Standardization and Control for Confounding in Observational Studies: A Historical Perspective
直到20世纪60年代，观察性研究中混杂因素的控制通常通过分层和标准化来处理。标准化通常会重新加权特定于层的比率，以便风险类别具有可比性。随着对数线性模型的发展，以及新兴计算机可以处理的非线性回归技术（逻辑斯谛回归、故障时间回归）的发展，回归建模成为首选方法，就像连续结果的多重回归分析一样。自1990年代中期以来，越来越明显的是，加权方法仍然经常有用，有时甚至是必要的。在此背景下，我们的目标是描述的建模方法的出现和混淆控制的加权方法的改进。
2015-03-10 stat.ME
A General formulation for standardization of rates as a method to control confounding by measured and unmeasured disease risk factors
标准化是控制人群研究或疾病登记数据中混杂的常用方法，定义为特定分层率的加权平均值。通常情况下，关于构建特定标准化汇率的讨论将各层视为固定的，并侧重于影响权重规格的考虑因素。每年，SEER癌症登记处的数据都使用一种称为“年龄直接标准化”的加权程序进行分析。为了评估直接标准化的性能，我们定义了一个通用的标准化运算符类。我们认为一个特定的标准化率是一个运营商和一个给定的数据集的输出。基于操作符的函数形式，我们定义了一个标准化操作符的子类，用于控制测量的风险因素的混杂。使用基本的疾病概率范式进行推理，我们建立的结论，可以从这些运营商在存在不可测量的癌症风险因素的情况下产生的标准化率的逐年对比得出。这些结论的形式是，在给定所有风险因素（测量的和未测量的）的情况下，伪造关于疾病的条件概率的特定假设，以及在给定测量的风险因素的情况下，伪造关于未测量的风险因素的条件概率的特定假设。我们展示了这些伪造和从每年在《国家癌症状况年度报告》中报告的直接标准化率的对比中得出的推论之间的一一对应关系。
2008-11-12 stat.AP
Understanding Spatial Regression Models from a Weighting Perspective in an Observational Study of Superfund Remediation
Harvard University（哈佛大学）
本文提出了一种加权框架，统一了三种空间回归模型，揭示了它们如何在空间上构建因果对比，并开发了新的估计器来处理未测量的空间混杂因素。
2025-12-19 stat.AP stat.ME
Ranking of average treatment effects with generalized random forests for time-to-event outcomes
在本文中，我们提出了一个数据自适应估计程序，估计平均处理效应的时间到事件设置的基础上广义随机森林。在这些类型的设置中，因果效应参数的定义因竞争风险而变得复杂;在这里，我们分别区分粗概率和净概率上的处理效应。为了处理右删失，并在粗概率和净概率之间切换，我们提出了一个两步估计程序，应用逆概率加权来构建特定时间点的加权结果作为森林的输入。森林自适应地处理通过应用以因果参数为目标的分裂规则分配的治疗的混淆。我们证明了我们的方法是有效的因果搜索通过治疗的列表进行排名，根据其效果的大小。我们进一步将我们的方法应用于丹麦健康登记处的数据集，在那里我们有兴趣发现对严重抑郁症复发具有意想不到的保护作用的药物。
2021-04-27 stat.ME
Inference about ATE from Observational Studies with Continuous Outcome and Unmeasured Confounding
对于二元治疗和二元结局的设置，工具变量可用于构建因果处理效应的界限。对于连续的结果，有意义的边界更难获得，因为结果的域通常是不受限制的。在本文中，我们结合了一个工具变量和主观假设的背景下，一个观察性队列研究的艾滋病毒感染的妇女，构建有意义的界限的初始阶段的因果关系影响的抗逆转录病毒治疗的CD4计数。主观假设根据观察数据识别的潜在结果以及捕捉未测量混杂影响的敏感性参数进行编码。测量混杂使用逆概率加权（IPW）的方法进行调整。通过IV的额外信息，我们量化了因果处理效应和未测量混杂的程度。我们通过分析HIV流行病学研究的数据来证明我们的方法。
2013-03-25 stat.ME
Flexible sensitivity analysis for causal inference in observational studies subject to unmeasured confounding
本文提出一个灵活的敏感性分析框架，可同时处理逆概率加权、结果回归和双重稳健估计量，以应对观察性研究中未测量混杂导致的偏差，并开发了R包saci实现该方法。
2024-03-29 stat.ME
Causal Inference with Truncation-by-Death and Unmeasured Confounding
临床研究有时会因死亡而截断，结果不确定。仅基于观察到的存活者的统计分析可能会产生偏倚结果，因为治疗组之间存活者的特征不同。通过主成分分层，幸存者平均因果效应被提出作为定义在总是幸存者中的因果被估量。然而，当治疗分配和生存或结局过程之间存在不可测量的混杂时，该被估量无法识别。在本文中，我们考虑了一个积极的治疗和保守治疗的生存单调性之间的比较。首先，我们表明，幸存者的平均因果效应的保守治疗是可识别的替代变量在适当的假设下，即使当治疗分配是不合理的。其次，我们提出了一个增广的逆概率加权（AIPW）型估计量，这个估计量具有双重的鲁棒性。最后，建立了该估计量的大样本性质。该方法被应用于研究异基因造血干细胞移植类型对白血病复发的影响。
