Causal tail coefficient for compound extremes in multivariate time series
本文提出复合因果尾部系数及bootstrap检验框架，用于检测多元时间序列中复合极端事件之间的因果关系，可处理非线性与潜在混杂变量，并通过理论、模拟和空间天气数据验证其有效性。
2025-09-23 stat.ME
Quantifying Causal Coupling Strength: A Lag-specific Measure For Multivariate Time Series Related To Transfer Entropy
虽然识别多变量时间序列的两个组成部分之间存在因果关系是一个重要的问题，Runge et al.（2012）中讨论了这一主题，但更重要的是以有意义的方式评估其关联的强度。本文着重讨论了如何用信息论测度定义一个有意义的耦合强度的问题，并论证了著名的互信息和传递熵的不足。相反，我们提出了一定的时间延迟的条件互信息，瞬时信息传递（MIT），作为一种措施的关联，是一般的，因果关系和滞后的具体，反映了一个很好的解释概念的耦合强度，实际上是可计算的。MIT是基于源熵的基本概念，我们利用它来产生耦合强度的概念，与互信息和传递熵相比，它可以很好地解释，因为在许多情况下，它只取决于两个组件在一定滞后下的相互作用。特别是，麻省理工学院因此在许多情况下，能够排除在一个过程中的信息理论的方式自依赖的误导性影响。我们形式化和证明这一想法的分析和数值计算的一般类的非线性随机过程，并说明气候数据的潜力麻省理工学院。
2012-11-21 cs.IT math.IT physics.data-an
Application of Time-Aware PC algorithm to compute Causal Functional Connectivity in Alzheimer's Disease from fMRI data
本研究应用Time-aware PC（TPC）算法从三组受试者的静息态fMRI数据推断全脑因果功能连接，识别出阿尔茨海默病导致改变的因果脑连接及受影响脑区，结果与临床文献一致。
2024-02-20 q-bio.NC q-bio.QM stat.AP
Detecting Structural Shifts in Multivariate Hawkes Processes with Fréchet Statistics
本文提出基于Fréchet统计量的多元Hawkes过程变点检测方法，通过窗口化估计核矩阵并重建符号拉普拉斯矩阵，实验验证其在模拟和加密货币数据上能准确检测因果结构变化。
2025-01-22 cs.SI eess.SP stat.ML
Embarrassingly Causal: Causal Use of Associational Data in Magic The Gathering Drafts
The Pennsylvania State University（宾夕法尼亚州立大学）
本文探讨了在《魔法觉醒》卡牌抽取中，利用观察性数据进行因果推断的可行性，提出'令人尴尬的因果性'标准，认为在某些情况下，即使存在混杂因素，观察性数据仍可有效指导决策。
2026-04-20 stat.ME
Implicit Causal Models for Genome-wide Association Studies
Columbia University（哥伦比亚大学）
概率生成模型的进展已经加速，开发了更丰富的模型，具有神经架构，隐式密度，以及用于其贝叶斯推断的可扩展算法。然而，在捕捉因果关系的模型方面进展有限，例如，个体遗传因素如何导致重大人类疾病。在这项工作中，我们特别关注两个挑战：我们如何构建更丰富的因果模型，它可以捕捉高度非线性的关系和多个原因之间的相互作用？我们如何调整潜在的混杂因素，这些因素是影响因果关系的变量，并阻止因果关系的学习？为了应对这些挑战，我们综合了因果关系和现代概率模型的思想。首先，我们描述了隐式因果模型，这是一类利用具有隐式密度的神经架构的因果模型。对于第二个，我们描述了一个隐式因果模型，通过在示例中共享强度来调整混杂因素。在实验中，我们对多达10亿个基因测量进行了贝叶斯推断。我们在识别因果因素方面达到了最先进的准确性：我们的绝对差异为15- 45.3%，明显优于现有的遗传学方法。
2017-10-30 cs.LG q-bio.GN stat.AP
Detecting causal covariates for extreme dependence structures
确定极端事件的原因是许多科学领域的一个基本问题。建模多变量极值时的一个重要方面是尾部相关性。在应用中，极端相关结构可能显著地依赖于协变量。至于包括协变量的建模的一般情况，只有一些协变量是因果关系。在本文中，我们提出了一种方法来发现解释两个变量之间的尾部依赖结构的因果协变量。发现因果变量的拟议方法是基于比较不同环境或扰动的观测结果。这是一个理想的方法来预测极端行为在一个新的，未观察到的环境。该方法适用于数据集的$\text{NO}_2$浓度在英国。极端的$\text{NO}_2$水平会导致严重的健康问题，了解并发严重水平的行为是一个重要的问题。我们专注于揭示因果预测极端$\text{NO}_2$观测在不同的网站之间的依赖性。
