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
Efficient Nonparametric Inference for Mediation Analysis with Nonignorable Missing Confounders
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）；Center for Applied Statistics and School of Statistics, Renmin University of China（中国人民大学应用统计中心及统计学院）；School of Management and Economics, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）经管学院）
本文提出一种通用影子变量框架和Sieve-based Iterative Outward方法，用于处理非忽略缺失混杂变量的中介效应推断，证明了估计器的局部效率和半非参数效率界，并通过模拟和实证分析展示了方法的有效性。
2025-12-15 stat.ME
Efficient nonparametric estimation with difference-in-differences in the presence of network dependence and interference
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出一种在存在网络依赖性和干扰情况下，利用差异-in-差异方法进行高效非参数估计的方法，通过条件平行趋势假设和适当网络依赖性条件，提出双稳健估计器，并应用于研究煤炭电厂采用排放控制技术对县心血管疾病死亡率的影响。
2026-05-09 stat.ME
Causal Inference on Missing Exposure via Robust Estimation
针对暴露随机缺失下的因果推断问题，提出基于加权估计方程的IPW与三重稳健估计量，降低极端权重影响并防范模型误设。
2024-06-12 stat.ME
Estimating Average Causal Effects with Incomplete Exposure and Confounders
针对暴露和混杂因素缺失时的平均因果效应估计问题，提出了在随机缺失和非随机缺失假设下的双重稳健目标最大似然估计器（TMLE），并通过模拟和NHANES数据验证了其有效性。
2025-06-26 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
A Review of Statistical Methods for Handling Nonignorable Missing Data using Instrument Approach
本文综述了利用工具变量处理不可忽略缺失数据的统计方法，重点介绍了两种半参数框架及其关键进展与挑战。
2025-09-18 stat.ME
Graphical tools for detection and control of selection bias with multiple exposures and samples
提出基于条件可分效应和子样本选择指标的潜在结果框架替代表述，简化识别条件并推广至多重嵌套样本及时间依赖性暴露场景。
2024-09-20 stat.ME
Comparing Causal Inference Methods for Point Exposures with Missing Confounders: A Simulation Study
本研究通过受EHR减重手术研究启发的模拟，评估Levis等人的ATE估计量与先插补后回归或IPW等方法，发现没有单一估计量一致最优，并给出缺失混杂下的实践建议。
2025-07-25 stat.ME
Nonparametric Bounds and Sensitivity Analysis of Treatment Effects
本文考虑对治疗（或暴露）对感兴趣结果的影响进行推断。在随机分配治疗的理想环境中，在某些假设下，处理效应可从可观察数据中识别，推断简单明了。然而，在其他情况下，如观察性研究或不依从的随机试验，处理效应不再是可识别的，而不依赖于不可检验的假设。尽管如此，可观察的数据通常确实提供了一些关于治疗效果的信息，也就是说，感兴趣的参数是部分可识别的。在这种情况下，通常采用两种方法：（i）在最小假设下推导治疗效果的界限，或（ii）调用其他不可检验的假设，使治疗效果可识别，然后进行敏感性分析，以评估随着不可检验的假设的变化，关于处理效应的推断如何变化。方法（一）和（二）是在各种情况下考虑的，包括评估主要的分层效应、直接和间接效应以及随时间变化的照射效应。还讨论了对部分识别参数进行形式化推理的方法。
2015-03-05 stat.ME
Inverse Probability Weighting of Count Exposures in the Presence of Missing Data: A Simulation Study
Centre for Longitudinal Studies, UCL Social Research Institute, University College London（长期研究发展中心，UCL社会研究所，伦敦大学学院）；Research Department of Behavioural Science and Health, Institute of Epidemiology and Health Care, University College London（行为科学与健康研究系，流行病学与健康护理研究所，伦敦大学学院）