2022-11-21 stat.ME
Estimation of the attributable fraction for time to event outcomes using an inverse probability of exposure weighted Kaplan-Meier estimator
人群归因分数旨在量化如果人群中没有个体暴露于特定暴露，本可以避免的结果（例如疾病）的病例比例。因此，这一数量在流行病学和公共卫生方面发挥着至关重要的作用，特别是在指导政策、干预措施或评估特定接触造成的疾病负担方面。已经提出了各种统计方法来估计可归因分数使用观测数据。当使用事件发生时间数据时，其中几个公式会产生无效结果。其他有效的公式是可用的，但仍然很少使用。我们提出了一个新的估计的归因分数，这是概念上简单，易于实现，使用常见的统计软件。我们提出的估计量利用卡普兰-迈耶估计量来解决删失和潜在的非比例风险，以及逆概率加权来控制混杂。提出了非参数自举法来产生推论。一个模拟研究是用来说明和比较我们提出的估计几个替代方案。结果显示了许多常用的传统方法的偏差和我们的估计在其工作假设下的有效性。
2022-12-19 stat.ME
Addressing Confounding and Continuous Exposure Measurement Error Using Corrected Score Functions
针对混杂与连续暴露测量误差同时发生导致偏差的问题，推导了基于经典加性测量误差的校正得分方法，提出g-formula、逆概率加权和双重稳健三种估计量，并在R包mismex中实现，模拟与HVTN 505试验数据应用验证了其有效性。
2025-01-28 stat.ME
MatchThem:: Matching and Weighting after Multiple Imputation
通过匹配或加权来平衡观察性研究中暴露水平间混杂因素的分布是一种公认的方法，可在估计暴露与结局之间的相关性时控制这些变量引起的混杂，并降低对某些建模假设的依赖程度。尽管在实践中越来越受欢迎，但这些程序不能立即应用于具有缺失值的数据集。缺失数据的多重插补是一种流行的方法，用于解释缺失值，同时保留数据集中的单位数并解释缺失值的不确定性。然而，据我们所知，没有一个全面的匹配和加权软件可以很容易地实现多重插补数据集。在本文中，我们回顾了这个问题，并提出了一个框架，以映射出匹配和加权多重插补数据集的5个动作，以及最佳实践，以评估这些数据集匹配和加权后的平衡。我们还使用R的配套包MatchThem来说明这些方法。
2020-09-24 stat.ME
Effect estimation in the presence of a misclassified binary mediator
针对二元中介变量误分类问题，提出三种无需金标准标签的校正方法，并应用于妊娠期高血压中介效应研究。
2024-07-18 stat.ME
Independence weights for causal inference with continuous treatments
针对连续处理观察性研究中加权法对模型误设敏感的问题，提出基于独立性度量的无模型权重估计方法，可显式缓解处理-混杂因素依赖，鲁棒性强且适用场景广。
2023-04-06 stat.ME
Causal Inference with Multiple Misclassified Exposures: A Control Variate-Adjusted Calibration Weighting Approach
Colorado School of Public Health（科罗拉多公共卫生学院）；Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯大学彭博公共卫生学院）；University of Colorado School of Medicine（科罗拉多大学医学院）；Colorado State University（科罗拉多州立大学）
针对多重错误分类二元暴露和聚类观测数据，提出校准加权与控制变量调整的因果推断方法，实现一致估计并降低方差，应用于囊性纤维化患者队列发现咽拭子低估铜绿假单胞菌感染效应。
2026-07-28 stat.AP stat.ME
How do dataset characteristics affect the performance of propensity score methods and regression for controlling confounding in observational studies? A simulation study
在观察性研究中，研究人员必须选择一种方法来控制混杂因素。选项包括倾向得分方法和回归。目前尚不清楚数据集特征（大小、倾向得分重叠、暴露流行率）如何影响方法的相对性能，因此难以为特定数据集选择最佳方法。进行了一项模拟研究，以评估数据集特征对倾向得分方法性能的作用，与逻辑斯谛回归相比，用于在存在混杂的情况下估计边际比值比。结果模拟逻辑和互补双对数模型，大小，重叠的倾向得分，和患病率的暴露是不同的。回归显示小样本量的覆盖率较差，但大样本量的倾向评分和低暴露患病率的不平衡比倾向得分方法更稳健。倾向评分方法经常显示次优覆盖，特别是当倾向得分重叠减少时。这些问题在更大的样本量下加剧。匹配方法的功效尤其受到缺乏重叠、低暴露率和小样本量的影响。治疗加权逆概率的性能在很大程度上取决于数据集特征，覆盖率低，偏倚低。在敏感性分析中，大数据量回归的优势不太明显，具有互补的双对数结局生成机制和未测量的混杂，偏倚和误差更优，但覆盖率低于最近邻和卡尺匹配。
