Relative Contrast Estimation and Inference for Treatment Recommendation
当存在资源限制时,重要的是根据患者特征对治疗获益进行排名或估计。这有助于优先分配不同的治疗。关于个体化治疗规则的大多数现有文献将绝对条件处理效应差异作为获益的指标。然而,在某些情况下,相对差异可能更好地代表这些好处。在本文中,我们考虑建模这种相对差异,形成规模不变的对比之间的条件处理效应。我们表明,所有的尺度不变的对比度是单调变换的对方。因此,我们为特定的相对对比度建立了一个单指数模型。模型的可识别性通过对指标参数的直观的$l_2$范数约束来实现。然后,我们通过半参数效率理论推导出估计方程和有效分数。基于有效分数及其变体,我们提出了一个两步的方法,包括最小化一个双鲁棒损失函数和随后的一步效率增强过程,以实现效率界。仔细的理论和数值研究表明所提出的方法的优越性。
2021-05-03 math.ST stat.ME stat.TH
Estimation and Inference for the Average Treatment Effect in a Score-Explained Heterogeneous Treatment Effect Model
针对处理效应异质性且仅部分样本受处理的情形,提出一种利用全部观测的差分与匹配估计器来估计受处理者平均处理效应,并证明其渐近正态性,同时可非参数估计条件与个体处理效应。
2025-04-23 math.ST stat.ME stat.TH
Improved inference for doubly robust estimators of heterogeneous treatment effects
我们提出了一种双重稳健的方法来表征观察性研究中的处理效应异质性。我们开发了一个频率主义的推理程序,利用后验分布的倾向得分和结果回归模型提供有效的推理条件平均处理效应,即使当使用高维或非参数模型。我们表明,我们的方法会导致保守的推断在有限样本或模型误指定,并提供了一个一致的方差估计时,这两个模型都被正确指定。在模拟中,我们说明了这些结果在困难的设置,如高维协变量空间或高度灵活的模型的倾向得分和结果回归的效用。最后,我们分析了NHANES的环境暴露数据,以确定这些暴露的影响如何因受试者级别的特征而异。
2022-07-19 math.ST stat.AP stat.ME
High-dimensional Model-assisted Inference for Local Average Treatment Effects with Instrumental Variables
考虑使用工具变量估计局部平均处理效应的问题,其中在针对一组测量协变量进行调整后,工具不混淆性保持不变。需要通过回归模型估计协变量的几个未知函数,例如仪器倾向得分以及治疗和结局回归模型。我们开发了一个计算上易于处理的方法,在高维设置中的回归项的数量接近或大于样本量。我们的方法利用正则化校准估计,这涉及Lasso处罚,但仔细选择的损失函数估计这些回归模型中的系数向量,然后采用双稳健估计的治疗参数,通过增强逆概率加权。我们提供了严格的理论分析表明,如果正确指定了工具倾向得分模型,则在适当的稀疏条件下,所得到的Wald置信区间对于治疗参数是有效的,但治疗和结局回归模型可能被错误指定。对于现有的高维方法,如果正确指定了所有三个模型,则可以获得治疗参数的有效置信区间。我们评估所提出的方法,通过广泛的模拟研究和实证应用,以估计教育的回报。
2020-09-19 math.ST stat.ME stat.TH
One-step TMLE for weighted average treatment effects
本文提出了一种一步TMLE方法用于估计加权平均处理效应,分析了该方法在最不利路径上的表现,并证明了其在特定条件下具有渐近效率。
2026-09-15 math.ST stat.ME stat.TH
Randomization-based confidence sets for the local average treatment effect
本文改进 Imbens 和 Rosenbaum 的随机化方法,提出基于学生化 Anderson–Rubin 统计量的置信集构造程序,在不完全依从实验中同时保证有限样本精确性与异质效应下的渐近有效性,并给出高效算法。
2025-02-10 math.ST stat.ME stat.TH
The CATT SATT on the MATT: semiparametric inference for sample treatment effects on the treated
本研究探讨处理组样本平均处理效应的半参数推断,发现其渐近方差可识别但可能超过总体效应,提出混合平均处理效应以提升估计精度,并引入基于倾向得分加权的另一新估计目标。
2024-02-09 math.ST stat.ME stat.TH
