Representation Transfer Learning for Semiparametric Regression
本研究提出一种半参数回归下的表示迁移学习方法，通过共享跨域可迁移潜在表示、引入域特定参数处理异质性，证明了目标参数估计的一致性与渐近正态性，经模拟和真实数据验证了方法有效性。
2024-06-19 stat.ME
A Semiparametric Approach to Model-based Sensitivity Analysis in Observational Studies
当从观察数据中得出因果推断时，总是会考虑到不可测量的混杂因素。解决这个问题的一种方法是进行敏感性分析。一个广泛使用的敏感性分析框架假设存在标量未测量的混杂因素U，并询问如果U被测量并纳入主要分析，因果结论将如何变化。为了数学和计算的简单性，沿着这条线的工作经常对U进行各种参数假设。在这篇文章中，我们通过开发一个有效的敏感性分析，使U的分布不受限制，进一步这条线的研究。我们的半参数估计有三个可取的功能相比，许多现有的方法在文献中。首先，我们的方法允许更大、更灵活的模型家族，并减轻可观察到的影响（Franks等人，2019年）。其次，我们的方法与任何对结果回归进行参数化建模的主要分析无缝配合。第三，我们的方法易于使用和解释。我们构造逐点置信区间和置信带，在给定的灵敏度参数空间是一致有效的，从而正式占未知的灵敏度参数。我们将我们提出的方法应用于一项有影响力但有争议的研究，该研究使用乌干达的观测数据对战争经历与政治活动之间的因果关系进行了研究。
2022-06-20 stat.ME
Mediation Analysis with Multiple Mediators under Unmeasured Mediator-Outcome Confounding
在健康和社会科学中，研究多个暴露后中介变量的联合中介效应通常是很有意义的。要确定这种联合调解效果，一般不需要对所有调解人的结果进行无法衡量的混淆。随着考虑中的调解人数量的增加，这一关键假设可能会被违反，因为对任何调解人进行干预往往是不可行的。在本文中，我们开发了一种简单的两步法矩估计程序，用于在存在潜在的不可测量的调解人-结果混淆的情况下同时评估多个调解人的调解。我们的识别结果利用了暴露对人群中每个介质的影响的异质性，这在各种经验环境下是合理的。通过模拟和应用程序来说明拟议的估计，以评估创伤后应激障碍症状在COVID-19爆发期间医护人员自我效能和疲劳之间的关联中的中介作用。
2022-05-30 stat.ME
Estimation of natural indirect effects robust to unmeasured confounding and mediator measurement error
使用因果中介分析来评估暴露影响结果的途径在社会和生物医学科学中很普遍。这一领域的最新进展为确定和估计自然的直接和间接影响确立了正式条件。然而，这些条件通常涉及严格的无未测量的混杂假设，以及中介人已被测量无误差。在经常采用调解方法的实践中，这些假设可能不成立。本文的目的是双重的。首先，我们表明，自然的间接效应，事实上可以确定在存在不可测量的确定性结果混杂的中介和不可测量的混杂因素（S）之间没有添加剂的相互作用。其次，我们引入了一个新的自然间接效应的估计，是强大的经典测量误差的调解人和不可测量的混杂的确定结果和调解结果的关系在某些无相互作用的假设。我们提供了正式的证明和模拟研究来证明我们的结果。
2018-08-10 stat.ME
Mediation analysis with unmeasured confounding between parallel mediators and outcome
School of Mathematical Sciences, Peking University（北京大学数学科学学院）；The Beijing Institute of Brain Disorders, Chinese Institutes for Medical Research, Capital Medical University（首都医科大学中国医学研究院北京脑 disorder 研究所）
本文提出了一种考虑平行中介变量与结果之间未测量混杂的中介分析框架，通过伪代理变量识别因果参数，并提出部分惩罚方法识别显著影响结果的中介变量，通过模拟研究和基因组数据验证了方法的有效性。
2026-03-29 stat.ME
Semiparametric Estimation for Causal Mediation Analysis with Multiple Causally Ordered Mediators