2022-03-24 stat.ME
Identification and estimation of vaccine effectiveness in the test-negative design under equi-confounding
本文在优势比等混杂假设下为测试阴性设计（TND）评估疫苗有效性提供了正式理论证明，提出了双重稳健等替代估计量及敏感性分析方法，并探讨了其在去偏队列研究中的更广泛应用。
2025-09-18 stat.ME
Power and Sample Size for Marginal Structural Models
当估计观察数据的因果效应时，通过治疗加权的逆概率拟合的边缘结构模型通常用于控制混杂。当计划使用边际结构建模进行分析的研究时，由于加权对估计的因果均值方差的影响，确定给定水平的统计功效所需的样本量具有挑战性。本文考虑设计效应的效用来量化加权对因果估计精度的影响。设计效应定义为因果均值估计量的方差除以朴素估计量的方差之比，如果与事实相反，不存在混杂并且不需要权重。一个简单的，封闭形式的近似设计效果是结果不变的，可以在研究设计阶段进行估计。一旦每个治疗组的设计效应接近，就像随机试验一样进行样本量计算，但通过设计效应扩大方差以考虑权重。仿真结果表明，设计效果近似的准确性，并讨论了实际的考虑。
2020-03-12 stat.AP stat.ME
Sensitivity analysis for bias due to a misclassfied confounding variable in marginal structural models
在观察性研究治疗效应中，如果混淆变量分类错误，则平均处理效应（ATE）估计量可能存在偏倚。我们讨论了分类错误的影响，在一个二分混杂变量的分析使用边际结构模型估计使用逆概率加权（MSMs-IPW），并比较这与其影响的条件回归模型，重点是一个点治疗研究的连续结果。表达式推导出的偏差在ATE估计的MSM-IPW和条件模型，通过使用潜在的结果框架。基于这些表达式，我们提出了一个敏感性分析，调查和量化的偏差，由于分类错误的混杂变量在MSMs-IPW。与条件模型的ATE估计量中的偏倚相比，MSM-IPW中的偏倚可能在幅度上不同，但偏倚的符号始终相等。进行了模拟研究，以研究有限样本性能的MSMs-IPW和条件模型，如果混淆变量被错误分类。模拟结果表明，从MSM-IPW获得的处理效应的置信区间通常较宽，并且与条件模型相比，真实处理效应的覆盖率较高，范围从无分类错误时的覆盖率过高到有分类错误时的覆盖率过低。在一项降压治疗研究中，证明了使用偏倚表达式进行敏感性分析。在处理效应研究中，重要的是要考虑混杂变量中分类错误的潜在影响，敏感性分析提供了量化此类错误对因果关系结论影响的机会。开发了敏感性分析在线工具：https://lindanab.shinyapps.io/SensitivityAnalysis。
2019-12-12 stat.ME
Outcome-Informed Weighting for Robust ATE Estimation
针对高维场景下重叠不足削弱IPW类估计量稳健性的问题，提出结果信息加权的AMR估计量与无需强先验的事后校准框架，在多场景实验中验证了其效率与稳健性优势。
2025-03-20 stat.ME
Irregular measurement times in estimating time-varying treatment effects: Categorizing biases and comparing adjustment methods
本研究系统分类了时变治疗因果推断中不规则测量时间导致的偏倚，提出三类混杂偏倚并比较两种重加权调整方法，为实证分析提供选择指导。
2025-01-20 stat.ME
Recovery and inference of causal effects with sequential adjustment for confounding and attrition
University of Oslo（奥斯陆大学）；Norwegian Institute of Public Health（挪威公共卫生研究所）
本文提出SAC方法，通过序列回归调整混杂和流失因素，利用TMLE估计ATE，验证了其在不同图结构和模型设定下的有效性，应用实例显示药物治疗对ADHD患者学业成绩有小幅积极影响。
2025-03-24 stat.ME
Causal interpretation of the sibling comparison and its relation to the cross-over design
本文用交叉设计刻画同胞比较，揭示其因果目标面临的暴露不一致配对和反向暴露干预两大挑战，并提出基于未观测混杂结构估计的加权方法以评估匹配分析假设并扩展至消除选择偏倚。
2025-07-04 stat.ME
Multiple-bias sensitivity analysis using bounds
