Nonparametric Identification of Demand without Exogenous Product Characteristics
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）；Brown University（布朗大学）
本文提出在更弱的指数限制和‘信仰’条件下，通过重新中心化的工具非参数识别需求，解决了内生产品特征下的需求识别问题。
2026-02-20 econ.EM math.ST 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
Rank-Based Procedures in Factorial Designs: Hypotheses about Nonparametric Treatment Effects
非参数情况下的析因设计的现有检验是基于根据分布函数制定的假设。然而，典型的零假设，制定了一些参数或效果的措施，特别是在异方差设置。在这里，这一想法是扩展到非参数模型，通过引入一种新的非参数方差分析型统计量的基础上的秩，这是适合于检验假设制定有意义的非参数处理效应一般析因设计。这是通过仔细深入研究处理效应的基于秩的估计量的常见分布来实现的。由于统计量是渐近不是一个关键的数量，我们提出了三种不同的近似技术，讨论他们的理论性质，并比较它们在广泛的模拟与两个additionalWald型测试。所提出的想法一般重复的措施设计的扩展进行了简要概述。建议的基于秩的程序保持预先分配的第一类错误率相当准确，也在不平衡和异方差模型。
2016-10-26 stat.ME
Nonparametric tests of treatment effect homogeneity for policy-makers
Ghent University（根特大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Fred Hutchinson Cancer Center（弗雷德·哈钦森癌症中心）
本文提出非参数检验方法，用于检测治疗效应异质性，适用于连续和离散协变量，无需样本分割即可获得可 tractable 的渐近 null 分布，通过模拟研究和艾滋病临床试验重新分析验证其有效性。
2026-04-04 stat.ME
Nonparametric tests for treatment effect heterogeneity in observational studies
我们考虑了观察性研究中处理效应异质性的检验问题，提出了一种基于多样本U统计量的非参数检验方法。为了解释潜在的混杂因素，我们使用重新加权的数据，其中权重由估计的倾向得分确定。所提出的方法不需要对结局进行任何参数假设，并且绕过了对每个研究亚组的处理效应进行建模的需要。我们建立了检验统计量的渐近正态性，并通过模拟研究证明了其优越的数值性能。两个真实的数据应用，包括就业计划评估研究和中国的独生子女政策的心理健康研究进行了讨论。
2021-03-28 stat.ME
Nonparametric Identification and Estimation of Spatial Treatment Effect Boundaries: Evidence from 42 Million Pollution Observations
本文提出非参数框架识别估计空间处理效应边界，利用4200万个卫星NO₂观测，证明核回归较参数指数衰减平均降低预测误差1.0个百分点，并验证了时间敏感性。
2025-10-20 econ.EM econ.TH stat.AP
Nonparametric Point Identification of Treatment Effect Distributions via Rank Stickiness
The University of Chicago（芝加哥大学）
本文提出非参数点识别治疗效应分布的方法，通过排名粘性参数实现，无需强假设，且能处理排名违反情况，推导出闭式条件矩和违反概率，扩展到观察性研究。
2026-04-23 econ.EM stat.ME
Nonparametric Identification of Spatial Treatment Effect Boundaries: Evidence from Bank Branch Consolidation
本文提出非参数框架识别处理效应空间边界，应用于银行分支机构数据，发现邻近性影响贷款量而非批准率，且高收入地区关闭更多源于战略整合而非歧视。
2025-10-20 econ.EM econ.TH stat.AP
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
Nonparametric Heterogeneous Treatment Effect Estimation in Repeated Cross Sectional Designs