因果中介分析关注的是治疗影响结果的途径。虽然大多数的调解文献集中在设置与一个单一的调解人，一个蓬勃发展的研究线已经检查设置涉及多个调解人，根据路径特异性效应（PSE）往往是感兴趣的。我们考虑估计PSE时，处理效应通过K（\geq 1）因果有序，可能是多变量介质。在这种情况下，许多因果路径的PSE没有非参数化确定，我们专注于一组PSE下珍珠的非参数结构方程模型确定。这些PSE被定义为2^{K+1}个潜在结果的期望之间的对比，并通过我们所谓的广义中介功能（GMF）来识别。我们介绍了一系列的回归插补，加权，和“混合”估计，特别是，两个K+2-鲁棒和局部半参数有效估计的GMF。后者的估计是非常适合使用的数据自适应方法来估计他们的滋扰功能。我们建立了半参数效率的滋扰功能所需的速率条件。我们还讨论了我们的框架如何适用于几个被估量，可能是特别感兴趣的实证应用。所提出的估计与模拟研究和实证例子说明。
2021-11-10 stat.ME
Addressing the Influence of Unmeasured Confounding in Observational Studies with Time-to-Event Outcomes: A Semiparametric Sensitivity Analysis Approach
Eli Lilly and Company（礼来公司）；University of Utah School of Medicine（犹他大学医学院）；Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布隆伯格公共卫生学院）
本文提出了一种半参数敏感性分析方法，用于处理观察性研究中时间到事件结果的未测量混杂因素影响，并通过模拟研究验证了其有限样本性能。
2025-11-20 stat.ME
On Doubly Robust Inference for Double Machine Learning in Semiparametric Regression
针对部分线性回归中的因果效应推断，本文提出一种双重稳健的双重机器学习实现，在单一第一阶段预测不一致时仍可降低偏差并改善置信区间覆盖率。
2025-01-07 stat.ME
Causal mediation in cluster-randomized trials with multiple mediators: spillover-aware decomposition, identification, and semiparametric efficient inference
Yale School of Public Health（耶鲁大学公共卫生学院）
本文提出了一种统一框架，用于研究集群随机试验中多重中介的因果机制，引入了可解释的因果假设，并通过模拟研究评估了所提估计量的有限样本性能。
2026-04-12 stat.ME
Efficiently transporting causal (in)direct effects to new populations under intermediate confounding and with multiple mediators
同样的干预措施在不同的地点会产生不同的效果。运输中介估计可以估计在何种程度上可以解释这种差异的组成因素和机制的差异，其中调解或中间变量的产生，但是，他们仅限于考虑一个单一的，二元调解人。我们提出了新的非参数估计运输随机（中）直接影响，考虑多个，高维介质和中间变量。它们是多重鲁棒的，有效的，渐近正态的，并可以将数据自适应估计的滋扰参数。它们可用于了解各研究中心之间处理效应的差异和/或基于源研究中心的结局数据预测靶部位的处理效应。
2020-06-13 stat.ME
Valid post-selection inference in Robust Q-learning
本文将通用选择后推断（UPoSI）程序适应于半参数Robust Q-learning方法，解决了在多阶段决策方法中使用UPoSI的独特挑战，并通过理论和模拟验证了所提出置信区域的有效性。
2025-10-11 math.ST stat.ME stat.TH
Semiparametric sensitivity analysis: unmeasured confounding in observational studies
本文推广了半参数敏感性分析方法，推导出固定敏感性参数下平均因果效应的非参数有效影响函数，构建了单步样本拆分截断估计量并验证了其渐近性与应用效果。
2025-09-12 stat.ME
Semiparametric Inference for Half-Trek Estimators in Linear Structural Equation Models
Technical University of Munich（慕尼黑工业大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Munich Center for Machine Learning（慕尼黑机器学习中心）
针对线性结构方程模型中的半循迹估计量，推导其半参数影响函数，证明渐近正态性并给出闭式方差，实现置信区间和假设检验。
2026-08-13 math.ST stat.ME stat.TH