2022-12-19 stat.AP stat.ME
Depicting deterministic variables within directed acyclic graphs (DAGs): An aid for identifying and interpreting causal effects involving tautological associations, compositional data, and composite variables
确定性变量是由一个或多个父变量完全解释的变量。它们通常出现在一个变量是从一个或多个父变量代数构造而成的情况下，如复合变量，以及在组合数据中，“整体”变量是从其“部分”确定的。本文介绍了如何在有向无环图（DAG）中描述确定性变量，以帮助识别和解释涉及重言式关联、组成数据和复合变量的因果效应。我们提出了一个两步的方法，在该方法中，所有的变量最初被认为是，然后作出明确的选择是否专注于确定性变量（S）或决定性的父母。在DAG中描述确定性变量有几个好处。识别和避免误解重言式关联更容易，即，具有共享代数父变量的变量之间的自实现关联。在成分数据中，更容易理解“整体”变量的条件作用的后果，并正确识别总体和相对因果效应。对于复合变量，它鼓励更多地考虑目标被估量，并更严格地审查一致性和交换率假设。具有确定性变量的DAG对于规划和解释涉及重言式关联、组成数据和/或复合变量的分析是有用的辅助工具。
2023-02-03 stat.ME
Bivariate Causal Discovery and its Applications to Gene Expression and Imaging Data Analysis
遗传学、表观遗传学和影像学数据分析的主流研究集中在统计关联或探索变量之间的统计依赖性。尽管他们在遗传学研究方面取得了重大进展，但对复杂表型的病因和机制的理解仍然难以捉摸。关联分析作为复杂数据分析的主要分析平台，是制约基因组科学理论发展和实际应用的关键问题。因果推理是发现复杂表型之间的机械关系的重要组成部分。许多研究人员建议从关联过渡到因果关系。尽管因果推理在科学、工程和生物医学中起着重要作用，但传统的因果推理方法至少需要三个变量。然而，数量遗传分析，如QTL，eQTL，mQTL和基因组成像数据分析需要探索两个变量之间的因果关系。本文将重点讨论二元因果发现。我们将介绍原因和机制的独立性（ICM）作为因果推理的基本原则，算法信息论和加性噪声模型（ANM）作为双变量因果发现的主要工具。将进行大规模模拟以评估ANM用于双变量因果发现的可行性。为了进一步评估其因果推理的性能，ANM将被应用于基因调控网络的构建。此外，ANM将被应用到特质成像数据分析，以说明三种情况：存在因果关系和关联，存在关联而不存在因果关系，存在因果关系，而两个变量之间缺乏关联。
2018-05-10 q-bio.GN stat.ME
Detecting weak signals by combining small P-values in genetic association studies
我们从一个新的角度来处理组合顶级关联统计量或P值的问题，这导致了一个非常简单而强大的方法。统计方法，如秩截尾产品（RTP），已被开发用于结合排名靠前的协会，这种一般策略被证明是有用的应用程序中检测多个疾病成分的组合效应。为了提高功效，这些方法聚合了排名靠前的SNP之间的信号，同时调整了研究中评估的总数量。组合顶部统计量或P值的分析表达式往往是笨拙的，这使得解释、实际实现复杂化，并阻碍了进一步的发展。在这里，我们提出了增强秩截断（ART）方法，保留了RTP的主要特点，但实现起来要简单得多。ART导致自适应算法的有效形式，即改变排名靠前的SNP的数量以优化功效的方法。我们通过加强先前报道的$μ$ -阿片受体变体与疼痛敏感性的相关性来说明我们的方法。
2019-06-10 stat.ME
On the collapsibility of measures of effect in the counterfactual causal framework
如果关联性度量的边际值等于层特异性关联性度量的加权平均值，则关联性度量在一组基线协变量上被称为可折叠的。在本文中，我们考虑两个微妙的不同定义的可解释性，并表明，通过考虑因果措施的效果的反事实变量的基础上，有可能分离出的组件的不可解释性，这是由于数学性质的效果措施。我们提供的权重，使因果风险差和因果风险比是可折叠的任意基线协变量，并证明，这样的一般权重不存在的比值比。
2017-10-24 stat.ME
When Screening Misleads: A Robust Mendelian Randomization Test for Reliable Causal Discovery
School of Statistics and Data Science, LPMC and KLMDASR, Nankai University（南开大学统计与数据科学学院）
研究旨在解决孟德尔随机化中先筛选关联再评估因果效应导致的I型错误膨胀问题，提出新颖稳健MR检验，该检验能保持正确I型错误率且可利用先前汇总统计量提高功效，模拟研究显示其优于经典方法。