Causal Inference with High-Dimensional Treatments
Carnegie Mellon University(卡内基梅隆大学);University of California, Los Angeles(加州大学洛杉矶分校)
本文提出了一种新的稀疏伪结果回归框架,用于高维处理的因果推断,推导了新的双重鲁棒估计器并分析了其收敛性。
2026-07-29 math.ST stat.ME stat.TH
Covariate balancing for causal inference on categorical and continuous treatments
该研究提出基于最优协变量平衡逆概率加权的分类与连续处理因果估计量,证明其统计性质并通过模拟和真实数据集验证,揭示BMI对自评健康下降的非线性影响。
2021-02-28 math.ST stat.ME stat.TH
Approximate Residual Balancing: De-Biased Inference of Average Treatment Effects in High Dimensions
在许多情况下,研究人员对估计平均处理效应感兴趣,并愿意依赖于无混淆假设,这要求处理分配与处理前变量的随机条件一样好。如果分析中包含大量治疗前变量,则无混淆假设通常更合理,但这可能会恶化标准方法估计处理效应的性能。在本文中,我们开发了一种方法去偏惩罚回归调整,允许稀疏回归方法,如套索被用于sqrt{n}-一致的推断平均处理效应在高维线性模型。鉴于线性,我们不需要假设治疗倾向是可估计的,或者平均处理效应是结果模型参数的稀疏对比。相反,除了用于使结果模型上的套索回归在1-范数误差下一致的标准假设之外,我们只需要重叠,即,倾向得分均匀地远离0和1。在程序上,我们的方法结合了平衡权重与正则化回归调整。
2018-01-31 econ.EM math.ST stat.ME
Supplementary Appendix for "Inference on Treatment Effects After Selection Amongst High-Dimensional Controls"
在本补充附录中,我们提供了补充正文(arXiv:1201.0224)分析的额外结果,省略的证明和广泛的模拟。
2013-06-20 econ.EM math.ST stat.TH
Inference on Variable Importance for Treatment Effect Heterogeneity: Shapley Values and Beyond
University of Copenhagen(哥本哈根大学);University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心);Harvard University(哈佛大学)
本文提出一个推断框架,用于评估治疗效应异质性中的变量重要性,特别适用于高风险领域如医学,通过Shapley值等方法分析变量重要性,适用于统计机器学习算法量化治疗效应异质性。
2026-05-08 math.ST stat.ME stat.ML
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
Robust Inference on Average Treatment Effects with Possibly More Covariates than Observations
本文关注模型选择后平均治疗效果的稳健推断。在可观测量选择框架下,我们给出了如何构造基于双稳健估计的置信区间,该估计对模型选择误差是稳健的,并证明了它们在一大类处理效应模型上是一致有效的.该类允许多值处理具有异质效应(在可观测量中),一般异方差性,以及在(可能)比观测值更多的协变量中进行选择。在适当的条件下,我们的估计达到了半参数有效界。精确的条件给出了任何模型选择器产生这些结果,我们展示了如何将数据驱动的选择与经济理论相结合。为了实现,我们给出了一个具体的建议,选择基于组套索,这是特别适合于治疗效果的数据,并得出新的结果,高维,稀疏多项式逻辑斯谛回归。仿真研究表明,我们的估计在有限样本在广泛的模型表现得很好。重新访问国家支持的工作示范数据,我们的方法产生准确的估计和紧置信区间。
2018-02-01 econ.EM math.ST stat.ME
Identification and Inference for Synthetic Controls with Confounding
本文在存在未观测混杂的面板数据中,利用随机因子模型研究处理效应的识别与推断,揭示时间与个体层面混杂的权衡,并为多种合成控制估计量建立渐近推断结果。
2023-12-01 econ.EM math.ST stat.ME