本文通过模拟研究评估了五种逆概率加权方法在计数暴露中的表现，探讨了多重插补对IPTW的影响，发现某些方法在完整数据和随机缺失时表现良好，但在部分缺失时存在偏倚问题。
2026-03-24 stat.AP stat.ME
Nonparametric bounds for causal effects in imperfect randomized experiments
即使在设计良好的随机实验中，也可能发生不可解释的遗漏和不依从，从而使实验设计用于估计的干预效果不可识别。非参数因果界限提供了一种方法，以最小的假设来缩小不可识别的因果效应的可能值的范围。我们推导出新的界限的因果风险差异的二元结果和干预随机实验中的不可分割的缺失所造成的各种机制，并与或不遵守。我们说明了使用我们的激励数据的例子花生消费花生过敏的婴儿的发展建议的界限。
2020-10-11 math.ST stat.ME stat.TH
Model Selection for Causal Modeling in Missing Exposure Problems
针对暴露随机缺失下因果推断的模型选择研究空白，提出同时选择插补与PS模型的思路及“秩得分”评估准则，模拟验证其能选出最小RMSE的模型组合，并应用于量化CVD对新冠患者死亡率的因果效应。
2024-12-13 stat.AP stat.ME
Double sampling for informatively missing data in electronic health record-based comparative effectiveness research
本文针对电子健康档案中结局数据非随机缺失问题，提出双重抽样设计以支持因果效应估计与推断，并推导出非参数模型和MAR模型下的高效稳健估计量，同时将方法扩展至任意粗化机制。
2023-07-10 stat.ME
Nonparametric identification and efficient estimation of causal effects with instrumental variables
本文整理了基于条件Wald估计量的因果效应非参数识别条件，提出了对应边际和条件因果对比泛函的非参数有效估计量，并通过观察性研究和随机试验验证了方法。
2024-02-14 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
ANOVA for longitudinal data with missing values
我们对缺失值的纵向研究进行了多个处理的ANOVA比较。通过部分线性回归对治疗效果进行半参数建模，该回归在量化治疗的时间效应方面具有灵活性。采用经验似然性来制定模型稳健的非参数ANOVA检验，用于协变量、非参数时间效应函数以及协变量与时间之间的相互作用的治疗效应。所提出的测试可以很容易地修改为各种数据和模型组合，包括参数，半参数和非参数回归模型;横截面和纵向数据，并有或没有缺失值。
2012-11-13 math.ST stat.TH
Causal Effects of Prenatal Drug Exposure on Birth Defects with Missing by Terathanasia
最近的一项队列研究显示，婴儿的主要结构性出生缺陷与孕妇服用的某种药物呈正相关。为了得出有效的因果推断，需要克服的一个突出问题是自然流产导致的妊娠损失中出生缺陷结局的缺失。这导致了非随机缺失，因为根据“畸胎”理论，有缺陷的胎儿更有可能自然流产。数据中的其他并发症包括左截断、右删失、观察性质和罕见事件。此外，先前的分析根据活产与自然流产进行分层，自然流产本身是一个暴露后变量，因此无法对分层结果进行因果解释。在本文中，我们的目的是估计和提供推论的因果参数的科学利益，包括主效应，利用缺失数据机制告知“terathanasia”。对结局缺失的罕见事件进行了多项敏感性分析，在这些分析中，可以在每种情况下以更高的置信度估计因果参数。我们的研究结果应该阐明如何使用最先进的方法来分析妊娠期间药物或其他暴露的因果关系。
2022-06-07 stat.AP
A Multiplicative Instrumental Variable Model for Data Missing Not-at-Random
提出一种乘法工具变量模型，允许选择偏差不受限制，通过Wald比率实现非参数识别，并开发半参数多重稳健估计器，应用于HIV调查数据校正选择偏差。
2025-09-26 stat.ME
Weighted Euclidean balancing for a matrix exposure in estimating causal effect
在许多科学领域，如生物学，心理学和社会学，有越来越多的兴趣，估计因果关系的矩阵暴露的结果。协变量平衡是因果推断中的关键问题，精确平衡和近似平衡方法在过去的几十年中已经被提出。然而，由于大量的约束条件，它是难以实现精确的平衡或选择阈值参数的近似平衡方法时，处理是一个矩阵。为了应对这些挑战，我们提出了加权欧氏平衡方法，从整体的角度近似平衡协变量。该方法同样适用于高维协变量的情形。提出了估计矩阵处理因果效应的参数和非参数方法，并给出了这两种估计的理论性质。仿真结果表明，该方法在各种情况下都优于其他方法。最后，将此方法应用于调查儿童参加各种训练课程与其智商之间的因果关系。结果表明，6-9岁儿童参加实践课程的时间对儿童的智商有显著的积极影响。