2026-07-14 stat.ME
Beyond Actor-Partner Associations: A Target-Trial Framework for Causal Spillover Effects in Longitudinal Dyadic Data
Michigan State University（密歇根州立大学）
该研究提出目标试验框架，将APIM关联问题转化为因果二元分析，揭示倾向得分分解偏差，并通过模拟和HRS数据验证其诊断价值。
2026-10-02 stat.AP stat.ME
Maximum Entropy Estimation of Heterogeneous Causal Effects
该研究针对因果推断中无强可忽略处理分配假设的场景，提出用最大熵原理估计异质性因果效应的方法，得出关联部分虚假部分因果的审慎结论，并应用于大麻与硬毒品使用的关联分析。
2024-07-11 stat.ME
A Bayesian Method for Detecting and Characterizing Allelic Heterogeneity and Boosting Signals in Genome-Wide Association Studies
全基因组关联研究分析的标准范式涉及在分型和估算的SNP上进行关联检验。这些方法对于检测目前未知的SNP处或等位基因异质性发生的区域中的关联信号将不是最佳的。我们提出了一种新的关联测试，互补的SNP为基础的方法，试图提取进一步的关联信号，明确建模和估计未知的SNP和等位基因异质性在一个位点。在每个位点，我们通过利用整个基因组的HapMap单倍型来估计病例对照样本的系谱。等位基因异质性是通过允许在谱系的分支上有一个以上的突变来建模的。我们使用贝叶斯方法使我们能够直接评估与已知SNP相关性不好的致病SNP的证据，以及每个位点的等位基因异质性。使用来自WTCCC项目的模拟数据和真实数据，我们表明，我们的方法（i）产生了显着的信号增强，并准确地识别了已知存在的等位基因异质性的区域，（ii）可以提出新的信号，这些信号通过测试类型或估算的SNP没有发现，（iii）可以提供更准确的估计相关区域的效应大小。
2010-10-22 q-bio.GN stat.ME
Distinguishing correlation from causation using genome-wide association studies
Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
全基因组关联研究（GWAS）已经成为疾病生物学遗传线索的丰富来源，并且它们揭示了许多疾病和性状之间的强烈遗传相关性。其中一些遗传相关性可能反映了因果关系。我们开发了一种方法来量化遗传相关性状之间的因果关系，使用GWAS汇总关联统计。特别是，我们的方法量化性状1的遗传成分的哪一部分也是性状2的因果关系，使用混合四阶矩$E(α_1^2α_1α_2)$和$E(α_2^2α_1α_2)$的双变量效应大小分布。如果性状1与性状2有因果关系，则影响性状1（大$α_1^2$）的SNP将对性状2（大$α_1α_2$）具有相关效应，但反之亦然。我们在广泛的模拟中验证了这种方法。在52个性状（平均$N=331$ k）中，我们确定了30个假定的遗传因果关系，其中许多是新的，包括LDL胆固醇对骨密度降低的影响。更广泛地说，我们表明，它是可能的遗传相关性和因果关系之间的区别使用遗传关联数据。
2018-11-21 cs.LG stat.ME stat.ML
Quantifying and Detecting Individual Level `Always Survivor' Causal Effects Under `Truncation by Death' and Censoring Through Time
在统计学和因果推断中，当关注的结果可能被死亡截断时的因果效应分析有很长的历史。存活者平均因果效应通常是用比随机临床试验设计或使用敏感性分析保证的假设更多的假设来确定的。本文表明，在“总是幸存者”的主要阶层的个人水平的因果关系的影响，可以确定没有更强的识别假设比随机化。我们使用前列腺癌患者临床试验的数据说明了我们的方法的实际效用。我们的方法是第一个，迄今为止，唯一提出的程序，使检测因果关系的影响，在截断死亡的存在下，只使用的假设，保证了临床试验的设计。这种方法适用于所有类型的结果。
2020-03-20 math.ST stat.ME stat.TH
Homogeneity in the instrument-treatment association is not sufficient for the Wald estimand to equal the average causal effect for a binary instrument and a continuous exposure
工作背景：解释工具变量的结果往往需要进一步的假设，除了相关性，独立性和排除限制的核心假设。研究方法：我们评估是否工具暴露添加剂的同质性，使沃尔德估计等于平均衍生效应（ADE）的情况下，一个二元工具和连续曝光。结果如下：当仪器为二进制、暴露为连续且暴露对结果的影响在加性标度上为非线性时，仪器暴露加性同质性不足以识别ADE。对于二元暴露，确定性-结果效应必然是加性线性的，因此齐性条件是充分的。结论：对于二元仪器，如果暴露也是二元的，则仪器暴露加性均匀性识别ADE。否则，需要额外的假设（如确定性-结果效应的加性线性）。