Semiparametric Mediation Analysis with Separately Observed Mediator and Outcome under Unmeasured Confounding
Department of Biostatistics, University of California, Los Angeles（加州大学洛杉矶分校生物统计系）；Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院生物统计系）
针对中介变量和结局变量从未同时观测的数据不完整性，提出一种数据融合框架，利用共享工具变量在无交互条件下识别自然直接和间接效应，并开发具有多重稳健性的半参数影响函数估计器。
2026-06-17 stat.ME
Proximal Identification and Estimation in Front-Door Causal Structures with Unobserved Confounding of the Mediator
Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布隆伯格公共卫生学院）；Johns Hopkins Whiting School of Engineering（约翰霍普金斯大学惠廷工程学院）
研究前门因果结构中未观察到的混杂因素问题，提出前门准则的近端推广，推导新识别策略，给出估计策略并通过模拟评估性能，拓展了前门准则适用性。
2026-07-14 stat.ME
Sharp sensitivity bounds for mediation under unmeasured mediator-outcome confounding
我们通常会将暴露的总效应分解为通过某些中介作用于结果的成分和通过其他途径独立作用的成分。换句话说，我们感兴趣的是暴露对结果的直接和间接影响。即使暴露是随机分配的，随机化中介往往是不可行的，使中介结果混杂不完全控制。我们开发了一种灵敏度分析技术，可以约束的直接和间接的影响，而无需参数假设的不可测量的中介结果混杂。
2016-01-20 math.ST stat.ME stat.TH
De-confounding causal inference using latent multiple-mediator pathways
观测数据的因果估计是因果推断的基本问题之一。然而，大多数估计方法依赖于所有混杂因素都被观察到的强假设，这在现实世界中是不切实际和不可检验的。我们开发了一个中介分析框架，推断出潜在的混杂因素，以消除直接和间接因果效应的偏见。具体来说，我们引入广义结构方程模型，它结合了结构化的潜在因素，以提高模型对观测数据的拟合优度，并同时取消中介和结果。所提出的框架的一个主要优点是，它利用因果通路结构从原因到结果，通过多个介质去偏置的因果效应，而不需要外部信息的潜在混杂因素。此外，所提出的框架在集成强大的非参数预测算法方面非常灵活，同时保留了可解释的中介效应。在理论上，我们建立了识别的因果关系和中介效应的基础上提出的去创建方法。模拟设置和规范老化研究的数值实验表明，所提出的方法减少了因果和中介效应的估计偏差。
2023-02-10 stat.ME
Interpretable sensitivity analysis for the Baron-Kenny approach to mediation with unmeasured confounding
本文针对未测量混杂下Baron-Kenny中介分析估计有偏的问题，推导了向量线性回归的遗漏变量偏差公式，提出了对应有向无环图自然分解的可解释敏感性参数，并定义了“中介稳健性值”以评估结果对未测量混杂的稳健性，同时证明了所有敏感性边界均紧致可达。
2025-04-04 stat.ME
Interval identification of natural effects in the presence of outcome-related unmeasured confounding
University of Florence（佛罗伦萨大学）；University of Perugia（佩鲁贾大学）
本文在不假设结果混杂的情况下，推导了自然效应的识别界限，通过部分常数跨世界依赖性假设，提出了半参数方法以识别总效应区间。
2024-05-22 stat.ME
Debiased Machine Learning for Conformal Prediction of Counterfactual Outcomes Under Runtime Confounding
Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院生物统计系）；Department of Biostatistics and Informatics, Colorado School of Public Health（科罗拉多公共卫生学院生物统计与信息学系）；Department of Data Science, Dana Farber Cancer Institute（丹娜-法伯癌症研究所数据科学系）