2023-03-13 stat.ME
Multiply Robust Causal Inference with Double Negative Control Adjustment for Categorical Unmeasured Confounding
在观察性研究中，不可测量的混杂因素对因果推断是一种威胁。近年来，使用阴性对照来减轻不可测量的混杂因素得到了越来越多的认可和普及。阴性对照在实验室科学和流行病学中具有排除非因果解释的悠久传统，尽管它们主要用于偏倚检测。最近，Miao等人（2018）描述了一对阴性对照暴露量和结局变量可用于从受非受控混杂影响的观察数据中非参数化识别平均处理效应（ATE）的充分条件。在本文中，我们建立了非参数识别的ATE在较弱的条件下的情况下，分类不可测的混杂和负控制变量。我们还提供了一个通用的半参数框架，用于获得有关ATE的推断，同时利用有关可能大量的测量协变量的信息。特别地，我们推导了非参数模型下的半参数有效界，并在非参数估计不可行的情况下，提出了多重稳健和局部有效估计。我们在广泛的模拟研究中评估我们的方法的有限样本性能。最后，我们说明了我们的方法与应用程序的postlicensure儿童疫苗的安全性监测。
2019-09-04 stat.ME
Discussion of "Causal and counterfactual views of missing data models" by Razieh Nabi, Rohit Bhattacharya, Ilya Shpitser, & James M. Robins
本文是对 Nabi 等人基于 m-DAG 和非参数独立性限制识别 MNAR 模型的讨论，延伸探讨因果推断工具、缺失数据与因果推断的结合问题及示例模型估计。
2025-06-16 stat.ME
Efficient estimation of the error distribution function in heteroskedastic nonparametric regression with missing data
本文提出了一种基于残差的经验分布函数来估计响应随机缺失的异方差非参数回归的误差分布函数，并证明了这种估计是渐近最精确的.
2016-10-27 stat.ME
Difference-in-differences Design with Outcomes Missing Not at Random
本文针对DID设计中面板数据缺失问题，指出完整案例分析等方法的不足，提出基于主层的识别策略，利用缺失模式组内平行趋势和缺失率估计组比例，调整Lee界实现因果效应部分识别，且无需处理与缺失模式独立及效应同质假设。
2024-11-27 econ.EM stat.AP stat.ME
Nonparametric Estimation of Population Average Dose-Response Curves using Entropy Balancing Weights for Continuous Exposures
加权估计量通常用于估计观测环境中的暴露效应，以建立因果关系。当关注的暴露是二进制的并且权重通常是估计的倾向得分的函数时，这些估计器具有很长的开发历史。在二进制暴露设置中构建权重的基于优化的估计器（例如基于熵平衡的估计器）的最新发展，在估计处理效应方面显示出比那些专注于使用基于可能性的方法直接估计倾向得分的方法更有希望。本文探讨了熵平衡方法的最新发展，以连续暴露设置和人口剂量-反应曲线的估计使用非参数估计结合熵平衡权重，重点关注的因素，将是重要的应用研究人员在医疗或卫生服务研究。这里开发的方法应用于一项研究的数据，评估情绪和物质使用的临床结果的循证物质使用治疗计划的非随机成分的影响。
2020-03-05 stat.ME
Bounds and Sensitivity Analysis of the Causal Effect Under Outcome-Independent MNAR Confounding
Linköping University（林雪平大学）
该研究针对混杂因素非随机缺失且缺失机制与结果独立的场景，给出了因果效应对比的无假设界，并提出配套的敏感性分析方法。
2024-11-01 cs.LG stat.ME stat.ML
Robust Causal Inference for EHR-based Studies of Point Exposures with Missingness in Eligibility Criteria
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；Harvard Pilgrim Health Care Institute（哈佛皮尔格里姆健康保健研究所）；Harvard Medical School（哈佛医学院）；Kaiser Permanente Washington Health Research Institute（凯撒永久华盛顿健康研究所）；Department of Research & Evaluation, Kaiser Permanente Southern California（凯撒永久南加州研究与评估部）；University of California San Francisco（旧金山加利福尼亚大学）；University of Washington School of Public Health（华盛顿大学公共卫生学院）；University of Pennsylvania（宾夕法尼亚大学）