2022-04-18 stat.ME
Detecting Changes in Causal Dependence with Kernels and Copulas
City University of Hong Kong（香港城市大学）；University of Oxford（牛津大学）
本文提出一种非参数框架，用于检测结果Y对协变量X的因果依赖是否在特定时间点发生变化，通过核均值嵌入和Copula条件差异量进行验证，实验表明其在合成和真实数据集上具有高准确性。
2026-05-07 stat.ME stat.ML
Eigen-Epistasis for detecting Gene-Gene interactions
在全基因组关联研究（GWASs）中，上位性相互作用的检测和研究已成为研究的热点。大多数的文献集中在单核苷酸多态性（SNPs）之间的低阶相互作用显着mainingeffects.In本文中，我们提出了一个原始的方法来检测上位性在基因水平上，没有系统地过滤显着的基因。我们首先计算每个基因对的相互作用变量，通过找到其特征上位性分量，定义为与表型具有最高相关性的基因SNP的线性组合。显著性效应的选择是使用基于Group Lasso控制错误发现率的惩罚回归方法进行的，该方法使用合成数据对文献中最近的两个替代方案进行了测试，并在不同的设置中显示出良好的性能。我们通过检测三个全基因组关联研究的新基因-基因相互作用来证明我们的方法的力量。
2017-02-16 stat.AP stat.ME
CausAdv: A Causal-based Framework for Detecting Adversarial Examples
Laboratory of Informatics and applications of M'sila, Department of Computer Science, University of M'sila（信息与应用实验室，计算机科学系，M'sila大学）
CausAdv通过因果推理提升CNN对抗检测鲁棒性，无需额外训练，利用反事实信息区分清洁与对抗样本。
2026-07-28 cs.AI cs.CV cs.LG
The synthetic instrument: From sparse association to sparse causation
University of Ottawa（渥太华大学）；University of Toronto（多伦多大学）
本文提出合成工具变量方法，在稀疏因果假设下解决未测量混杂因素下的多重暴露因果效应估计问题，将其转化为 $\ell_0$-惩罚问题，并在模拟与小鼠肥胖数据中验证了其优越性。
2025-11-04 stat.ME
Inference of nonlinear causal effects with GWAS summary data
针对GWAS汇总数据下传统因果推断仅限线性的局限，提出一种TWAS非线性因果效应推断方法，通过解耦边际效应与非线性变换实现稳健估计，成功识别出18个阿尔茨海默病致病基因。
2023-10-26 stat.AP stat.CO stat.ME
Average causal effect estimation via instrumental variables: the no simultaneous heterogeneity assumption
背景：工具变量（IV）可用于提供证据，证明治疗X是否对结果Y具有因果效应。即使工具Z满足相关性、独立性和排除限制的三个核心IV假设，还需要进一步的假设来确定X对Y的平均因果效应（ACE）。这方面的充分假设包括：X对Y的因果效应的同质性; Z与X的关联的同质性;以及无效应修正（NEM）。研究方法：我们描述了不同时异质性（NOSH）假设，该假设要求X-Y因果效应的异质性与均值无关（即，与Z和Z-X关联中的异质性均不相关。例如，如果X-Y效应和Z-X关联没有共同的修改器，并且X-Y效应是加性线性的，则会发生这种情况。我们说明NOSH使用模拟和重新审查选定的已发表的研究。结果如下：当NOSH举行，沃尔德估计等于ACE，即使两个同质性假设和NEM（我们证明是特殊情况下，因此比- NOSH）被违反。结论：NOSH足以鉴别静脉注射ACE。由于NOSH比ACE识别的现有假设弱，因此这样做可能比以前预期的更合理。
2022-11-11 stat.ME
Invariant Causal Set Covering Machines
Université Laval（拉瓦尔大学）；ServiceNow Research（ServiceNow研究院）
针对基于规则的模型学习算法易受虚假关联影响、难提取因果洞见的问题，提出不变因果集覆盖机，扩展经典集覆盖机算法，可证明避免虚假关联，能在多项式时间内识别目标变量的因果父节点。
2025-03-21 cs.LG stat.ME stat.ML
Granger Causality Detection via Sequential Hypothesis Testing
