的透明参数化的似然函数，这使得明确的模型之间的依赖关系，需要评估的MR有效的分数的各种滋扰功能。所提出的方法是真正的双重鲁棒性（DR），因为它是一致的和渐近正态的，如果两组建模假设之一。通过仿真研究，我们评估了DR方法的性能和双重鲁棒性。
2020-07-20 math.ST stat.ME stat.TH
Aggregate Bayesian Causal Forests: The ABCs of Flexible Causal Inference for Hierarchically Structured Data
针对分层聚合数据的因果推断需求，提出聚合贝叶斯因果森林模型aBCF，在保留BCF少参数假设优势的同时适配异方差与组内相关特征，仿真验证其估计精度更高、区间更窄且先验鲁棒性好。
2024-07-09 stat.ME
Stress-Testing Assumptions: A Guide to Bayesian Sensitivity Analyses in Causal Inference
Brown University（布朗大学）
本文介绍贝叶斯敏感性分析在因果推断中的应用，通过四个案例展示如何统一使用贝叶斯方法处理暴露误分类、未测量混杂因素及缺失数据问题，并提供Stan软件的实现指导。
2026-02-27 stat.ME
Doubly Robust Proximal Causal Learning for Continuous Treatments
Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学类脑智能科学与技术研究院）；School of Data Science, Fudan University（复旦大学数据科学学院）；Zhangjiang Fudan International Innovation Center（张江复旦国际创新中心）；Key Laboratory of Computational Neuroscience and Brain-Inspired Intelligence (Fudan University)（复旦大学计算神经科学与类脑智能重点实验室）；MOE Frontiers Center for Brain Science, Fudan University（教育部脑科学前沿中心（复旦大学））；Shanghai Engineering Research Center of AI & Robotics, Fudan University（上海市人工智能与机器人工程技术研究中心（复旦大学））；Engineering Research Center of AI & Robotics, Ministry of Education, Fudan University（教育部人工智能与机器人工程研究中心（复旦大学））
针对现有双重鲁棒近端因果学习估计量仅适用于二元处理、无法处理连续处理的问题，提出基于核的双重鲁棒估计量及高效扰动函数求解方法，证明其一致性并给出收敛分析，在合成与真实数据上验证了效用。
2024-03-11 cs.LG stat.ME
Covariate Selection for Doubly Robust Double/debiased Machine Learning Estimators for Causal Inference
Department of Human Development and Quantitative Methodology, University of Maryland（马里兰大学人类发展与定量方法系）
针对高维数据下因果推断中协变量选择问题，提出使用倾向得分与结果模型所选协变量的并集重新估计双稳健模型，模拟显示该方法能更有效减少混杂偏差，并揭示ML估计并非总是优于传统方法。
2026-09-16 stat.ME stat.ML
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
Quantifying the causal effect of speed cameras on road traffic accidents via an approximate Bayesian doubly robust estimator
本文采用近似贝叶斯双稳健（DR）因果推断估计方法量化测速摄像机对道路交通碰撞的影响。以前的实证工作，这表明了不同范围的估计效果，主要是基于结果回归（OR）模型，使用经验贝叶斯方法或简单的前后比较。因果关系和混淆问题很少受到正式关注。因果DR方法结合了倾向得分（PS）和OR模型，以给出平均处理效应（ATE）估计量，该估计量在两个组分模型中任一个的正确规范下一致且渐近正态。我们开发了一种新的近似贝叶斯框架内的这种方法，以获得后验预测分布的ATE的速度摄像机对道路交通碰撞。我们对英格兰的研究结果表明，超速摄像机站点的碰撞次数显著减少（平均ATE = -15%）。我们提出的方法提供了一个很有前途的方法来评估运输安全干预。
2019-08-16 stat.AP
Doubly robust estimation of causal effects for random object outcomes with continuous treatments
针对非欧几里得随机对象数据，提出基于Hilbert空间嵌入的双重去偏因果推断框架，处理连续变量并适应高维混杂因素，通过共形推断实现反事实预测，扩展了复杂数据因果推断方法。
2025-06-28 econ.EM math.ST stat.AP
Minimax Kernel Machine Learning for a Class of Doubly Robust Functionals with Application to Proximal Causal Inference
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Pennsylvania（宾夕法尼亚大学）