本文提出一种稳健高效的因果平均治疗效应估计方法，用于处理电子健康记录中纳入标准缺失的队列研究，通过灵活的机器学习策略提升分析准确性。
2026-10-09 stat.AP stat.ME
Nonparametric Inference with an Instrumental Variable under a Separable Binary Treatment Choice Model
Department of Statistics, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校统计学系）；Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系）
本文提出了一种基于可分离二元治疗选择模型的非参数推断方法，通过引入变分独立参数化和固定点论证，实现对治疗效应的半参数有效估计。
2026-02-02 stat.ME
Partial identification for discrete data with nonignorable missing outcomes
针对非可忽略缺失结局的离散数据，提出一种结合工具变量与缺失偏差方向限制的非参数贝叶斯部分识别方法，并引入拒绝采样算法量化假设证据，优于Heckman模型。
2023-10-17 stat.ME
Robust inference on population indirect causal effects: the generalized front-door criterion
关于直接和间接效应的标准推断方法需要严格的无未测量混杂假设，这些假设在实践中往往不成立，特别是在观察性研究中。本文的目的是介绍一种新形式的间接效应，人口干预间接效应（PIIE），它可以在暴露和结果的不可测量的共同原因的存在下，非参数识别。这种新型的间接效应捕捉了在干预措施下，暴露的影响在多大程度上是由中间变量介导的，干预措施将直接影响结果的暴露成分保持在其观察值。PIIE实际上是Hubbard和Van der Laan（2008）引入的人口干预效应的间接组成部分。有趣的是，我们的识别标准概括了朱迪亚珍珠的前门标准，因为它不需要没有直接影响的曝光不介导的中间变量。对于推理，我们开发了参数和半参数的方法，包括一种新的双鲁棒半参数局部有效估计，在模拟研究中表现非常好。最后，所提出的方法被用来衡量在坦桑尼亚的孕产妇健康计划中注册的妇女之间的货币储蓄建议的有效性。
2019-09-23 stat.ME
Spatial Causal Tensor Completion for Multiple Exposures and Outcomes: An Application to the Health Effects of PFAS Pollution
North Carolina State University（北卡罗来纳州立大学）
本文提出一种空间因果张量补全框架，用于处理多暴露和结果的联合因果效应估计，通过低秩张量结构和谱调整步骤应对空间混杂和缺失数据。
2026-03-17 stat.ME
Double Robust Variance Estimation with Parametric Working Models
本文证明经验三明治方差估计量和非参数自助法为双重稳健方差估计量，在仅有一个参数工作模型正确设定时提供有效方差估计，并通过模拟和IPOP研究验证。
2024-11-04 stat.AP 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
Handling missing data when estimating causal effects with Targeted Maximum Likelihood Estimation
本文通过模拟研究评估了TMLE因果推断中八种缺失数据处理方法，发现包含交互项和非线性项的参数多重填补方法在多数情景下偏倚和方差表现最佳。
2024-05-03 stat.AP stat.ME
Causal Effect Estimation with TMLE: Handling Missing Data and Near-Violations of Positivity
Ludwig-Maximilians University Munich（路德维希-马克西米利安慕尼黑大学）；Centre for Integrated Data and Epidemiological Research（综合数据与流行病学研究中心）；UMIT - University for Health Sciences, Medical Informatics and Technology（UMIT - 健康科学、医学信息与技术大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本文评估了TMLE在处理缺失数据场景下的因果效应估计性能，发现非多重插补方法在减少偏差方面表现更优，而多重插补CART方法在均方误差上更优但覆盖率可能下降。
2025-10-25 stat.ME stat.ML
Asymptotics of Nonparametric Estimation under General Non-monotone MAR Missingness: A Nonparametric Maximum Likelihood Approach
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文针对非单调MAR缺失情形，采用筛极大似然方法建立非参数估计的收敛速率，将其应用于密度估计时，所得估计量经EM算法近似后，在模拟中表现与使用完整数据的核密度估计器相当。