Regression-adjusted average treatment effect estimates in stratified randomized experiments
研究人员经常使用线性回归来分析随机实验,通过调整治疗组和对照组中协变量的不平衡来改善治疗效果估计。我们的工作提供了一个基于随机化的推理框架,在分层随机实验中的回归调整。在较弱的条件下,重新建立了分层试验的有限总体中心极限定理。我们证明了分层均值差和回归调整的平均治疗效果估计量是一致的和渐近正态的。后者的渐近方差不大于,通常小于前者。我们还提供保守方差估计量来构建平均治疗效应的大样本置信区间。
2020-01-13 math.ST stat.TH
Placebo inference on treatment effects when the number of clusters is small
我介绍了一个一般的,费舍尔式的随机化测试框架进行几乎精确的推理缺乏效果的二元治疗在非常少的存在下,大集群时,跨集群的处理效应。建议的随机化测试形式化,并通过分配安慰剂治疗未处理的集群生成空分布的直观概念进行扩展。我表明,在简单和易于验证的条件下,安慰剂测试导致在一个非常大的一类经验相关的模型渐近有效的推断。明确讨论的例子是(i)最小二乘回归与集群级处理,(ii)差异中的差异估计,和(iii)二元选择模型与集群级处理。仿真研究和实证例子。所提出的推理过程是很容易实现的,并表现良好,只有三个处理和三个未处理的集群。
2018-03-07 stat.ME
Causal inference from treatment-control studies having an additional factor with unknown assignment mechanism
考虑一个有两种治疗方法的情况,第一种是随机的,而第二种不是,以及这种情况的多因素版本。关注的是处理效应,使用标准阶乘符号定义。我们定义估计的处理效应,并探讨其属性时,有信息的非随机化治疗分配,当没有信息的非随机化治疗的分配。我们展示了隐藏处理何时以及如何使估计量产生偏差并夸大其抽样方差。
2022-02-07 stat.ME
Average treatment effects in the presence of unknown interference
本文研究了随机试验中未知干扰下处理效应估计量的大样本性质。推断目标是平均治疗效果估计量的泛化,其边缘化了潜在的溢出效应。我们发现,估计通常用于估计治疗效果下无干扰是一致的广义估计几个常见的试验设计有限,但其他任意和未知的干扰。收敛速率取决于干扰量增长的速率及其与治疗分配相关性的一致程度。重要的从业者,结果意味着,如果一个错误的假设,单位不干扰设置有限,甚至中度,干扰,标准估计仍然可能接近平均治疗效果,如果样本足够大。然而,传统的置信度声明可能并不准确。
2019-10-23 math.ST stat.TH
Sampling-based randomized designs for causal inference under the potential outcomes framework
我们建立的平均治疗效果的平均差异估计的推理性质在随机实验中,每个单位在人口中随机两个治疗,然后治疗组内的单位随机抽样。该估计量的性质在试验设计方案中很好理解,其中第一个单位随机取样,然后随机分配给药,但不适用于上述方案,其中取样和给药分配阶段颠倒。我们发现,在这种试验设计的情况下,平均差估计的推理性质是相同的更常见的样本第一随机化第二设计。这一发现将带来一些澄清抽样为基础的随机设计的因果推理,特别是对于设置有一个有限的超级人口。最后,我们探讨在何种程度上预处理测量可以用来改善后,这种随机化第一样本第二设计的均值差估计。不幸的是,我们发现,治疗前的测量往往是没有帮助的,在这种设计下,提高平均治疗效果估计的精度,除非大量的治疗前的测量,是高度相关的治疗后的测量可以得到。我们证实了这些结果,使用模拟研究的基础上,在纳米材料的真实实验。
2019-02-16 math.ST stat.TH
Heterogeneous Treatment Effects with Mismeasured Endogenous Treatment
本文研究了在非参数异质性处理效应框架下,当二元处理被误测和内生时,工具变量的识别能力。使用一个二进制工具变量,我刻画了尖锐的识别集的本地平均治疗效果的排除限制下的仪器和确定性的单调性的真正治疗的仪器。即使考虑到一般的测量误差(例如,测量误差是内生的),仍然可以获得局部平均处理效果的有限界限。值得注意的是,Wald被估量是局部平均治疗效应的上界,但它不是一般的锐界。我还提供了具有一致渐近有效尺寸控制的局部平均治疗效应的置信区间。此外,我证明了本文的识别策略提供了一个新的使用重复测量收紧识别集。
2017-05-19 math.ST stat.TH
Conformal Inference of Counterfactuals and Individual Treatment Effects