在流行病学研究中，不可测量的混杂、选择偏倚和测量误差是众所周知的偏倚来源。评估这些偏差的方法有其自身的局限性。许多定量敏感性分析方法单独考虑每种类型的偏差，而更复杂的方法更难实现或需要许多假设。由于未能同时考虑多种偏见，研究人员可能低估或高估它们的联合影响。我们表明，这是可能的约束总复合偏差由于这三个来源，并使用该约束来评估风险比的敏感性，这些偏差的任何组合。我们推导出各种情况下的总复合偏差的界限，为研究人员提供工具，以评估其总的潜在影响。我们将这种技术应用于一项研究，其中未测量的混杂和选择偏倚都是关注的问题，并在另一项研究中，可能的差异暴露误分类和未测量的混杂的关注。我们还表明，“多偏倚E值”可以描述观察到的风险比与零因果效应（或其他预先指定的效应大小）兼容所需的联合偏倚参数关联的最小强度。这可以提供关于每种类型的偏差的相对影响的直觉。我们描述的方法很容易实现，只需最少的假设，我们提供了R函数来实现。
2020-05-06 stat.ME
Moving toward best practice when using propensity score weighting in survey observational studies
Yale School of Public Health（耶鲁大学公共卫生学院）；Yale School of Medicine（耶鲁大学医学院）
本文提出了一种统一的倾向评分加权方法，用于处理复杂调查数据，通过模拟研究和案例分析验证了其有效性，并提供了实用指导。
2026-02-04 stat.ME
Propensity score weighting for causal inference with clustered data
倾向得分加权是因果推断的一种工具，用于调整观察性研究中测量的混杂因素。在实践中，数据往往呈现复杂的结构，如聚类，这使得倾向得分建模和估计具有挑战性。此外，对于聚类数据，可能存在与治疗分配和结局均相关的未测量的聚类特异性变量。当存在此类未测量的集群特异性混杂因素，并且在倾向得分模型中被省略时，随后的倾向得分调整可能会有偏倚。在这篇文章中，我们提出了一个校准技术的倾向得分估计下的潜在可重复的治疗分配机制，即，考虑到观察到的协变量和潜在的集群效应，治疗-结果关系是无混杂的。当倾向得分和结果遵循广义线性混合效应模型时，我们提供了平均处理效应的一致倾向分数加权估计。建议的倾向得分加权估计是有吸引力的，因为它不需要规范的倾向得分和结果模型的功能形式，因此是强大的模型误指定。建议的加权方法可以结合抽样权重的综合解决方案，以处理混杂和抽样设计的因果推断与聚类调查数据。在模拟研究中，我们表明，所提出的估计是优于其他竞争对手。我们评估了学校体重指数筛查对宾夕法尼亚州小学超重和肥胖患病率的影响。
2017-03-17 stat.ME
Causal machine learning methods and use of cross-fitting in settings with high-dimensional confounding
本文通过模拟研究比较AIPW与TMLE在高维混杂下估计平均因果效应的表现，发现TMLE更稳定，交叉拟合对方差估计和覆盖率尤为重要，使用完整Super Learner库可有效降低复杂场景中的偏倚和方差。
2025-08-28 stat.ME
Variance-based sensitivity analysis for weighting estimators result in more informative bounds
加权方法是估计因果效应的常用工具;在未观察到的混杂情况下评估其稳健性在实践中很重要。在下面的论文中，我们将介绍一组新的敏感性模型，称为“基于方差的敏感性模型”。基于方差的敏感性模型通过限制因忽略混杂因素而在权重中产生的分布差异来表征因忽略混杂因素而产生的偏倚，与现有方法相比具有几个显着的创新。首先，基于方差的灵敏度模型可以相对于标准化和有界的简单$R^2$参数进行参数化。我们引入了一个正式的基准测试程序，允许研究人员使用观察到的协变量的原因合理的参数值在一个可解释的和透明的方式。其次，我们表明，研究人员可以估计有效的置信区间下的一组基于方差的敏感性模型，并提供扩展研究人员将他们的实质性知识的混杂因素，以帮助收紧的间隔。最后，我们强调我们提出的方法和现有的敏感性分析之间的联系，并证明，经验和理论上，基于方差的敏感性模型可以提供改进的稳定性和紧密性的估计置信区间超过现有的方法。我们说明了我们提出的方法研究使用国家健康和营养检查调查（NHANES）检查血汞水平。
2023-03-13 stat.ME
Marginal Structural Models for Time-varying Endogenous Treatments: A Time-Varying Instrumental Variable Approach
Robins（1998）介绍了边际结构模型（MSM），这是在复杂的纵向研究中时变治疗方案联合效应的一般反事实模型，受时变混杂影响。他在序贯随机化假设（SRA）下建立了MSM参数的识别，这基本上排除了治疗分配随时间变化的不可测量的混杂因素。在本技术报告中，当序贯随机化因未测量的混杂因素而无法成立时，我们考虑了借助时变工具变量识别MSM参数的充分条件。我们的识别条件基本上要求没有未观察到的混杂因素预测时变治疗的依从性类型，这是Wang和Tchetgen Tchetgen（2018）识别条件的纵向概括。在这个假设下，我们得到了一个大类的半参数估计，扩展标准的逆概率加权（IPW），最流行的方法估计MSM下SRA，通过将随时间变化的IV通过修改的权重集。MSM参数的影响函数的集合是在一个半参数模型下推导出来的，该模型只对MSM给出的观测数据分布进行限制，并证明了该模型提供了一个丰富的多鲁棒估计类，包括一个局部半参数有效估计。