本文提出一种计算高效的去偏机器学习框架，解决运行时混淆问题，通过半参数效率理论实现更快速收敛的置信区间。
2026-04-04 cs.LG stat.ML
Exploiting independence constraints for efficient estimation of bounds on causal effects in the presence of unmeasured confounding
Columbia University（哥伦比亚大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出利用因果图结构中的条件独立性约束，改进半参数估计器在非可识别设置中对因果效应上下界估计的效率，通过模拟和真实数据示例验证了方法的有效性。
2026-06-23 stat.ME
Semiparametric Causal Mediation Analysis for Linear Models with Non-Gaussian Errors: Applications to Drug Treatment and Social Program Evaluation
Ewha Womans University（梨花女子大学）
本文提出了一种半参数因果中介框架，用于处理线性模型中可能的非高斯误差，通过半参数高效回归估计、多启动拟合算法和堆叠估计方程，提高了非高斯误差下的中介效应估计精度和可靠性。
2026-04-09 stat.ME
Causal Spatial Quantile Regression
针对空间因果推断中因果效应的空间与分位数异质性问题，提出基于半参数神经网络的深度空间分位数回归因果框架及SQTE插件估计量，含空间隐藏混杂调整，仿真和北卡孕妇吸烟实例验证了其有效性。
2025-09-02 stat.ME
Comparative Causal Mediation and Relaxing the Assumption of No Mediator-Outcome Confounding: An Application to International Law and Audience Costs
实验通常包括多种治疗，主要目标是比较这些治疗的因果效应。本研究的重点是通过使用因果中介分析比较多种治疗的因果解剖。它提出了一套新的比较因果调解（CCM）estimands比较不同的治疗，通过一个共同的调解人的调解效果。此外，它推导出一组CCM估计量的属性，并显示这些估计量是一致的（或保守的）的假设下，不需要没有未观察到的混杂的中介-结果的关系，这是一个强大的和不可反驳的假设，通常必须作出一致的估计个别因果中介效应。为了说明这种方法，本研究提出了一个原始的应用程序，调查是否以及如何外交政策承诺的国际法律地位，可以增加国内政治的“观众成本”，民主政府违反这样的承诺。研究结果提供了新的证据表明，国际合法化可以通过多种因果渠道提高受众成本，包括通过放大违反承诺的不道德行为。
2019-07-01 stat.AP stat.ME
Contrasting Identifying Assumptions of Average Causal Effects: Robustness and Semiparametric Efficiency
本文比较后门、前门及两门三种因果识别假设，推导其有效影响函数与半参数效率界，并分析估计量达到界的条件及对冗余模型误设的稳健性，揭示效率与稳健性之间的权衡。
2023-02-17 stat.ME
Selective machine learning of doubly robust functionals
本文提出一种选择性机器学习框架，基于双重稳健性质定义伪风险并选择最优学习器对，用于半参数模型中有限维泛函的推断，并应用于平均处理效应的估计，理论证明其oracle性质，模拟和实证验证了有效性。
2023-09-03 math.ST stat.ME stat.ML
Semiparametric proximal causal inference
在从观察数据中进行因果推断时，对无未测量混杂的假设持怀疑态度，也称为交换性混杂，这通常是有道理的;因为交换性混杂取决于研究者准确测量协变量的能力，这些协变量可以捕获所有潜在的混杂来源。在实践中，人们最多只能希望协变量测量值最多能代表给定观察性研究中真正的潜在混杂机制。在本文中，我们考虑了Miao et al.（2018）引入的近端因果推断框架; Tchetgen Tchetgen et al.（2020），虽然明确承认协变量测量是混淆机制的不完美代理，但提供了一个机会，可以在基于测量协变量的交换失败的情况下了解因果效应。我们对近端推断做出了一些贡献，包括（i）平均处理效应的非参数近端识别的一组替代条件;（ii）平均处理效应的近端估计的一般半参数理论，包括感兴趣的关键半参数模型的效率界;（iii）平均处理效应的近端双稳健和局部有效估计的表征。此外，我们提供了类似的识别和效率结果的平均处理效应的处理。我们的方法是通过模拟研究和数据应用程序来说明对重症监护病房的重症患者的右心导管插入术的有效性进行评估。