2026-11-05 stat.ME
Simultaneous confidence bands for nonparametric regression with partially missing covariates
本文考虑了协变量随机缺失的非参数回归的基于逆选择概率的加权局部线性估计。导出了估计量与真实回归函数之间的最大偏差的渐近分布，并构造了渐近精确的同时置信带。回归函数的估计被证明是oracally有效的意义上说，它是一致的不可区分的，当选择概率是已知的。有限样本性能通过模拟研究，支持我们的渐近理论。通过对加拿大2010/2011年青年学生调查数据集的分析，证明了所提出的方法。
2020-02-28 stat.ME
Consistent Estimation of Propensity Score Functions with Oversampled Exposed Subjects
通常采用过采样暴露受试者的观察性队列研究，以了解罕见暴露的因果效应。由于样本中暴露受试者的分布与源人群不同，因此倾向得分函数的估计（即，给定基线协变量的暴露概率）以非参数化的不可识别参数为目标。倾向得分函数的一致估计是各种因果推断估计的重要组成部分，包括双稳健机器学习和逆概率加权估计。本文开发了一个灵活的计算实现，可以使用任何算法，允许观察加权产生相合估计量的倾向得分函数的暴露从源人口的概率。模拟研究和一个假设的卫生政策干预数据分析表明，这些倾向得分函数估计与观察权重在有限样本的经验偏差和方差低。
2019-02-13 stat.ME stat.ML
Everything all at once: On choosing an estimand for multi-component environmental exposures
本文提出一种非参数方法，通过机器学习量化暴露混合物变化与结局的关系，避免参数模型假设，用于研究农业杀虫剂暴露与高血压风险的关系。
2026-04-30 stat.AP stat.ME
Distributed nonparametric regression imputation for missing response problems with large-scale data
针对大规模数据缺失响应问题，本文提出基于核平滑和筛方法的两种分布式非参数回归插补方法，并证明所得响应均值估计量渐近正态且达到半参数效率界。
2023-01-08 stat.ME
Bias in studies of prenatal exposures using real-world data due to pregnancy identification method
本研究指出基于结局的妊娠识别方法会导致产前暴露研究偏倚，通过模拟1000万例妊娠比较三种识别方法，发现仅基于所有妊娠（含未观察结局）的方法在缺失预测因子可测时无偏，为真实世界数据研究提供方法参考。
2025-04-16 stat.AP
Nonparametric modal regression with missing response observations
针对响应变量存在缺失观测值的问题，本文调整了非参数众数回归工具，通过广泛模拟研究考察多种插补方法，并用实际数据示例验证了其有效性。
2025-04-07 stat.ME
Relaxing monotonicity in endogenous selection models and application to surveys
本文考虑内生选择模型，特别是非参数的。当使用工具变量时，估计结果的无条件定律是可能的。使用一个选择方程，这是可加性分离的一维不可观测的工具单调性有时不可取的属性。我们提出的模型，允许非单调性和非参数随机系数指数的基础上。我们讨论了他们的非参数识别和应用这些结果推断非线性统计，如基尼指数在调查时，无响应不随机失踪。
2020-10-06 math.ST stat.TH
Treatment Effect Heterogeneity and Importance Measures for Multivariate Continuous Treatments
本文针对多元连续暴露的处理效应估计问题，提出灵活的非参数贝叶斯方法，引入刻画处理效应异质性的新估计量并给出估计程序，通过后验收缩率提供理论支持，并在PM$_{2.5}$组分暴露健康效应研究中验证了方法有效性。
2025-01-03 stat.AP stat.ME
Bayesian nonparametric mixtures of categorical directed graphs for heterogeneous causal inference
本文提出基于分类DAG的狄利克雷过程混合模型，在个体层面进行异质性因果推断，并通过模拟和乳腺癌心脏毒性数据验证其有效性。
2024-08-31 stat.AP stat.ME
Efficiently estimating the error distribution in nonparametric regression with responses missing at random
本文考虑了具有多元协变量和响应随机随机缺失的非参数回归模型。我们估计的回归函数与局部多项式平滑。残差为基础的经验分布函数，只使用完整的情况下，即残差，实际上可以从数据中构建，被证明是有效的意义上的Hájek和Le Cam。在证明中，我们得出，更一般地说，有效的影响函数估计任意线性泛函的误差分布，这涵盖了分布函数作为一种特殊情况。我们还表明，完整的情况下基于残差的经验分布函数承认一个功能中心极限定理。最后，本文进行了一个小型模拟研究，调查了完整案例基于残差的经验分布函数的性能。