确定人口对健康或政策干预的反应的异质性对于评估和告知政策决定至关重要。我们提出了一种新的异质性处理效应估计的差异中的差异设计与重复的横截面数据，在那里我们观察不同的样本的人口在两个时间段分开的政策干预，以及作为控制的人口样本。我们的估计器具有正交特性，能够快速学习处理效应，同时允许较慢的速率估计滋扰成分。我们的建议在各种模拟设置中显示出有前途的经验性能。
2021-08-22 stat.ME
Nonparametric Analysis of Delayed Treatment Effects using Single-Crossing Constraints
由于处理效应延迟，涉及新型免疫肿瘤学（IO）治疗的临床试验经常显示出违反比例风险假设的生存曲线，在这种情况下，两个治疗组的生存曲线可能在两条曲线最终分离之前出现交叉。为了灵活地模拟这种情况，我们描述了一种用于估计治疗组特异性生存函数的非参数方法，该方法限制这两个生存函数最多交叉一次，而不对生存曲线如何相关进行任何额外的假设。我们的方法的一个主要优点是，它提供了一个交叉时间的估计，如果这样的交叉存在，而且，我们的方法产生可解释的措施的治疗效益，包括交叉条件生存概率和交叉条件估计的限制剩余平均寿命。我们证明了我们的方法的使用和有效性与一个大型的模拟研究和分析重建的结果，从最近的联合治疗试验。
2021-01-31 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
Efficient nonparametric causal inference with missing exposure information
暴露信息缺失是许多观察性研究的一个非常常见的特征。在这里，我们研究的可识别性和有效的估计向量结果的因果关系的影响，在这种情况下，治疗是无混淆的，但部分失踪。我们考虑一个随机缺失的设置，其中治疗中的缺失不仅取决于复杂的协变量，而且还取决于治疗后的结果。我们给出了一个新的识别表达式平均处理效应在这种情况下，随着有效的影响函数，这个参数在非参数模型中，这产生了一个非参数的效率界。我们使用后一个结果来构造对维数灾难不像通常那样敏感的非参数估计，例如，通过具有更快的收敛速度比复杂的滋扰估计，他们依赖。进一步，我们表明，这些估计可以根-n一致的和渐近正常的弱非参数条件下，即使使用灵活的机器学习。最后，我们将这些结果应用到部分缺失工具变量的因果推断问题。
2020-02-02 stat.ME
Local Identification of Nonparametric and Semiparametric Models
该研究将参数非线性结构模型的经典局部识别满秩条件推广至非参数非线性场景，补充了避免非线性掩盖线性效应的邻域约束，并应用于三类重要模型得到新的原生识别条件。
2013-05-08 math.ST stat.ME stat.TH
A nonparametric doubly robust test for a continuous treatment effect
针对观察数据中连续处理效应的推断难题，本文提出一种完全非参数双重稳健检验方法，通过局部U-和V-过程建立检验统计量的渐近分布，并利用野自助法实现检验，在R包DRDRtest中发布。
2023-05-22 math.ST stat.ME stat.TH
A More Efficient, Doubly Robust, Nonparametric Estimator of Treatment Effects in Multilevel Studies
当在多水平研究中研究处理效应时，研究者通常使用（半）参数估计，其对结果、处理和/或聚类中研究单元之间的相关性结构进行强参数假设。我们提出了一种新的估计处理效应，不做这样的假设。具体而言，新的估计是双重强大的，渐近正态，往往比现有的估计更有效，所有的结果，治疗和相关结构，而无需作出任何参数建模假设。我们通过估计两个非标准的滋扰功能在因果推断，条件倾向得分和结果协方差模型，使用现有的机器学习方法设计的独立和同分布（i.i.d）的数据。新的估计也表明，在模拟和真实的数据中，新的估计是比现有的估计更有效，特别是在研究集群特定的处理效应。
2022-05-10 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
Heterogeneous Treatment Effects under Network Interference: A Nonparametric Approach Based on Node Connectivity
Purdue University（普渡大学）；University of Michigan（密歇根大学）
该研究针对网络干扰下的因果推断问题，提出了基于节点连通性的非参数方法KECENI，用于估计节点级反事实均值，通过小额信贷数据验证了其可揭示网络特征对处理效应的影响。
2026-08-07 stat.ME