针对测量缺陷影响因果检测性能的问题，提出基于向量自回归系数范数的序贯假设检验方法，用于序贯检测两时间序列间的Granger因果关系，并通过仿真验证了其有效性。
2023-03-31 eess.SP stat.ME
Comment on "Detecting Novel Associations In Large Data Sets" by Reshef Et Al, Science Dec 16, 2011
Reshef等人（2011）的提议是一种有趣的新方法，用于在探索性数据挖掘中发现测量对之间的非线性依赖关系。然而，它有一个潜在的严重缺陷。作者称赞MIC对某些替代品没有偏好，但正如作者所知，统计学中没有免费的午餐：在许多重要情况下，试图对所有替代品具有高功效的测试可能具有低功效。为了研究这一点，我们进行了模拟，以比较MIC与标准皮尔逊相关性和距离相关性（dcor）的功效。我们模拟了具有不同关系的变量对（其中大部分被Reshef et.等人），但是添加了不同级别的噪声。为了确定检验独立性假设的适当截止值，我们用适当的边缘模拟了独立数据。从图中可以看出，MIC的功率比dcor低，除了有点病态的高频正弦波。MIC有时也不如皮尔逊相关性那么有效，线性情况尤其令人担忧。
2014-01-29 stat.ME
cc-Shapley: Measuring Multivariate Feature Importance Needs Causal Context
Physikalisch-Technische Bundesanstalt（德国联邦物理技术研究院）；Technische Universität Berlin（柏林工业大学）；Charité – Universitätsmedizin Berlin（柏林夏里特医学院）
本文提出cc-Shapley方法，通过结合因果结构修正传统Shapley值，以避免因 collider bias 引起的虚假关联，提升特征重要性评估的准确性。
2026-03-27 cs.LG stat.ME
A Kernel Test for Causal Association via Noise Contrastive Backdoor Adjustment
针对大量混杂因素下的因果推断，提出非参数方法 backdoor-HSIC 检验 do-null 假设，证明其校准性与功效，并探讨其相对于参数检验及边际/条件独立性检验的优劣。
2024-06-02 stat.ME stat.ML
Coverage correlation: detecting singular dependencies between random variables
London School of Economics and Political Science（伦敦政治经济学院）
提出覆盖相关系数，一种基于Monge-Kantorovich秩的非参数统计量，用于检测随机变量间的奇异依赖关系，具有分布自由、计算高效等优点。
2026-06-18 math.ST stat.ME stat.TH
Center-specific causal inference with multicenter trials: reinterpreting trial evidence in the context of each participating center
在多中心随机试验中，当效应调节剂在各中心的分布不同时，各中心平均值的治疗组之间的比较可能不适用于各中心的任何潜在人群。在这里，我们描述的方法，重新解释的证据产生的多中心试验的背景下，人口基础的每个中心。我们描述了如何在可识别性条件下识别中心特异性效应，这些条件在很大程度上得到了研究设计的支持，并且在给定基线协变量和治疗（“中心-结果关联”）的情况下，中心成员资格和结果之间可能存在关联。然后，我们考虑了一个额外的条件，即在基线协变量和治疗的情况下，没有中心-结局相关性。我们表明，这种情况可以使用试验数据进行评估;当它成立时，中心特定的处理效应可以使用分析，完全池跨中心的信息进行估计。我们提出了估计中心特异性平均处理效应的方法，当中心-结果相关性可能存在时，当它们不存在时，并描述了评估中心特异性处理效应是否均匀的方法。我们评估的方法在模拟研究中的性能，并说明其实施使用的数据从丙型肝炎抗病毒长期治疗肝硬化试验。
2021-04-25 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
Breaking the Winner's Curse in Mendelian Randomization: Rerandomized Inverse Variance Weighted Estimator
全基因组关联研究的发展和汇总遗传关联数据的日益可用性使得具有汇总数据的双样本孟德尔随机化（MR）的应用日益流行。传统的双样本MR方法通常采用相同的样本来选择相关的遗传变异和构建最终的因果估计。由于众所周知的“赢家的诅咒”现象，这种做法往往导致有偏见的因果效应估计。为了解决这一根本性的挑战，我们首先从理论和实证两方面研究其因果效应估计的后果。然后，我们提出了一个新的框架，系统地打破赢家的诅咒，导致无偏的关联效应估计选定的遗传变异。在此基础上，我们提出了一种新的随机化逆方差加权估计，当选择和参数估计在同一样本上进行时，该估计是一致的。在适当的条件下，我们证明了因果效应的RIVW估计渐近收敛于一个正态分布，其方差可以很好地估计。我们通过蒙特卡罗实验和两个实证例子说明了我们的方法的有限样本性能。