2018-09-14 stat.ME
Sensitivity Analysis of Inverse Probability Weighting Estimators of Causal Effects in Observational Studies with Multivalued Treatments
针对多值处理观察性研究中缺乏适用敏感性分析框架的问题，提出含通用加性因果估计量的高效敏感性分析框架，模拟和实例验证其有效性。
2024-06-23 stat.ME
Stabilized Inverse Probability Weighting via Isotonic Calibration
本文提出一种基于保序回归的后校准算法，用于稳定逆倾向权重，从而改善因果推断中平均处理效应双重稳健估计量的表现。
2025-04-09 stat.ME stat.ML
Post-Treatment Confounding in Causal Mediation Studies: A Cutting-Edge Problem and A Novel Solution via Sensitivity Analysis
在将平均处理效应分解为自然间接效应（NIE）和自然直接效应（NDE）的因果中介研究中，处理后混杂的例子很多。过去的研究普遍认为，由于信息不完整，调整中介-结局关系的治疗后混杂因素是不可行的：在实际治疗条件下观察到，而在反事实治疗条件下缺失。本研究提出了一种新的敏感性分析策略来处理治疗后混杂，并将其纳入基于权重的因果中介分析中，而无需进行额外的识别假设。在处理分配和中介的序贯可验证性下，我们得到了反事实处理下处理后混杂因素的条件分布，它不仅是处理前协变量的函数，而且是实际处理下的对应变量的函数。然后，敏感性分析在实际和反事实条件下治疗后混杂因素之间的条件相关性的合理范围内，为NIE和NDE生成一个界限。通过插补或整合实施，该策略适用于治疗后混杂因素的二元和连续测量。仿真结果表明，这种新的解决方案的主要优势和潜在的局限性。对全国福利转工作战略评估（NEWWS）河滨数据的重新分析表明，初始分析结果对遗漏的治疗后混杂因素敏感。
2021-07-23 stat.AP stat.ME
Propensity Score Weighting to Ensure Balance in Key Subgroups or Strata: A Practical Guide
IQVIA；Institute of Health Policy, Management and Evaluation, University of Toronto（多伦多大学健康政策、管理与评估研究所）；Li Ka Shing Knowledge Institute, St. Michael’s Hospital, Unity Health Toronto（多伦多联合医疗圣迈克尔医院李嘉诚知识研究院）；Department of Medicine, University of Toronto（多伦多大学医学系）
本文探讨了在临床子组中使用倾向评分加权以实现平衡的方法，强调在评估医疗质量或支持性护理干预时，需考虑不同临床风险因素的异质性。
2026-04-15 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
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
Living forwards or understanding backwards? A comparison of Inverse Probability of Treatment Weighting and G-estimation methods for targeting hypothetical full adherence estimands in longitudinal cohort studies
University of Exeter（埃克塞特大学）；Royal Devon University Healthcare NHS Foundation Trust（皇家德文郡大学医疗保健NHS基金会信托）；Novo Nordisk Research Centre (NNRCO)（诺和诺德研究中心）
本文比较了逆概率治疗加权和G-估计方法在纵向队列研究中估计假设完全依从性效应的性能。
2026-03-06 stat.AP stat.ME
Investigating the causal effects of multiple treatments using longitudinal data: a simulation study
本文通过模拟研究比较五种g-methods在多种治疗和时依性混杂下的因果效应估计性能，并用英国CF注册处数据验证其应用。
2024-05-02 stat.ME
Inverse probability of treatment weighting with generalized linear outcome models for doubly robust estimation
针对应用中对双稳健估计的误解与误用问题，本文介绍了IPTW GLM双稳健估计方法，阐释其双稳健性原理，澄清相关认知误区，并提供代码与示例辅助理解应用。
2023-09-11 stat.ME
Choosing Covariate Balancing Methods for Causal Inference: Practical Insights from a Simulation Study