2023-02-21 math.ST stat.ME stat.TH
Causal Mediation Analysis: Selection with Asymptotically Valid Inference
研究人员不仅对治疗对结果的影响感兴趣，而且还对这些影响的作用途径感兴趣。中介是一个变量，它受治疗的影响，并随后影响结果。现有的惩罚性中介分析方法可能会导致忽略重要的中介，或者假设有限维线性模型足以消除混杂偏倚，或者根本不执行混杂控制。实际上，这些假设可能并不成立。我们提出了一种方法，认为混杂函数作为滋扰参数估计使用数据自适应方法。然后，我们使用一种新的正则化方法应用到这个目标函数，以确定一组重要的调解人。在一定的假设下，我们得到了估计量的渐近性质，并建立了预言性质。渐近结果也提出了在一个本地设置的对比建议与标准的自适应套索。我们还提出了一个扰动引导技术，提供渐近有效的选择后推理的介导的影响。这些方法的性能将通过模拟研究进行讨论和论证。
2021-12-20 stat.ME
On Efficient Inference of Causal Effects with Multiple Mediators
本文针对多个交互中介变量场景，在一般设定下定义因果中介效应，采用半参数框架开发四重稳健估计量，证明其渐近正态性与局部半参数有效性，并通过创伤幸存者精神障碍数据集实证验证。
2024-01-10 econ.EM math.ST stat.ME
Semiparametric Efficient Empirical Higher Order Influence Function Estimators
Institute of Natural Sciences, MOE-LSC, School of Mathematical Sciences, CMA-Shanghai and SJTU-Yale Joint Center for Biostatistics and Data Science, Shanghai Jiao Tong University（上海交通大学自然学院、教育部数学科学中心、CMA-上海和上海交通大学-耶鲁生物统计与数据科学联合中心）；Department of Biostatistics, Harvard University（哈佛大学生物统计系）；Department of Economics, Massachusetts Institute of Technology（麻省理工学院经济学系）；Department of Epidemiology and Biostatistics, Harvard University（哈佛大学流行病学与生物统计系）
本文提出一种无需光滑性假设的半参数高效经验高阶影响函数估计器，适用于缺失数据模型中的均值估计。
2026-01-26 math.ST stat.TH
Targeted maximum likelihood estimation of vaccine effectiveness and immune correlates in test-negative design studies with missing data
University of Washington（华盛顿大学）；Fred Hutchinson Cancer Center（弗雷德·哈钦森癌症中心）
本文提出了一种针对测试阳性设计研究中缺失暴露变量数据的靶向最大似然估计方法，通过半参数逻辑回归模型估计症状性疾病的因果条件风险比，以实现灵活的数据驱动混杂控制和有效的因果推断。
2026-05-20 stat.AP stat.ME stat.ML
Sensitivity Analysis for Causal Decomposition Analysis: Assessing Robustness Toward Omitted Variable Bias
分解分析的一个关键目标是确定一个因素（“调解人”），有助于社会群体之间的结果的差异。在分解分析中，学术兴趣通常集中在估计差异有多大（例如，黑人妇女和白人男子之间的健康差距）将减少/保持，如果我们设置调解人（例如，（教育）一个社会群体与另一个社会群体平等的分配。然而，因果地识别差异减少和剩余依赖于没有省略的中介结果混杂假设，这是不能经验检验的。因此，我们提出了一套敏感性分析，以评估可能的未观察到的混淆的差异减少的鲁棒性。我们提供基于回归系数和$R^2$值的敏感性分析技术。所提出的技术是灵活的，以解决未观察到的混杂测量之前和之后的组状态。此外，基于$R^2$的敏感性分析提供了对敏感性参数的直接解释和报告研究结果稳健性的标准方法。虽然我们在分解分析的背景下引入了敏感性分析技术，但它们可以用于基于干预间接效应的任何调解设置。