A nonparametric Bayesian analysis of heterogeneous treatment effects in digital experimentation
随机对照试验在互联网公司如何预测政策决策和产品变化的影响方面发挥着重要作用。在这些“数字实验”中，不同的单位（人、设备、产品）对治疗的反应不同。本文提出了一种快速和可扩展的贝叶斯非参数分析的异质性处理效应和他们的测量可观察到的协变量。通过线性投影和非线性回归树（CART和随机森林），提供了量化与处理效应测量相关的不确定性的新结果和算法。对于线性预测，我们的推理策略导致的结果，大多是在与那些从频率论文献。我们发现处理效应平均值的线性回归调整（即，后分层）可以提供一定的方差减小，但是这种减小在数字实验的低信号和大样本设置中将非常小。对于回归树，我们为通常应用于树拟合的机器学习算法提供了不确定性量化。我们认为，从业者应该看看合奏的树木（森林），而不是个别树木在他们的分析。通过一个涉及2100万独立用户的EBay.com的示例实验，应用和说明的想法。
2015-12-18 stat.AP
A Nonparametric Method for Value Function Guided Subgroup Identification via Gradient Tree Boosting for Censored Survival Data
在具有生存结局的随机临床试验中，基于基线基因组、蛋白质组学标志物或临床特征的亚组识别越来越受到关注。一些现有的方法通过直接建模结果或处理效应来识别从实验处理中实质上受益的亚组。当目标是为给定患者找到最佳治疗而不是为给定治疗找到合适的患者时，个体化治疗方案框架下的方法估计个体化治疗规则，该个体化治疗规则将导致如由值函数测量的最佳预期临床结果。将价值函数的概念与亚组识别联系起来，我们提出了一种非参数方法，该方法通过最大化直接反映基于受限平均生存时间的亚组-治疗相互作用效应的价值函数来搜索亚组成员资格分数。提出了一种梯度树提升算法来搜索单个子组成员分数。我们进行模拟研究，以评估所提出的方法的性能和应用程序的艾滋病临床试验进行说明。
2020-06-15 stat.ME
Nonparametric identification of causal effects in clustered observational studies with differential selection
群集观察性研究（COS）设计是与群集随机试验相对应的观察性研究。在COS中，处理被分配给完整组，并且组内的所有单元都暴露于处理。然而，治疗是非随机分配的。COS在教育和卫生服务研究中很常见。在教育方面，某些学校的所有学生都可以得到治疗，但其他学校的所有学生都不能得到治疗。在健康研究中，治疗可以应用于集群，如医院或由同一医生治疗的患者群体。在这篇文章中，我们研究了聚类观察研究设计中因果效应的识别。我们专注于差异选择的单位集群，这发生在单位的集群选择依赖于集群的治疗分配的前景。现存的关于COSs的研究已经做了一个隐含的假设，排除了差异选择的存在。我们得出的识别结果与差分选择的设计和差分集群选择的背景下需要不同的调整集比标准设计。我们概述了有和没有差分选择的设计估计。使用一系列的模拟，我们概述了差异选择可能发生的偏差的大小。然后，我们提出了两个经验的应用程序，重点是差异选择的可能性。
2022-06-21 stat.AP stat.ME
Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments
Institute of Mathematics and Computer Sciences at University of São Paulo（圣保罗大学数学与计算机科学研究所）
提出广义 ps-BART 非参数模型估计连续处理下的 ATE 与 CATE，在多组 DGP 中优于 BCF，尤其适用于非线性关系。
2024-09-10 cs.LG stat.AP stat.ML
Sharp symbolic nonparametric bounds for measures of benefit in observational and imperfect randomized studies with ordinal outcomes
本文将获益概率、无伤害概率和相对处理效应三个不可识别获益测度的非参数界，扩展至存在未测量混杂的观察性研究及不完美随机试验中。
2023-05-17 stat.ME
A Bayesian Nonparametric Hypothesis Testing Approach for Regression Discontinuity Designs