2016-10-26 stat.ME
Nonparametric efficient estimation of the longitudinal front-door functional
University of Copenhagen（哥本哈根大学）
本文提出纵向前门函数的非参数高效估计方法，适用于高维中介变量和数据自适应方法，通过模拟研究和婴儿花生过敏试验验证其理论性质。
2026-03-16 stat.ME
Causal Inference with Outcomes Truncated by Death and Missing Not at Random
本文研究结局因死亡截断且缺失非随机情形下的因果推断，提出利用代理变量识别幸存者子群体中的平均治疗效应，并给出估计方法与非参数界。
2025-07-04 stat.AP stat.ME
Graphical models for mediation analysis
中介分析试图通过中介变量或中介物推断暴露对结果的影响有多少可归因于特定途径。这就需要确定所谓的路径特异性效应。它们表达了暴露的变化如何影响这些中间变量（沿着某些途径），以及这些变量的变化如何反过来影响结果（沿着后续途径）。然而，与总效应的识别不同，混杂调整不足以识别路径特异性效应，因为它们的大小也取决于个体在多大程度上经历了对中介体的大暴露效应，倾向于经历相对较小或较大的中介体效应对结果的影响。因此，本章提供了一个一般的非参数结构方程模型（可能无法测量的变量），其中排除了某些这样的依赖性识别策略的访问审查。特别是，它示出的路径特定的影响，可以确定在这样的模型，以及如何可以做到这一点。
2018-01-18 math.ST stat.ME stat.TH
Estimating heterogeneous effects of continuous exposures using Bayesian tree ensembles: revisiting the impact of abortion rates on crime
在估计连续暴露或治疗的因果效应时，重要的是控制所有混杂因素。然而，大多数现有的方法需要控制变量如何影响结果或广义倾向得分的参数规范，并且对处理效应的推断通常对这种选择敏感。此外，通常的目标是估计处理效应如何在观察单位之间变化。为了解决这一差距，我们提出了一个半参数模型使用贝叶斯树集成估计的因果关系的影响，连续治疗的暴露，（i）不需要先验参数规范的控制变量的影响，和（ii）允许识别的影响修改预先指定的主持人。我们所做的主要参数假设是，暴露对结果的影响是线性的，这种关系的陡度由主持人的非参数函数决定，我们提供了诊断这一假设的有效性的方法。我们运用我们的方法来重新审视2001年关于堕胎率如何影响犯罪发生率的研究。
2020-07-20 stat.AP
Semiparametric Bayesian causal inference
我们开发了一个半参数贝叶斯方法估计的平均响应在一个缺失的数据模型与二进制的结果和非参数建模的倾向得分。等价地，我们估计治疗的因果效应，对混杂进行非参数校正。我们证明了标准高斯过程先验在光滑条件下满足半参数Bernstein-von Mises定理。我们进一步提出了一种新的倾向分数相关的先验知识，在严格较弱的条件下提供有效的推理。我们还表明，理论上最好使用狄利克雷过程或贝叶斯自助法对协变量分布进行建模，而不是使用高斯过程先验对协变量密度进行建模。
2019-10-10 math.ST stat.ME stat.TH
Nonparametric Inference on Dose-Response Curves Without the Positivity Condition
针对连续处理观察性研究中正性条件常不成立的问题，提出基于更弱假设的剂量-反应曲线非参数推断方法，通过积分样本处理效应导数缓解偏差，结合bootstrap实现有效推断，经模拟和PM2.5心血管死亡率分析验证性能。
2025-01-19 math.ST stat.AP stat.ME
Nonparametric estimation of the interventional disparity indirect effect among the exposed
本文研究暴露组中干预差异间接效应的识别与非参数估计，推导了有效影响函数及双重稳健的TMLE程序，适用于无删失和右删失生存结果，并通过模拟验证了其性能。
2023-05-17 stat.ME
Causal bounds for outcome-dependent sampling in observational studies
结果依赖型抽样设计在流行病学、生态学和经济学等许多不同的科学领域都很常见。与所有的观察性研究一样，这种设计经常受到无法测量的混杂因素的影响，这通常会排除因果效应的非参数识别。非参数边界可以提供一种方法来缩小不可识别因果效应的可能值范围，而无需进行额外的不可检验假设。非参数界文献几乎完全集中在随机抽样的设置，和边界往往是由一个特定的线性规划方法。我们推导了因果风险差异的新界限，通常称为平均处理效应，在六种情况下，采用结果依赖性抽样和未测量的混杂因素，用于二进制结果和暴露。我们的推导的界限说明了两种方法，可能适用于其他设置的边界问题不能直接表示为一个系统的线性约束。我们说明了我们推导出的边界在一个真实的数据例子，涉及维生素D浓度对死亡率的影响。
2020-10-11 math.ST stat.ME stat.TH