Université Paris Cité（巴黎西岱大学）；Université Sorbonne Paris Nord（北巴黎索邦大学）；Inserm（法国国家健康与医学研究院）；INRAE（法国国家农业、食品与环境研究所）；Center for Research in Epidemiology and StatisticS (CRESS)（流行病学与统计研究中心）；Centre d’Épidémiologie Clinique, Assistance Publique-Hôpitaux de Paris, Hôtel-Dieu, Paris, France（巴黎公立援助医院集团-主宫医院临床流行病中心）
本文通过模拟研究比较了因果推断中不同协变量平衡方法的性能，发现DR方法在调整所有混杂因素时表现稳定，但需关注权重估计不确定性对置信区间的影响。
2026-01-14 stat.AP stat.ME
On Flexible Inverse Probability of Treatment and Intensity Weighting: Informative Censoring, Variable Inclusion, and Weight Trimming
本文研究灵活逆处理概率和强度加权方法，探讨信息性删失、变量纳入及权重截断的影响，并应用于家庭水源对疟疾诊断的实证分析。
2024-05-24 stat.AP stat.ME
Distributional Balancing for Causal Inference: A Unified Framework via Characteristic Function Distance
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文提出基于特征函数距离的统一框架，用于非参数分布平衡，以提高因果推断的准确性，并通过理论分析和实证研究验证其有效性。
2026-02-05 stat.ME
Undersmoothed LASSO Models for Propensity Score Weighting and Synthetic Negative Control Exposures for Bias Detection
Brigham and Women’s Hospital, Harvard Medical School（Brigham and Women's Hospital, 哈佛医学院）；University of Michigan（密歇根大学）；University of Washington（华盛顿大学）；Massachusetts General Hospital, Harvard Medical School（Massachusetts General Hospital, 哈佛医学院）
本文提出使用低平LASSO模型和合成负对照暴露来改进倾向评分加权中的偏倚检测方法。
2025-12-16 stat.ME
Demystifying and avoiding the OLS "weighting problem": Unmodeled heterogeneity and straightforward solutions
本文揭示了OLS回归中条件方差权重源于未建模的处理效应异质性，建议通过放宽为“分离线性”假设来彻底避免该问题，并指出多种方法可实现此目标且效率代价适度。
2025-05-02 econ.EM stat.AP stat.ME
Causal Mediation Analysis for an Interrupted Time Series: Stabilized Mediator Weighting with an Application to a Vehicle Emissions Policy
University of Manitoba（曼尼托巴大学）
该研究构建了单一中断时间序列的因果中介分析框架，采用稳定中介加权估计自然直接与间接效应，经模拟和安大略省车辆排放政策案例验证，有效降低了中介-结果混杂下的偏差并提升了效应估计的覆盖率。
2026-08-20 stat.ME
Generalized propensity score weighting for functional causal inference framework
MOX, Department of Mathematics, Politecnico di Milano（莫克斯数学系，米兰理工大学）；Health Data Science Research Centre, Human Technopole（人类技术顶健康数据科学研究中心）
该研究提出功能倾向得分加权框架，通过对偶优化提升计算效率，可估计功能处理下的因果效应，经UK Biobank数据验证，能准确估计BMI轨迹与糖尿病及代谢指标的因果关系。
2026-08-05 stat.AP stat.ME
Prioritizing Variables for Observational Study Design using the Joint Variable Importance Plot
提出联合变量重要性图，结合结果关联与标准化均值差及偏差曲线指导观察性研究的变量优先级排序，并为匹配和加权方法提供调参推荐值。
2024-02-15 stat.AP stat.ME
What is Overlap Weighting, How Has it Evolved, and When to Use It for Causal Inference?