非连续回归设计是非随机研究中常用的因果推断方法。这是因为它可用于在温和条件下识别和估计因果效应。具体而言，对于每例受试者，研发设计根据分配变量的观察值是否超过固定和已知的临界值分配治疗或非治疗。在本文中，我们提出了一个贝叶斯非参数回归建模方法的RD设计，它利用了当地的随机化功能。在这种方法中，分配变量被视为协变量，标量值混杂变量被视为因变量（可能是多变量混杂评分）。然后，在模型的局部随机化受试者的后验分布上，通过治疗结局和非治疗结局的两组统计学比较，在该随机群内进行因果效应的推断。我们通过对一个真实的教育数据集的分析，说明贝叶斯非参数方法，调查基本技能和教学能力之间的因果关系。
2014-02-09 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
Combining Parametric and Nonparametric Models to Estimate Treatment Effects in Observational Studies
在观察性研究中进行因果推断需要我们假设混杂变量被正确调整。在这些场景中经常使用g计算方法，最近有几个建议使用g计算的贝叶斯版本。在混杂因素较少的情况下，可以采用标准模型，但是随着混杂因素数量的增加，这些模型变得不太可行，因为对于混杂变量的每个独特组合，可用的观察结果较少。在本文中，我们提出了一个新的模型，估计处理效应的观察性研究，结合参数和非参数的结果模型。通过概念性地分割数据，我们可以在保持共轭框架的同时组合这些模型，从而避免使用MCMC方法。近似使用中心极限定理和随机抽样允许我们的方法扩展到高维混杂，同时保持计算效率。我们说明了模型使用精心构建的模拟研究，以及比较计算成本与其他基准模型。
2021-10-21 stat.CO stat.ME
Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables
Data Science Institute, Brown University（布朗大学数据科学研究所）；Department of Statistics, University of Padova（帕多瓦大学统计系）；Department of Economics, European University Institute（欧洲研究院经济系）；Department of Biostatistics, Harvard School of Public Health（哈佛公共卫生学院生物统计系）；Department of Biostatistics, University of California, Los Angeles（加州大学洛杉矶分校生物统计系）
本文提出CASBAH方法，通过贝叶斯非参数先验处理连续后处理变量，解决主分层识别与不确定性量化问题，通过模拟和案例研究验证其有效性。
2026-03-25 math.ST stat.ME stat.TH
Nonparametric inference for sublevel-set probabilities of conditional average treatment effect functions
Section of Biostatistics, University of Copenhagen（哥本哈根大学生物统计学系）
本文研究了条件平均治疗效应函数的子集概率，提出了一种非参数估计方法，利用单调函数估计和机器学习技术，开发了Grenander型估计器以可视化异质性。
2026-05-14 stat.ME
Nonparametric Bounds for Evaluating the Clinical Utility of Treatment Rules
针对观察性研究中隐藏混杂因素导致新临床治疗规则效用评估复杂的问题，本文提出非参数界方法（含两种推导策略、工具变量扩展），通过模拟与真实数据验证，为未测量混杂下的规则影响评估提供稳健工具。
2025-08-20 stat.ME
Causal Inference with Treatment Measurement Error: A Nonparametric Instrumental Variable Approach
University College London（伦敦大学学院）；University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）
我们提出了一个基于核的非参数估计的因果效应时，原因被错误损坏。我们这样做是通过在工具变量设置中推广估计。尽管在具有测量误差的回归方面做了大量的工作，但在连续设置中处理未观察到的混杂是不平凡的：我们几乎没有看到以前的工作。作为我们研究的副产品，我们澄清了均值嵌入和特征函数之间的联系，以及如何同时学习一个允许一个学习另一个。这为核方法研究在特征函数估计中利用现有结果开辟了道路。最后，我们的经验表明，我们提出的方法，MEKIV，提高了基线和测量误差的强度和类型的误差分布的变化下是强大的。
2022-06-18 cs.LG stat.ME