评价处理效应异质性广泛地告知处理决策。目前,非常重视通过灵活的机器学习算法估计条件平均处理效应。虽然这些方法在一致性和收敛速度方面具有一定的理论吸引力,但它们在不确定性量化方面通常表现不佳。这令人不安,因为评估风险对于敏感和不确定环境中的可靠决策至关重要。在这项工作中,我们提出了一个共形推理为基础的方法,可以产生可靠的区间估计的反事实和个人处理效应下的潜在结果框架。对于完全随机化或分层随机化实验,无论未知的数据生成机制如何,区间都保证了有限样本的平均覆盖率。对于具有可验证依从性的随机化实验和服从强可验证性假设的一般观察性研究,区间满足双重稳健性质,其陈述如下:如果潜在结果的倾向得分或条件分位数可以准确估计,则平均覆盖率近似受控。对合成数据集和真实数据集的数值研究表明,即使在简单的模型中,现有方法也存在显著的覆盖不足。相比之下,我们的方法以合理的短间隔实现了所需的覆盖范围。
2021-05-06 math.ST stat.ME stat.ML
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
Estimation and Inference in Boundary Discontinuity Designs: Location-Based Methods
Princeton University(普林斯顿大学)
本文研究了基于位置的局部多项式处理效应估计器,提出对边界平均处理效应曲线及两个聚合因果参数的点估计与统一推断方法,适用于尖锐和模糊设计,并通过实证应用展示方法。
2026-05-14 econ.EM math.ST stat.AP
Flexible Inference of Optimal Individualized Treatment Strategy in Covariate Adjusted Randomization with Multiple Covariates
为了最大限度地提高临床效益,临床医生通常根据每个患者的个体特征定制治疗,需要个性化的治疗规则,这对统计学家来说具有重要的研究意义。在具有许多协变量的协变量调整的随机化临床试验中,我们用协变量的单个指数的未指定函数来建模处理效应,并且使基线响应完全任意。我们设计了一类估计器,以一致地估计处理效应函数及其相关指数,同时绕过基线响应的估计,这是受维数灾难。我们进一步开发推理工具,以确定预测协变量和隔离有效的治疗区域。在模拟和临床数据的例子证明了该方法的实用性。
2021-11-19 stat.ME
Inference on Quantile Treatment Effects with Small Treatment Groups
Amazon Inc.(亚马逊公司);UC Berkeley, Dept. of Economics(加州大学伯克利分校经济学系)
本研究针对多值处理模型中自然出现的小处理组,开发了允许处理组规模保持有界的条件分位数处理效应推断方法,通过结合条件分位数函数估计与分位数指标的伯努利表示,经蒙特卡洛实验验证了其有限样本性能。
2026-10-23 econ.EM econ.GN math.ST
Robust inference of conditional average treatment effects using dimension reduction
从观察数据中对条件平均处理效应进行稳健推断很重要,但当混杂因素为多变量或高维时,这变得具有挑战性。本文提出了一种双重降降维方法,在保持非参数优点的同时,尽可能地降低维数灾难。我们使用降维来确定条件平均处理效应的中心平均子空间。一个非参数回归与先前的降维也被用来插补反事实的结果。这一步有助于提高插补的稳定性,并导致比现有方法更好的估计。然后,我们提出了一个有效的自举过程,而无需自举估计的中心均值子空间进行有效的推断。
2020-08-30 stat.ME
Robust Uniform Inference for Quantile Treatment Effects in Regression Discontinuity Designs
在回归不连续性和扭结设计中,对因果效应的大带宽具有鲁棒性的推断的实际重要性得到了广泛的认可。现有的强大的方法涵盖了许多情况下,但不处理统一的模糊设计的CDF和分位数过程的推理,尽管它在最近的文献中使用的实证微观经济学。在这方面,本文扩展了文献,通过开发一个统一的框架,推理与鲁棒性对大带宽,适用于统一推理的分位数处理效应在模糊设计,以及所有其他情况下的尖锐/模糊均值/分位数回归不连续性/扭结设计。我们提出了蒙特卡罗模拟研究和经验应用俄克拉荷马州前K计划的评价。
2019-02-23 stat.ME
Program Evaluation and Causal Inference with High-Dimensional Data