Yale School of Medicine（耶鲁医学院）；Yale School of Public Health（耶鲁公共卫生学院）；Duke University（杜克大学）；Duke Clinical Research Institute（杜克临床研究所）
本文探讨了重叠加权方法的定义、发展历程及其在因果推断中的应用条件。
2026-01-20 stat.AP stat.ME
Causal inference in the context of an error prone exposure: air pollution and mortality
我们提出了一种新的方法来估计因果效应时，暴露测量误差和混杂调整是通过广义倾向评分（GPS）。使用验证数据，我们提出了一个回归校准（RC）为基础的调整与GPS相结合的连续易出错的曝光调整混杂（RC-GPS）。将校正的连续暴露转换为分类暴露后进行结局分析。我们认为混杂调整的背景下，GPS子分类，逆概率处理加权（IPTW）和匹配。在具有不同程度的暴露误差和混杂偏差的模拟中，与依赖于易出错暴露的标准方法相比，RC-GPS消除了来自暴露误差和混杂的偏差。我们将RC-GPS应用于丰富的数据平台，以估计2000年至2012年期间长期暴露于细颗粒物（$PM_{2.5}$）对新英格兰死亡率的因果影响。主要研究包括$217,660$ 1 km $\times$ 1 km网格单元覆盖的$2,202$邮政编码、年死亡率、根据时空模型（易出错暴露）估计的年$PM_{2.5}$平均值和几个潜在混杂因素。内部确认研究包括来自主研究的75个邮政编码内的83个1 km $\times$ 1 km网格单元的子集，其具有从监测站获得的无误差年度$PM_{2.5}$暴露。在无干扰和弱不混淆的假设下，使用匹配，我们发现暴露于中等水平的$PM_{2.5}$（$8 <$ $PM_{2.5}$ $\leq 10\ {\rm μg/m^3}$）导致$2.8\%$（$95\%$ CI：$0.6\%, 3.6\%$）与低暴露（$PM_…
2018-06-28 stat.AP stat.ME
Variable Selection for Doubly Robust Causal Inference
混杂控制对于基于观察性研究的因果推断来说至关重要，但也具有挑战性。在典型的无混淆假设下，增广逆概率加权（AIPW）因其双重稳健性而被广泛用于估计平均因果效应（ACE），因为它依赖于正确指定的倾向得分模型或结果均值模型。为了确保关键假设成立，通常会努力收集足够丰富的预处理变量集，从而使变量选择势在必行。众所周知，为准确预测而针对倾向得分的变量选择可以通过包括工具变量来产生可变ACE估计量。因此，许多最近的工作建议选择所有的结果预测混杂控制和有效的估计。本文表明，AIPW估计与变量选择的目标是有效的估计可能会失去理想的双重鲁棒性。相反，我们建议控制任何协变量的倾向得分模型，该协变量是治疗或结局或两者的预测因子，这保留了AIPW估计量的双重稳健性。利用这一原则，我们提出了一个两阶段的过程与惩罚变量的选择和AIPW估计估计。我们所提出的程序的好处，从理想的双重鲁棒性。我们评估有限样本性能的AIPW估计与各种变量的选择标准，通过模拟和应用。
2023-01-26 stat.ME
Causal inference methods for combining randomized trials and observational studies: a review
随着数据可用性的增加，可以在不同的数据集（包括随机对照试验（RCT）和观察性研究）中评价因果效应。随机对照试验将治疗效果与不需要的（混杂的）共现效应分离，但它们可能不具有代表性，因此缺乏外部有效性。另一方面，大型观察性样本通常更能代表目标人群，但可能会将混杂效应与关注的治疗混淆。在本文中，我们回顾了越来越多的文献中的方法，因果推断结合随机对照试验和观察性研究，争取两全其美。我们首先讨论了识别和估计方法，提高了随机对照试验的概括性使用的观察数据的代表性。经典的估计包括加权，条件结果模型之间的差异，和双稳健估计。然后，我们讨论了结合随机对照试验和观察数据的方法，以确保观察分析的不确定性或改善（条件）平均处理效应估计。我们还连接和对比的潜在结果的文学和结构因果模型文学的作品。最后，我们使用模拟研究和真实世界的数据来分析氨甲环酸对重大创伤患者死亡率的影响，比较主要的方法。还提供了可用代码和新实现的审查。
2023-01-10 stat.ME
Using Directed Acyclic Graphs to Illustrate Common Biases in Diagnostic Test Accuracy Studies
McGill University（麦吉尔大学）
本文利用有向无环图展示诊断测试准确性研究中的常见偏倚，揭示其因果机制并提出修正策略。
2026-01-17 stat.AP stat.ME stat.OT