Testing for homogeneous treatment effects in linear and nonparametric instrumental variable models
本文针对内生处理变量和可用工具变量的情形，提出两种同质处理效应检验：一种基于线性潜在结果且计算简单，另一种基于Tikhonov正则化的非参数检验，并证明其渐近性质及有限样本表现。
2023-04-14 econ.EM math.ST stat.TH
Nonparametric instrumental regression with right censored duration outcomes
本文分析了离散处理Z对持续时间T的影响。治疗不是随机分配的。使用离散的工具变量解释治疗和独立的模型的误差项的混杂问题进行治疗。我们的框架是非参数的，并允许随机右删失。该规范生成非线性逆问题，并且从其解导出平均处理效果。我们提供了依赖于一个非线性系统方程的局部和全局识别特性。我们提出了一个估计程序来解决这个系统，并推导出收敛速度和条件下，估计是渐近正态的。当删失使识别失败时，我们开发部分识别结果。我们的估计在模拟中表现出良好的有限样本性质。我们还将我们的方法应用于伊利诺伊州再就业奖金实验。
2020-11-20 econ.EM math.ST q-bio.QM
A Nonparametric Framework for Universal Difference-in-Differences
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Pennsylvania（宾夕法尼亚大学）
本文提出一种非参数框架，解决传统差异-in-差异方法的局限性，包括仅适用于连续结果、对结果变换敏感、依赖无未测量混杂假设以及缺乏半参数效率理论等问题。
2026-03-28 stat.ME
Nonparametric regression for cost-effectiveness analyses with observational data -- a tutorial
本文面向成本效果研究者介绍以BART为代表的现代非参数回归方法，提供实施指导与代码，以改进观察性数据中健康结局和成本处理效应的估计。
2025-07-28 econ.EM stat.AP
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
A nonparametric framework for treatment effect modifier discovery in high dimensions
提出一个模型无关的非参数框架，用于在高维数据中定义和估计治疗效应修饰因子的变量重要性参数，并推导出多重稳健估计量，通过模拟和基因表达数据验证其有效性。
2024-04-21 stat.ME
Nonparametric causal mediation analysis for stochastic interventional (in)direct effects
历史上，因果中介分析在两个重要方面受到限制：（i）传统上关注二元治疗和静态干预，（ii）直接和间接效应分解仅在不存在受治疗影响的中间混杂因素的情况下才可识别。我们提出了一个理论研究的（中）直接效应分解的人口干预效果，定义为随机干预联合应用于治疗和介质。与现有的建议相反，我们的因果效应可以进行评估，无论治疗是分类的还是连续的，即使在存在受治疗影响的中间混杂因素的情况下，因果效应也可以得到很好的定义。我们的（非）直接效应是可识别的，而无需对跨世界反事实独立性进行限制性假设，从而可以在随机对照试验中验证从中得出的实质性结论。除了新的影响介绍，我们提供了一个仔细的研究非参数效率理论相关的建设灵活的，多个强大的估计我们的（在）直接影响，同时避免不适当的限制所引起的假设参数模型的滋扰参数泛函。为了补充我们的非参数估计策略，我们引入了推理技术，用于构建置信区间和假设检验，并讨论了开源软件实现所提出的方法。
2022-01-11 math.ST stat.ME stat.TH
Efficient nonparametric estimation of causal mediation effects
项目评估和科学研究的一个基本目标是调查因果机制。在过去的几十年里，因果中介分析被用于医学和社会科学，将处理效应分解为自然的直接效应和间接效应。然而，所有现有的中介分析方法都以这样或那样的方式依赖于参数建模假设，通常需要研究人员指定涉及治疗，中介，结果和治疗前混杂因素的多元回归模型。为了克服这一局限性，我们提出了一种新的非参数估计方法的因果中介分析，消除了应用研究人员模型多个条件分布的需要。所提出的方法通过加权每个观察值来平衡治疗组和对照组之间的经验矩;特别是，我们建立了所提出的估计量是全局半参数有效的。我们还展示了如何一致地估计所提出的估计量的渐近方差，而无需额外的努力。最后，我们将所提出的方法扩展到其他相关的设置，包括因果中介分析与多个调解人。
2016-01-14 stat.ME