在本文中,我们提供了有效的估计和诚实的置信带的各种治疗效果,包括局部平均值(LATE)和局部分位数治疗效果(LQTE)在数据丰富的环境。我们可以处理非常多的控制变量、内源性治疗接受、异质性治疗效果和功能价值结果。我们的框架涵盖了外源性接受治疗的特殊情况,无论是有条件的控制或无条件的随机对照试验。在后一种情况下,我们的方法产生有效的估计和诚实带(功能)平均治疗效果(ATE)和分位数治疗效果(QTE)。为了使信息推理成为可能,我们假设关键简化形式的预测关系是近似稀疏的。这个假设允许使用正则化和选择方法来估计这些关系,并且我们提供了用于后正则化和后选择推理的方法,这些方法在各种模型中都是一致有效的(诚实的)。我们表明,一个关键因素,使诚实的推理是使用正交或双鲁棒矩条件估计某些简化形式的功能参数。我们说明了使用所提出的方法与应用程序,以估计401(k)资格和参与对累积资产的影响。
2018-01-05 econ.EM math.ST stat.ME
Dimension-Free Average Treatment Effect Inference with Deep Neural Networks
University of Southern California(南加州大学)
本文研究了在潜在结果框架中使用深度神经网络(DNN)对平均处理效应(ATE)的估计和推断。在某些正则条件下,观察到的响应可以用公式表示为以混杂变量和治疗指标作为自变量的均值回归问题的响应。使用这样的配方,我们研究了两种方法ATE估计和推断的基础上估计的平均回归函数通过DNN回归使用特定的网络架构。我们证明了ATE的两个DNN估计在一些假设下与无量纲一致率是一致的。我们的模型假设适应了观察到的反应对协变量的潜在复杂依赖结构,包括潜在因素和治疗指标与混杂变量之间的非线性相互作用。我们还建立了我们的估计量的渐近正态性的基础上的思想样本分裂,确保精确的推理和不确定性量化。仿真研究和实际数据应用证明了我们的理论研究结果,并支持我们的DNN估计和推理方法。
2021-12-02 cs.LG math.ST stat.ML
Robust Inference for the Direct Average Treatment Effect with Treatment Assignment Interference
Princeton University(普林斯顿大学)
本文针对随机网络干扰下的因果推断,引入 Ising 模型刻画处理分配依赖,建立 Hájek 估计量的 Berry-Esseen 型及一致分布近似,并提出基于条件高斯化和重采样的稳健推断程序,通过 Monte Carlo 模拟验证其有效性。
2025-06-26 econ.EM stat.ME
Berry-Esseen bounds for design-based causal inference with possibly diverging treatment levels and varying group sizes
该研究针对处理水平发散、组规模可变的随机化模型因果推断理论缺口,用Stein方法推导估计量的Berry-Esseen界,提出无重复多处理水平实验的方差估计量,完善了基于设计的因果推断理论保障。
2025-06-12 stat.ME
Bridging the Gap Between Design and Analysis: Randomization Inference and Sensitivity Analysis for Matched Observational Studies with Treatment Doses
针对剂量治疗匹配观察性研究缺乏有效随机化推断与敏感性分析的问题,提出适用于一般匹配设计、多种结局类型及两类零假设的新方法,并经模拟与真实数据验证。
2024-09-19 stat.ME
Estimation and Inference on Treatment Effects Under Treatment-Based Sampling
当目标群体中的处理效应不同于从样本具有代表性的群体中识别的处理效应时,项目评估设置中的因果推断面临外部有效性的问题。本文重点讨论的情况下,这种差异所产生的分层抽样设计的基础上,个人的治疗状况和其他特点。在这种情况下,设计概率从抽样设计中已知,但目标人群取决于通常未知的基础人群份额向量,并且除特殊情况外,未识别处理效应参数。在本文中,我们提出了一种方法,构造的置信集,是有效的人口份额的给定范围。当给定一个基准总体份额向量和一个处理效应参数的相应估计量时,我们发展了一种方法来发现外部有效性的范围与familywise错误率控制。最后,我们推导出一个最优的抽样设计,最大限度地减少半参数效率界给定的人口份额与目标人口。我们提供了蒙特卡罗模拟的结果和实证应用,以证明我们的建议的有用性。
2021-12-22 stat.ME
Parametric Sequential Causal Inference in Point Parametrization