2022-05-26 stat.ME
Estimating the effect of lymphovascular invasion on 2-year survival probability under endogeneity: a recursive copula-based approach
Indiana University（印第安纳大学）；Oregon State University（俄勒冈州立大学）
本文提出了一种递归Copula方法，用于估计淋巴血管侵犯对2年生存概率的影响，以应对内生性和删失问题，提高了生存结局的估计可信度。
2026-01-15 stat.ME
Bayesian data fusion for unmeasured confounding
贝叶斯因果推断提供了一个原则性的方法，建议的干预措施的政策评估介质或随时间变化的曝光。我们概述了一个一般的方法来估计因果量的设置随时间变化的混杂，如保险引起的中介结果混杂。我们进一步扩展这种方法，提出两个贝叶斯数据融合（BDF）方法的不可测的混杂。使用与混杂偏倚参数相关的量的信息先验，我们的方法结合了来自外部来源的数据，其中测量混杂因素，以便在主要研究人群中推断因果被估量。我们目前的结果，从模拟研究比较我们的数据融合方法，两种常见的频率校正方法的未测量的混杂偏差的调解设置。我们还证明了我们的方法与癌症诊断阶段的作用，在促进黑白结直肠癌生存差异的调查。
2019-02-27 stat.AP stat.ME
On a Debiased and Semiparametric Efficient Changes-in-Changes Estimator
本文扩展了变动中变动框架，在允许高维非单调未测量混杂的放宽假设下建立非参数识别，并提出具有 Neyman 正交性的半参数有效估计量，支持基于机器学习的推断，以应用于大规模枪击与美国选举结果等复杂混杂场景。
2025-08-19 econ.EM stat.ME
Using Ecometric Data to Explore Sources of Cross-Site Impact Variance in Multi-Site Trials
提出了一种新的方法来探索社会干预措施多中心试验中跨中心影响方差的来源。通过这种方法，治疗组参与者关于治疗经验的汇总报告用于定义潜在的介质，对照组参与者关于关注结果的汇总报告用于消除由于未测量的局部背景因素造成的混淆。特别注意校正由于介体中的测量误差而引起的偏差。这种方法的有效性的渐近理论。两个例子的应用程序，一个模拟和经验。
2021-12-02 stat.AP stat.CO
Multivariate Zero-Inflated Causal Model for Regional Mobility Restriction Effects on Consumer Spending
针对含过多零值、时变混杂和不规则观测时间的支出数据，提出结合乘法结构嵌套均值模型与逆强度加权的比率双重稳健因果估计方法，并发现流动性大幅下降显著影响印度消费者生鲜食品支出。
2025-10-03 stat.ME
Semiparametric Efficient G-estimation with Invalid Instrumental Variables
工具变量方法广泛应用于健康和社会科学领域，用于在存在潜在不可测量混杂因素的情况下识别和估计因果效应。为了提高效率，常规使用多个工具，导致对由于可能违反工具变量假设而导致的偏倚的担忧。为了解决这个问题，我们引入了一类新的g-估计量，保证保持一致和渐近正常的因果效应的利益，提供了一组至少$γ$的$K$候选工具是有效的，为$γ\leq K$设置的分析师事前，不一定知道的身份的有效和无效的工具。我们提供正式的半参数有效性理论支持我们的结果。模拟研究和英国生物银行数据的应用表明，我们的估计相比，竞争的方法优越的经验性能。
2022-04-17 stat.ME
Non-agency interventions for causal mediation in the presence of intermediate confounding
针对不可操纵原因及治疗诱导的中介者—结果混杂，提出基于边信息传递的非能动性干预与可识别路径效应，并给出具备√n一致性的高效非参数估计方法。
2023-04-25 stat.ME
Causal mediation with instrumental variables
中介分析是一种理解治疗或干预影响后期结果的机制的策略。中介分析经常应用于随机试验环境，但通常假设：a）随机分配是关注的暴露，而不是实际接受干预，b）没有未观察到的中介-结果关系的混杂。与关于估计非随机化暴露总效应的工具变量（IV）方法的丰富文献相反，几乎没有研究将IV用作存在确定结果和中介结果未观察到混杂的识别策略。作为回应，我们定义并确定了新的被估量--复杂的干预直接和间接效应（即，IV中介效应）在两种情况下：1）单一IV暴露，2）两个IV，一个暴露，另一个中介，这可能是相关的。我们提出了非参数的，强大的，有效的估计，并将其应用到住房券实验。