A nonparametric super-efficient estimator of the average treatment effect
因果效应的双稳健估计是估计因果效应的常用方法。这样的估计量将给定治疗和混杂因素的结果的条件平均值的估计（所谓的结果回归）与给定混杂因素的治疗的条件概率的估计（倾向得分）相结合，以产生感兴趣的效应的估计。除了享受双重鲁棒性，这些估计有额外的好处。首先，灵活的回归工具，如在机器学习领域开发的回归工具，可用于估计相关的回归，而处理效应的估计值保留所需的统计特性。此外，这些估计往往是统计有效的，实现了正常的，渐近线性估计的方差的下限。然而，尽管他们的渐近最优性，在因果被估量是弱可识别的问题，这些估计可能会表现不稳定。我们提出了两个新的估计技术，用于在这些具有挑战性的设置。我们的估计建立在两个现有的框架，有效的估计：有针对性的最小损失估计和一步估计。然而，在构建估计量时，我们没有使用倾向得分的估计值，而是选择了另一种回归量：给定条件平均结果的治疗条件概率。我们讨论的理论意义，并证明了估计的性能在模拟和真实数据。
2019-01-15 stat.ME
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
Heterogeneous Coefficients, Control Variables, and Identification of Multiple Treatment Effects
多维异质性和内隐性是多处理模型的重要特征。我们考虑一个非均质系数模型，其中的结果是一个虚拟的治疗变量的线性组合，每个变量代表一种不同的治疗。我们使用控制变量来给出平均处理效应的充分必要条件。对于互斥处理，我们发现，如果非均质系数与给定对照的处理无关，则一个简单的识别条件是广义倾向得分（Imbens，2000）远离零，并且它们的总和远离1，概率为1。我们的分析延伸到分布和分位数处理效应，以及相应的处理效应的治疗。这些结果推广了Rosenbaum和Rubin（1983）关于二元处理的经典识别结果。
2021-11-22 econ.EM stat.ME
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
Efficient adjustment sets for time-dependent treatment effect estimation in nonparametric causal graphical model
本研究针对时间依赖处理场景下现有图形规则无法仅靠因果图识别最优调整集的问题，挖掘图中条件独立性拓展相关结果，可得到渐近方差更低的估计量，实现仅基于有向无环图的最优调整集识别。
2025-10-03 math.ST stat.TH
A nonparametric relative treatment effect for direct comparisons of censored paired survival outcomes
针对右删失配对生存数据的治疗效果比较问题，提出基于竞争风险技术的非参数相对治疗效应估计方法，通过随机化重抽样实现推断，模拟显示功效优于传统方法，并在糖尿病视网膜病变数据集上验证了适用性。
2023-06-15 math.ST stat.ME stat.TH
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
A nonparametric instrumental approach to endogeneity in competing risks models
本文讨论了具有持续期结局、竞争风险和随机右截尾的内生治疗模型。使用离散工具变量解决了内点问题。我们发现，竞争风险模型产生一个非参数分位数工具回归问题。特定原因累积发生率、特定原因危害和子分布危害可以从回归函数中恢复。该模型的一个显着特点是，审查和竞争风险防止识别在某些分位数。我们的特点是一组分位数的精确识别是可能的，并给出部分识别结果的其他分位数。我们概述了一个估计过程，并讨论其性质。有限样本性能的估计通过模拟评估。我们将所提出的方法应用于大纽约州的健康保险计划实验。
2021-05-03 econ.EM math.ST q-bio.QM
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 Bayesian nonparametric approach for causal inference with multiple mediators