2023-02-21 math.ST stat.ME stat.TH
Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding
The Pennsylvania State University（宾夕法尼亚州立大学）
研究指出未观测混杂会使数据驱动因果发现中，增大样本量无法保证识别潜在因果结构，仅能提升观测代理变量关联的确定性，凸显统计不确定性降低与因果机制恢复的根本差异。
2026-07-31 stat.ME
Optimization-based Causal Estimation from Heterogenous Environments
Warrington College of Business（沃顿商学院）；University of Florida（佛罗里达大学）；University of Michigan（密歇根大学）；Columbia University（哥伦比亚大学）
本文提出优化算法CoCo，利用多个异质环境中因果不变而协变量分布变化的特性，通过最大化仅以因果解为最优解的目标函数，实现更准确的因果估计与干预预测。
2024-10-18 cs.LG stat.ME stat.ML
Searching for consistent associations with a multi-environment knockoff filter
本文提出了一种基于X模型的仿制品的方法，以找到在不同环境中一致的条件关联，控制错误发现率。这个问题的动机是，大型数据集可能包含许多统计上显著但具有误导性的关联，因为它们是由混杂因素或抽样缺陷引起的。然而，在不同条件下持续复制的关联可能更有趣。事实上，一致性有时可证明导致有效的因果推断，即使条件关联不这样做。虽然所提出的方法是灵活的，可以在广泛的应用中部署，本文强调了其相关性的全基因组关联研究，其中具有不同祖先的人群之间的一致性减轻了由于未测量的变异造成的混淆。这种方法的有效性证明了英国生物银行数据的模拟和应用。
2021-06-08 math.ST stat.AP 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
Model-free causal inference of binary experimental data
对于二元实验数据，我们讨论了基于随机化的推理过程，不需要调用任何建模假设。我们还介绍了方法的可能性和贝叶斯推断的基础上，没有任何假设的超级人口的假设的潜在结果的物理随机化。这些估计有一些性能优于矩为基础的，如只给可行的支持区域的估计。由于缺乏因果模型的识别，我们还提出了一种敏感性分析方法，该方法允许表征潜在结果之间的关联对统计推断的影响。
2017-05-23 stat.ME
Detecting Heterogeneous Treatment Effect with Instrumental Variables
在随机和观察性研究中，人们越来越关注因果效应的异质性估计。然而，很少有研究已经进行了了解异质性的工具变量研究。在这项工作中，我们提出了一种方法来估计异质因果效应使用工具变量的方法。该方法有两个部分。第一部分使用主题知识和可解释的机器学习技术，如分类和回归树，以发现潜在的效果修饰符。第二部分使用封闭测试来测试效应修饰符的统计显著性，同时强烈控制族错误率。我们在俄勒冈州健康保险实验中进行了这种方法，估计了医疗补助对个人健康不妨碍其日常活动的天数的影响，并发现了偏好英语的老年男性和不自我认同为亚洲人的年轻人的异质性证据，他们最多有高中文凭或GED，更喜欢英语。
2021-01-19 stat.AP stat.ME stat.ML
A powerful transformation of quantitative responses for biobank-scale association studies
针对生物样本库规模遗传关联研究，提出利用误差密度的响应变量变换方法，实现局部最优功效检验，并通过模拟和UK Biobank数据分析验证其能严格控制第一类错误并显著提升统计功效。
2025-07-09 math.ST stat.ME stat.TH
eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract)
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
传统的时间因果发现（CD）方法具有高维性，无法识别滞后的因果关系，并且经常忽略关系中的动态性。在这项研究中，我们提出了一种新的基于约束的CD方法，自相关和非平稳时间序列数据（eCDAN）能够检测滞后和同期的因果关系随着时间的变化。eCDAN通过优化条件集同时进行条件独立性（CI）测试来解决高维问题，并通过引入替代变量来表示时间依赖性来识别因果关系的变化。对合成数据和真实数据的实验表明，eCDAN可以识别时间影响并优于基线。
2023-03-06 cs.AI cs.LG stat.ME