假设分配一系列治疗以影响最后一次治疗后发生的感兴趣的结果。治疗之间存在时间依赖性协变量,可能是早期治疗的治疗后变量和后续治疗的混杂因素。在这篇文章中,我们开发了一个参数的方法来推断的因果效应的治疗顺序的结果称为顺序的因果效应。我们构造了一个点参数化的条件分布的结果,所有的治疗和时间依赖的协变量,其中的点参数的点效应的治疗被视为单点治疗。我们(1)通过处理的点效应识别处理的净效应,(2)通过对处理的点效应的约束来表达处理的净效应模式,(3)表明所有顺序因果效应都由处理的净效应决定。据此,我们(1)通过处理的点效应用极大似然估计处理的净效应,(2)通过对处理的点效应和处理的分配条件的约束来改进估计,(3)利用处理的净效应的估计来获得序贯因果效应的估计。其结果是,我们得到无偏一致的最大似然估计的顺序因果效应,即使是长的治疗序列。为了说明我们的方法,我们研究的因果关系的影响,各种序列的娱乐性药物的CD4细胞计数的HIV患者。
2015-05-27 stat.ME
Inference on Average Treatment Effect under Minimization and Other Covariate-Adaptive Randomization Methods
协变量自适应随机化方案,如最小化和分层排列区组,经常应用于临床试验中,以平衡预后因素之间的治疗分配。协变量自适应随机化后推理的现有理论发展主要限于可以指定响应和协变量之间的正确模型或随机化方法具有良好理解的属性的情况。基于随机化中使用的协变量水平分层和对随机化中未使用的协变量的进一步调整,在本文中,我们提出了几种估计量,用于平均处理效应的无模型推断,平均处理效果定义为两种处理下的响应均值之间的差异。我们建立了所有流行的协变量自适应随机化方案下的估计量的渐近正态性,包括理论性质尚不清楚的最小化,我们证明了渐近分布对于协变量自适应随机化方法是不变的。一致方差估计量构造渐近推断。研究了估计量的渐近相对效率和有限样本性质。我们建议在协变量自适应随机化后使用我们提出的估计量进行有效和无模型推断。
2020-07-19 stat.ME
Causal Inference with Two Versions of Treatment
因果效应通常被定义为治疗和对照下潜在结果的比较,但这一定义受到治疗或对照条件定义不明确的可能性的威胁,而是存在于多个版本中。提出了一个简单的,广泛适用的分析,以解决的可能性,治疗或控制条件存在于两个版本,两个不同的处理效应。该分析在治疗和对照的主要比较中没有失去功效,提供了关于版本效应的额外信息,并在几个比较中控制了家族错误率。该方法的动机和说明使用正在进行的研究的可能性,反复头部创伤在高中足球导致早发性痴呆症的风险增加。
2019-04-24 stat.ME
A Unified Approach for Estimating Various Treatment Effects in Causal Inference
本文提出一种基于统计泛函和累积分布函数的统一估计器,可估计多种处理效应(如ATE和QTE),兼顾变量选择,理论性质完备,数值实验显示其优于现有方法。
2025-03-28 stat.ME
Treatment effect estimation by comparing observed and predicted outcomes: conditions for valid inference and practical illustration
University Medical Center Utrecht, Utrecht University(乌得勒支大学医学中心,乌得勒支大学);University Medical Center Groningen(格罗宁根大学医学中心);MAASTRO Clinic(MAASTRO诊所);Erasmus MC Cancer Institute(伊拉斯姆斯癌症研究所)
研究利用新治疗前的预测模型估计治疗效果,核心方法是比较新治疗观察结果与标准治疗预测结果,通过潜在结果框架和实际案例阐明有效估计平均治疗效果所需条件。
2026-07-22 stat.ME
Randomization-Based Inference for Average Treatment Effects in Inexactly Matched Observational Studies
Department of Biostatistics, New York University(纽约大学生物统计学系);Data Science Institute, University of Chicago(芝加哥大学数据科学研究所);Center for Data Science, Zhejiang University(浙江大学数据科学中心)
本文提出逆后匹配概率加权方法,用于在不精确匹配情况下进行平均处理效应的随机化推断,通过理论和模拟结果证明其能有效降低偏差并提升覆盖率。