同时观察多个中介物的中介分析是因果推断的一个重要领域。最近的方法，多个调解人往往是基于参数模型，因此可能会遭受模型误指定。此外，许多现有的文献要么只允许估计的联合调解效果，或估计的联合调解效果的总和，个别调解人的影响，这往往是不合理的假设。在本文中，我们提出了一种方法，克服了上述两个缺点。我们的方法是基于一种新的贝叶斯非参数（BNP）方法，其中观测数据的联合分布（结果，介质，治疗和混杂因素）使用具有三个水平的丰富Dirichlet过程混合物灵活建模：第一个水平描述了给定中介、治疗和混杂因素的结果的条件分布，第二级对应于给予治疗和混杂因素的每个介质的条件分布，第三级对应于治疗和混杂因素的分布。我们使用标准化（g-计算）来计算因果中介效应下三个不可检查的假设，允许识别的个人和联合中介效应。我们所提出的方法的有效性与模拟证明。我们应用我们提出的方法来分析来自呼吸机相关肺炎（VAP）合并感染患者的研究数据，其中假单胞菌的丰度对VAP感染的影响被怀疑是通过抗生素介导的。
2022-08-29 stat.AP stat.ME stat.OT
Identification in Endogenous Sequential Treatment Regimes
本文提出一种基于动态工具变量与动态边际处理效应的非参数识别方法，用于内生序贯处理机制下的处理效应识别，放松了支撑集与不可观测收益假设，并通过蒙特卡洛模拟验证了筛分估计量的有限样本性能。
2023-11-30 econ.EM stat.AP
Efficient estimation of modified treatment policy effects based on the generalized propensity score
连续治疗对因果推断提出了重大挑战，无论是在制定和确定科学上有意义的影响，还是在其稳健估计方面。传统上，重点放在适用于具有较少水平的二元或分类治疗的技术上，从而允许相对容易地应用基于倾向得分的方法。努力适应连续治疗介绍了广义倾向得分，但这个滋扰参数的估计通常利用参数回归策略，大大限制了因果效应参数的逆概率加权估计的鲁棒性和效率。我们制定和调查一种新的，灵活的估计广义倾向得分的基础上的非参数函数估计，可证明收敛在一个适当的速度快的目标功能，以方便统计推断。有了这个估计，我们证明了建设的非参数逆概率加权估计的一类因果效应估计量的连续治疗。为了确保我们提出的估计的渐近有效性，我们概述了几个非限制性的选择程序，利用筛估计框架下平滑估计的广义倾向得分。我们提供了第一个表征，这样的逆概率加权估计实现非参数效率界的设置与连续治疗，证明了这一点在数值实验。我们进一步评估我们提出的估计的高阶效率，推导和数值研究相应的有效的影响函数在非参数模型中的二阶剩余。开源软件实现我们提出的估计技术，haldensify R包，简要讨论。
2022-06-28 stat.ME
Identification of Treatment Effects under Conditional Partial Independence
治疗分配与潜在结局的条件独立性是一个常用但不可反驳的假设。我们从这个条件独立性假设的非参数偏差下获得各种处理效应参数的识别集。这些偏差通过条件治疗分配概率定义，这使得解释简单明了。我们的研究结果可以用来评估基线条件独立假设下获得的经验结论的稳健性。
2017-07-29 econ.EM stat.ME
A Nonparametric Bayesian Methodology for Regression Discontinuity Designs
在回归不连续性设计中，估计阈值处的平均处理效应的最流行方法之一是局部线性回归（LLR），该方法将更大的权重放在更接近阈值的单元上。我们提出了一个高斯过程回归的方法，作为一个贝叶斯模拟LLR的回归不连续性设计。我们的方法提供了一个灵活的适合治疗和控制响应放置一个一般的平均响应函数之前。此外，与LLR不同的是，我们的方法可以在估计处理效应时将单位加权的不确定性纳入其中。我们证明了我们的方法在估计阈值处的平均处理效应时是一致的。此外，我们发现，通过模拟，我们的方法具有良好的覆盖范围，间隔长度，和均方误差属性相比，标准LLR和国家的最先进的LLR方法。最后，我们探讨了我们的方法在现实世界的例子，通过研究的影响，是第一轮选秀权的表现和发挥时间的篮球运动员在美国国家篮球协会。
2018-09-30 stat.ME
Nonparametric Bounds in Causal Mediation Analysis in the Presence of Unmeasured Confounding and Imperfect Compliance
针对存在未测量混杂和不依从时因果中介参数不可识别的问题，本文扩展了Sjölander的非参数界方法，推导了随机对照试验中ACME、NDE及依从者子群体局部因果参数的非参数锐界，并通过工作搜索干预研究数据集验证了其实用性。
2025-09-02 stat.ME
Doubly Robust Inference on Causal Derivative Effects for Continuous Treatments
针对连续处理，研究存在和不存在positivity条件下剂量反应曲线导数的非参数推断，提出双重稳健估计量，解决传统方法不足，通过模拟和案例验证其适用性与效率。
2025-04-18 econ.EM math.ST stat.ME