Explaining Practical Differences Between Treatment Effect Estimators with High Dimensional Asymptotics
我们重新审视经典的因果推断问题，估计平均处理效应在充分观察到的混杂变量的存在下，使用两阶段半参数方法。在现有的理论研究方法，如G-计算，逆倾向加权（IPW），和两个常见的双稳健估计-增广IPW（AIPW）和目标极大似然估计（TMLE）-他们要么偏置主导，或有类似的渐近统计性质。然而，当应用于真实数据集时，它们往往表现出明显不同的方差。当使用机器学习（ML）模型来估计半参数模型的讨厌参数时，我们比较了这些方法，并强调了一些重要的差异。当结果模型估计值几乎没有偏差时，这在一些关键ML模型中很常见，G计算和TMLE在偏差和方差方面都优于其他估计值。我们发现，差异可以解释使用高维统计理论，其中混杂因素的数量$d$是相同的顺序作为样本量$n$。为了使这一理论问题易于处理，我们建立了一个广义线性模型，用于分析混杂因素对治疗分配和结局的影响。尽管进行了参数假设，但该设置对于用于调整两阶段半参数方法中的混杂的一些机器学习方法是有用的替代。特别是，第一阶段的估计增加了不为零的方差，迫使我们面对渐近展开中通常被当作有限样本缺陷而忽略的项。然而，我们的模型强调这些估计超出一阶渐近性能之间的差异。
2022-05-20 stat.ME
Inverse Probability Weighting-based Mediation Analysis for Microbiome Data
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）；BeOne Medicines（博生医药）；Texas A&M University（德克萨斯农工大学）；University of Toronto（多伦多大学）；Columbia University（哥伦比亚大学）
针对微生物组数据高维、零膨胀等特性及抗生素混杂问题，提出基于逆概率加权的非参数干预性间接效应识别与估计算法，经模拟验证性能良好，且发现AML患者化疗强度对感染的影响主要由肠道微生物组介导。
2026-10-15 stat.AP stat.ME
Quantifying Error in the Presence of Confounders for Causal Inference
Microsoft Research India（微软印度研究院）
估计平均因果效应（ACE）是有用的，每当我们想知道干预措施对给定结果的影响。在缺乏随机实验的情况下，许多方法，如分层和反向倾向加权已被提出来估计ACE。然而，很难知道哪种方法对于给定的数据集是最佳的，或者对于所选择的方法使用哪些超参数。为此，我们提供了一个框架来表征损失的因果推理方法对真正的ACE，框架因果推理作为一个表示学习的问题。我们表明，许多流行的方法，包括后门方法，可以被认为是加权或表示学习算法，并提供一般的误差界的因果估计。此外，我们考虑的情况下，未观察到的变量可以混淆的因果估计和扩展建议的界限，使用鲁棒统计的原则，考虑混杂的Huber污染模型下的污染。这些界限也是可估计的，作为一个例子，我们提供了经验的逆倾向加权（IPW）估计的界限，并显示如何使用的界限可以用来优化阈值的裁剪极端倾向得分。我们的工作提供了一种新的方式来推理竞争估计，并开辟了潜在的衍生新方法，最大限度地减少建议的误差范围。
2019-07-10 cs.LG stat.ME stat.ML
A causal approach to analysis of censored medical costs in the presence of time-varying treatment
最近，人们对发展统计方法来比较治疗组之间的医疗费用越来越感兴趣。当累积成本是利益的结果，右删失带来了挑战的信息缺失，由于异质性的成本积累率在科目。寻求解决信息成本轨迹的挑战的现有方法通常依赖于逆概率加权，并以净“意向治疗”效应为目标。然而，迄今为止，还没有开发出能够处理时间依赖性治疗和这种情况下的混淆的方法。在比较干预措施时，估计治疗方案对成本的联合因果效应的方法将有助于为公共政策提供信息。在本文中，我们开发了一个嵌套的g-计算方法的成本分析，以适应时间依赖性的治疗和重复的结果的措施。我们证明，我们的程序是合理的强大的偏离其分布假设，并可以提供独特的见解，在时间依赖性治疗制度的平均成本的根本差异。
2017-05-24 stat.ME
Double Machine Learning of Continuous Treatment Effects with Additive Instrumental Variables
Zhejiang University（浙江大学）
本文提出利用工具变量识别平均剂量反应函数的新框架，通过统一正则加权函数和覆盖处理空间的开放集，减少未观测混杂带来的偏差，结合去偏机器学习框架进行估计，并通过模拟和实证研究评估方法性能。
2026-08-24 econ.EM math.ST stat.ME