2026-04-03 stat.ME
Quantile Treatment Effects and Bootstrap Inference under Covariate-Adaptive Randomization
本文研究协变量自适应随机化下分位数处理效应的估计和推断。我们提出两种估计方法:(1)简单分位数回归和(2)逆倾向得分加权分位数回归。对于这两个估计,我们得到了他们的渐近分布均匀分布在一个紧凑的一组分位数指标,并表明,当治疗分配规则没有达到强平衡,逆倾向得分加权估计有一个更小的渐近方差比简单的分位数回归估计。对于方法(1)的推论,我们证明了使用加权bootstrap标准误的Wald检验在拒绝下。但对于方法(2),其渐近规模等于名义水平。我们还表明,对于这两种方法,Wald检验使用协变量自适应引导标准误的渐近大小等于标称水平。我们说明了使用模拟和真实数据集的新的估计和推断方法的有限样本性能。
2020-02-25 stat.ME
Debiased Inference on Heterogeneous Quantile Treatment Effects with Regression Rank-Scores
本文提出一种结合 $\ell_1$-惩罚回归调整与秩得分偏差校正的新方法,用于高维协变量下异质性分位数处理效应的去偏推断,并通过模拟和英国生物银行数据验证其有效性。
2023-07-11 stat.ME
Bias Mitigation in Matched Observational Studies with Continuous Treatments: Calipered Non-Bipartite Matching and Bias-Corrected Estimation and Inference
针对连续处理匹配观察性研究中因不精确匹配导致的严重因果推断偏差问题,提出结合协变量与处理剂量信息的卡尺非二分匹配框架及偏差校正估计推断方法,通过COVID-19研究验证其有效性并开发开源R包。
2025-02-12 stat.AP stat.ME
High-dimensional Inference for Dynamic Treatment Effects
University of California San Diego(加州大学圣地亚哥分校);Renmin University of China(中国人民大学)
针对高维混杂因素下动态处理效应估计问题,提出一种针对中间条件结果模型的新颖双重稳健表示方法,在较弱假设下提供更优的稳健性保证和推断性能。
2023-05-16 cs.LG econ.EM math.ST
Assumption-Lean Differential Variance Inference for Heterogeneous Treatment Effect Detection
McGill University(麦吉尔大学);Université de Montréal(蒙特利尔大学);Lund University(隆德大学);University of Toronto(多伦多大学)
提出通过潜在结果方差对比推断治疗效果异质性,即使缺失效应修饰变量也能检测,并推导出双重稳健的因果机器学习估计量。
2026-10-14 stat.ME
A flexible approach for causal inference with multiple treatments and clustered survival outcomes
当使用观察数据对多种治疗对聚集生存结局的影响进行因果推断时,我们需要解决因果分析中多水平数据结构、多种治疗、删失和未测量混杂的影响。很少有现成的因果推断工具可用于同时解决这些问题。我们开发了一个灵活的随机截距加速失效时间模型,在该模型中,我们使用贝叶斯加性回归树来捕获截尾生存时间和预处理协变量之间的任意复杂关系,并使用随机截距来捕获特定于簇的主效应。我们开发了一个有效的马尔可夫链蒙特卡罗算法得出后验推论的人口生存的影响,多种治疗和研究的变化,集群水平的影响。我们进一步提出了一种可解释的敏感性分析方法,以评估得出的关于处理效应的因果推断对偏离无未测量混杂的因果假设的潜在幅度的敏感性。扩展的模拟经验验证,并证明我们提出的方法具有良好的实际操作特性。将所提出的方法应用于从国家癌症数据库中提取的老年高风险局部前列腺癌患者的数据集,我们评估了三种治疗方法对患者生存率的比较效果,并评估了潜在的未测量混杂因素的影响。在这项工作中开发的方法是很容易在$\textsf{R}$包$\textsf{riAFTBART}$。
2022-02-16 stat.AP stat.ME
Causal Inference in Panel Data with a Continuous Treatment
本文提出一个将双向固定效应模型作为特例的框架,用于在 Panel Data 中进行连续处理的因果推断,利用序贯条件独立假设识别处理效应,并开发了最小二乘法和 GMM 估计量及渐近性质,同时提议用 DAGs 检验假设有效性。