Robins等人（2008）引入了一类影响函数（IF），可用于获得相应参数的双鲁棒矩函数。然而，该类别不包括干扰函数是积分方程的解的参数的IF。这些参数在因果推断领域特别重要，特别是在Tchetgen等人（2020）最近提出的近端因果推断框架中，该框架允许在存在潜在混杂因素的情况下估计因果效应。在本文中，我们首先扩展类罗宾斯等。包括双鲁棒IF中的滋扰功能是积分方程的解决方案。然后，我们证明了这些IF的双重鲁棒性可以用来构造滋扰函数的估计方程，这使得我们能够在不诉诸参数模型的情况下求解积分方程。我们框架的滋扰功能的估计作为一个极大极小优化问题。我们提供的滋扰功能和渐近线性的参数估计所需的条件的收敛速度。实验结果表明，我们提出的方法导致强大的和高性能的估计平均因果效应的近端因果推断框架。
2022-03-07 cs.LG econ.EM math.ST
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 Decaying Missing-at-Random Framework: Model Doubly Robust Causal Inference with Partially Labeled Data
本文提出衰减随机缺失框架及偏差减少半监督估计器，用于部分标记数据下处理效应的双稳健因果推断，同时解决标记偏差和组间不平衡，放宽稀疏性条件，并通过数值实验验证其有效性。
2025-04-21 math.ST stat.ME stat.ML
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
An Improved Doubly Robust Estimator Using Partially Recovered Unmeasured Spatial Confounder
本文提出一种改进的双重稳健估计器，通过空间残差部分恢复未测量的空间混杂因素，以减少空间因果推断中的偏倚，并在模拟和臭氧浓度应用中验证其优越性。
2023-05-14 stat.AP stat.ME
Causal inference through multi-stage learning and doubly robust deep neural networks
Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）；Halicioglu Data Science Institute, University of California, San Diego（加利福尼亚大学圣地亚哥分校哈利乔卢数据科学研究院）
本研究针对复杂因果推断任务需多阶段学习的需求，提出结合双重鲁棒机制的多阶段DNN因果推断框架，并为高维随样本量增长场景下的方法有效性提供理论保证，结果可推广至退化单阶段问题。
2024-07-11 cs.LG math.ST stat.ME
Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions
Department of Mathematics and Physics, Gangneung-Wonju National University（数学与物理系，江陵-Wonju国立大学）；Department of Applied Statistics, Yonsei University（应用统计学系，延世大学）；Department of Statistics, Dongguk University（统计学系，东国大学）；Department of Marketing Bigdata, Mokwon University（市场营销大数据系，摩斯大学）；Department of Data Science, Gangneung-Wonju National University（数据科学系，江陵-Wonju国立大学）
提出一种高维低样本量下的双重稳健平均处理效应估计量，结合有界影响估计方程与协变量平衡倾向得分，嵌入非凸正则化惩罚经验似然框架，实现稳健推断与高效区间估计。
2025-11-01 cs.LG stat.ME
Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects
UC San Diego（加州大学圣地亚哥分校）；Johns Hopkins University（约翰斯·霍普金斯大学）；Duke University（杜克大学）
本文提出基于图机器学习和双重机器学习的方法，用于估计社交网络中的因果效应，通过模拟验证其准确性、稳健性和可扩展性。
2026-02-19 cs.LG cs.SI stat.ME
DR-VIDAL -- Doubly Robust Variational Information-theoretic Deep Adversarial Learning for Counterfactual Prediction and Treatment Effect Estimation on Real World Data
University of Pittsburgh（匹兹堡大学）；University of Florida（佛罗里达大学）
针对真实世界观察数据的个体治疗效应估计偏差问题，提出融合VAE、Info-GAN与双重鲁棒模块的DR-VIDAL生成框架，在多数据集上性能优于现有方法。
2025-10-21 cs.LG stat.ME
Doubly Robust Kernel Statistics for Testing Distributional Treatment Effects
University of Oxford（牛津大学）；Amazon（亚马逊）；University of Adelaide（阿德莱德大学）
针对分布性因果效应检验问题，基于反事实均值嵌入框架提出双重鲁棒核分布嵌入估计量，证明其收敛速率更优，并构建置换检验，从理论和实验验证了检验有效性。
2023-11-07 cs.LG stat.ML