2021-12-27 stat.ME
Robust Inference for Mediated Effects in Partially Linear Models
本文针对部分线性中介模型提出多重稳健 G 估计量与基于 GMM 的正交得分检验，提升了效应推断功效、小样本表现及模型误设下的稳健性。
2021-04-28 stat.ME
Exact parametric causal mediation analysis for a binary outcome with a binary mediator
一个参数表达式的因果自然的直接和间接的影响，推导出设置一个二元结果与二元中介。建议的效果分解不需要结果是罕见的，并概括了现有的，允许暴露和中介和混杂协变量之间的相互作用。此外，它概述了因果关系和相应的路径特定的逻辑斯谛回归参数之间的关系，在平行的结果下，罕见的结果假设。还给出了通过δ方法获得的标准误的公式。一个模拟研究的实施，比较这些估计的一些竞争。作为一个例子，说明了从小额信贷实验在波斯尼亚和黑塞哥维那来的数据的实证应用。
2020-08-26 stat.ME
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
On Semiparametric Instrumental Variable Estimation of Average Treatment Effects through Data Fusion
假设一个人有兴趣在一个有效的工具变量的帮助下，在存在潜在的不可测量的混杂因素的情况下估计因果效应。本文研究了从两个独立的来源，其中一个包含信息的治疗和其他包含信息的结果，而仪器和基线协变量的向量值记录在两个数据融合时，对平均处理效应的推断问题。我们提供了一个一般的充分条件下，平均处理效应是非参数识别的数据融合引起的观察数据法，即使当数据是从两个异质群体，并推导出估计这个因果参数的效率界。对于推理，我们开发了参数和半参数的方法，包括一个多个强大的和局部有效的估计，即使在部分误指定的观测数据模型是一致的。我们通过模拟和公共住房项目的应用程序来说明的方法。
2020-02-13 stat.ME
Proximal Mediation Analysis with Unmeasured Treatment-Induced Confounding
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）；Department of Biostatistics & Medical Informatics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校生物统计与医学信息学系）
研究解决治疗引起的混杂因素问题，用观测变量作未测量混杂因素的代理，建立近端识别结果并开发估计器，通过模拟和实际数据应用说明该方法。
2026-07-07 stat.ME
On Partial Identification of the Pure Direct Effect
在因果中介分析中，纯（自然）直接效应的非参数识别通常依赖于（i）所谓的“跨世界反事实”独立性和（ii）无暴露诱导的混杂的基本假设，以及没有未观察到的暴露前混杂。当调解人是二进制的，边界部分识别时，既没有假设，或者假设只有（ii）。我们扩展现有的界限的情况下，一个polytomous调解人，并提供界限的情况下，只假设（i）。我们将这些界限应用于尼日利亚的哈佛PEPFAR项目的数据，在那里我们评估了抗逆转录病毒治疗对病毒学失败的影响在多大程度上是由患者的依从性介导的，并表明对这种影响的推断对模型假设有些敏感。
2015-09-05 stat.ME
Nonparametric estimators of interventional (transported) direct and indirect effects that accommodate multiple mediators and multiple intermediate confounders
中介分析因其能够提高对因果效应的机械驱动因素的理解而具有吸引力，但现实世界的数据复杂性对其成功实施提出了挑战，包括：1）存在也影响中介和结果的暴露后变量（因此，混淆了中介-结果关系），也可能是2）多变量，以及3）存在多变量中介。干预性直接和间接效应（IDE/IIE）包含混淆中介-结局关系的暴露后变量，但目前，不存在IDE/IIE的估计器，该估计器允许多变量中介和多变量暴露后中间混淆因素。这再次代表了现实世界分析的重大限制。我们通过扩展两个最近开发的非参数估计来解决这一差距-一个估计IDE/IIE，另一个估计IDE/IIE传输到一个新的目标人群-同时允许多变量介质和多变量中间混杂因素。我们使用模拟来检查有限样本的性能，并将这些估计量应用于移动到机会试验的纵向数据。在应用程序中，我们走过一个策略，将间接效应分离成中介或中介组特定的间接效应，同时适当地考虑其他可能共同发生的中间变量。