2025-06-29 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
De-confounding Representation Learning for Counterfactual Inference on Continuous Treatment via Generative Adversarial Network
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院);Baidu(百度)
针对连续处理反事实推理中现有方法依赖参数模型、仅消除线性混杂的问题,提出基于生成对抗的DRL去混杂表示框架,可消除非线性依赖,在合成和真实医学数据集上表现优于前沿模型。
2023-07-24 cs.AI cs.LG stat.ME
Enhanced inference for distributions and quantiles of individual treatment effects in various experiments
University of Pennsylvania(宾夕法尼亚大学);University of Chicago(芝加哥大学)
本文提出两种改进方法,用于更准确推断个体治疗效应的分布和分位数,通过结合处理和对照单位的推断并控制大效应单位数量,提升了推断效力。
2026-03-28 stat.ME
Estimation and inference of average treatment effects under heterogeneous additive treatment effect model
本文针对网络干扰下的平均处理效应估计问题,在异质加性处理效应模型下提出基于特征向量的回归调整估计量,建立其渐近正态性与保守方差估计,并验证其在多种干扰结构下的有效性。
2024-08-30 stat.ME
Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference
University of California Irvine(加州大学欧文分校);University of California San Francisco(加州大学旧金山分校);University of California Berkeley(加州大学伯克利分校)
本文提出基于保形扩散模型的个体处理效应估计与推断方法,融合扩散建模、保形推断、倾向评分及协变量局部近似,实现潜在结果分布无偏估计、置信区间构建和理论保证。
2024-08-02 cs.AI cs.LG stat.ME
High-dimensional model-assisted inference for treatment effects with multi-valued treatments
考虑使用增广逆概率加权(IPW)估计量估计多值治疗的平均处理效应,这取决于高维环境中的结局回归和倾向得分模型。这些回归模型通常通过正则化的基于似然的估计来拟合,而忽略了如何在随后的关于治疗参数的推断中使用拟合函数。这种单独的估计可能与现有方法中的已知困难相关联。我们开发了正则化校准估计拟合倾向得分和结果回归模型,其中稀疏性,包括处罚,以方便变量的选择,但损失函数是精心选择的,以便有效的置信区间,可以在可能的模型误指定。与二元处理的情况不同,通常的增广IPW估计是广义的,允许不同的副本的系数估计结果回归,以确保公正的识别。对于倾向得分估计,新的损失函数和估计函数直接与实现加权治疗组之间的协变量平衡相关。我们开发了实用的数值算法,用于计算正则化校准估计与组Lasso创新地利用Fisher评分,并提供严格的高维分析,在适当的稀疏性条件下,由此产生的增强IPW估计,同时解决技术问题缺席或忽略在以前的分析。我们目前的模拟研究和实证应用,估计母亲吸烟对出生体重的影响。所提出的方法在R包mRCAL中实现。
2022-01-23 stat.ME
Introducing the CP-plot for Causal Inference with Observational Studies
Qiuzhen College, Tsinghua University(清华大学丘成桐学堂);Yau Mathematical Sciences Center, Tsinghua University(清华大学丘成桐数学科学中心);Department of Statistics, University of California, Berkeley(加州大学伯克利分校统计学系)
在因果推断的观测研究规范设定下,证明了在倾向得分与条件平均处理效应满足单调关系时,重叠权重的平均处理效应介于处理组和对照组的平均处理效应之间,并推广到加权局部平均处理效应及其他权重,建议使用CP图。
2026-08-25 stat.ME