2022-12-15 stat.ME
Semiparametric Inference for Dynamic Causal Effects from Observational Time Series
The University of Hong Kong（香港大学）
针对观测时间序列中动态因果效应推断的挑战，提出结合去偏机器学习与工具变量的半参数框架，并验证其在货币政策应用中的有效性。
2026-09-24 stat.ME
Data fusion methods for the heterogeneity of treatment effect and confounding function
针对随机对照试验对异质性处理效应（HTE）检验力不足及观察性研究存在混杂的问题，提出利用混杂函数融合两类研究数据，推导了半参数有效得分与整合估计量，证明了HTE与混杂函数的可识别性及估计量更优的条件。
2024-11-13 stat.ME
Causal Mediation Analysis for Panel Data with Double/Debiased Machine Learning
Fudan University（复旦大学）
该研究提出结合双重/去偏机器学习的面板数据因果中介分析框架，可处理双向固定效应下的各类处理与中介变量，通过模拟验证其估计性能，应用美国县数据揭示总效应分解的敏感性。
2026-10-16 stat.ME
Semiparametric causal mediation analysis of cluster-randomized trials for indirect and spillover effects
Washington University in St. Louis（华盛顿大学圣路易斯分校）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出半参数效率理论，开发双重稳健方法，用于估计集群随机试验中的间接效应、个体中介效应和溢出效应。
2026-01-09 stat.ME
A semiparametric instrumental variable approach to optimal treatment regimes under endogeneity
有一个快速增长的文献估计最佳治疗方案的基础上随机试验或观察性研究的关键识别条件下，没有不可测量的混杂。由于在观察性研究或随机试验中无法确定性地排除不可测量因素的混杂，因此我们提出了一种通用的工具变量方法来学习内分泌下的最佳治疗方案。具体而言，我们建立了一个给定的制度$\mathcal{D}$和最佳制度$\text{argmax}_{\mathcal{D}} E[Y_{\mathcal{D}(L)}]$的帮助下，一个二进制工具变量的价值函数$E[Y_{\mathcal{D}(L)}]$的识别，当没有未测量的混杂未能举行。我们还构建了新的多重鲁棒分类为基础的估计。此外，我们建议，以确定和估计最佳的治疗方案之间的那些谁将遵守分配的治疗下一个标准的单调性假设。在后一种情况下，我们建立了有点令人惊讶的结果，即编译器的最佳方案可以一致地估计，而不直接收集遵守信息，因此没有编译器平均处理效应本身被确定。我们的方法说明了通过广泛的模拟研究和数据的应用，对劳动参与的儿童抚养的影响。
2020-08-10 math.ST stat.ME stat.ML
Semiparametric Causal Sufficient Dimension Reduction Of Multidimensional Treatments
因果关系通常通过将结果反应与二元治疗值进行比较来评价，二元治疗值代表假设的随机对照试验的两个组。然而，在某些应用中，感兴趣的治疗是连续的和多维的。例如，理解由辐射暴露值的多维向量总结的辐射治疗的严重性与治疗后副作用之间的因果关系是放射肿瘤学中的临床感兴趣的问题。做出可解释的因果结论的适当策略是减少治疗维度。如果多维治疗向量的单个元素对结果的影响很弱，但治疗和结果之间的整体关系很强，则不小心的降维方法可能无法保持这种关系。此外，为回归问题开发的方法由于混杂的复杂性而不直接转移到因果推断。在本文中，我们使用半参数推理理论的结构模型，给出了一个一般的方法，因果充分的降维的多维治疗，使治疗和结果之间的因果关系是保留。我们说明了我们的建议，通过模拟和实际数据应用在放射肿瘤学的效用。
2022-06-13 stat.ME
Perturbation-based Effect Measures for Compositional Data
University of Copenhagen（哥本哈根大学）
针对成分数据现有效应度量不适用于高维稀疏场景、无偏评估成分统计量对响应变量影响困难的问题，提出基于假设数据扰动的平均扰动效应框架，通过重参数化和半参数技术高效估计，经多数据集验证优于现有方法。
2026-08-25 math.ST stat.ME stat.ML
