Functional Data Analysis with Causation in Observational Studies: Covariate Balancing Functional Propensity Score for Functional Treatments
函数数据分析处理各种科学领域中的曲线、曲面、体积、流形等数据，是近几十年来现代统计学和数据科学中迅速发展的领域。函数变量对结果的影响是函数数据分析中的一个重要主题，但大多数相关研究仅限于相关效应而不是因果效应。本文首次尝试在观察性研究中研究功能变量作为治疗的因果效应。尽管缺乏一个概率密度函数的功能治疗，倾向得分是适当的定义在一个多元替代。提出了两种协变量平衡方法来估计倾向得分，这使得治疗和协变量之间的相关性最小化。仿真研究表明，该方法在协变量平衡和因果效应估计方面都具有良好的性能。所提出的方法被应用于研究人体内脏脂肪组织的体型的因果关系。
2020-08-20 stat.AP stat.ME
Examining the Efficacy of Coarsened Exact Matching as an Alternative to Propensity Score Matching
Washington University in St. Louis（圣路易斯华盛顿大学）
本文指出粗化精确匹配在处理大量协变量时不如倾向分数匹配稳健，因CEM存在残余混杂和模型依赖性问题，而PSM在减少不平衡和应对模型不规范方面表现更优。
2026-01-31 stat.ME
Tuning-parameter-free optimal propensity score matching approach for causal inference
倾向评分匹配（PSM）是一种伪实验方法，它使用统计技术通过将每个治疗单元与一个或多个具有相似特征的未治疗单元进行匹配来构建人工对照组。到目前为止，在PSM中起着重要作用的确定每单元最佳匹配数的问题还没有得到充分的解决。基于单调性约束下倾向得分的非参数极大似然估计，提出了一种无调整参数的PSM方法。估计的倾向得分是分段恒定的，因此自动对数据进行分组。因此，我们的建议是免费的调整参数。所提出的估计量是渐近半参数有效的单变量的情况下，并实现这种水平的效率在多变量的情况下，结果和倾向得分取决于协变量在同一方向。我们的结论是，匹配方法的基础上的倾向得分单独不能，一般来说，是有效的。
2022-05-26 math.ST stat.TH
Improving the Finite Sample Estimation of Average Treatment Effects using Double/Debiased Machine Learning with Propensity Score Calibration
针对双重/去偏机器学习（DML）中倾向得分预测误差影响平均处理效应估计精度的问题，本文将概率校准方法引入DML框架，证实其可显著降低有限样本下估计的均方根误差，同时给出不改变估计量渐近性质的条件。
2025-01-16 econ.EM stat.ML
Sample size and power calculations for causal inference of observational studies
Duke University（杜克大学）
本文研究了观察性研究中因果推断的样本量和功效计算，通过分析逆概率加权估计量的方差，将功效计算分解为三个组成部分：倾向分数分布、潜在结果分布及其相关性。提出通过两个参数量化混杂因素-治疗和混杂因素-结果关联强度，并开发了R包和在线计算器。
2026-05-17 stat.ME
Mahalanobis balancing: a multivariate perspective on approximate covariate balancing
针对近似协变量平衡中阈值参数选择困难及矩约束无法完全捕捉分布差异的问题，提出Mahalanobis balancing方法，利用单一二次约束从多变量视角控制总体不平衡，并证明其对偶问题与正则化回归及倾向得分模型相关，有效推广至高维场景。
2024-04-28 stat.ME
BNPqte: A Bayesian Nonparametric Approach to Causal Inference on Quantiles in R
在本文中，我们介绍了BNPqte R包，该包实现了Xu，Daniels和Winterstein（2018）的贝叶斯非参数方法，用于估计观察性研究中的分位数处理效应。该方法提供了潜在结局分布的灵活建模，因此能够捕获结局、治疗和混杂因素之间的各种潜在关系，并同时估计多个分位数处理效应。具体而言，该方法使用贝叶斯加性回归树（BART）模型来估计倾向得分，并且使用多变量正态模型的狄利克雷过程混合（Dirichlet process mixture，DNR）来估计潜在结果的条件分布，给出估计的倾向得分。BNPqte R软件包通过设计有效的R函数用于联合和条件密度估计中的多元正态模型的拟合，为这种方法提供了快速实现。与流行的DP包相比，这些R函数极大地提高了密度估计中的RMM模型的效率。BNPqte R包中与BART相关的R函数继承自BART R包，并对变量重要性和分裂概率进行了两次修改。为了最大限度地提高计算效率，每个模型的实际采样和计算都在C++代码中进行。Armadillo C++库还用于快速线性代数计算。
2021-06-28 stat.CO stat.ME
Average Treatment Effect Estimation in Observational Studies with Functional Covariates
函数型数据分析是现代统计学的一个重要领域，在许多领域都有成功的应用。虽然许多科学研究的目的是找到因果关系，但绝大多数函数数据分析方法只能揭示相关性。本文研究了具有函数协变量的观测数据的平均处理效应估计。本文将多元数据的各种最新倾向得分估计方法推广到函数数据。通过模拟研究对通过倾向得分加权得到的平均处理效应估计值进行数值评价，并将其应用于真实世界数据集，以研究度洛西汀对慢性膝关节骨关节炎患者疼痛缓解的因果效应。
2020-07-09 stat.AP stat.ME
On the Generalizability of Linear and Non-Linear Region of Interest-Based Multivariate Regression Models for fMRI Data
University of Western Ontario（西安大略大学）
与传统的单变量分析相比，各种类型的多变量分析已被应用于功能磁共振成像（fMRI）数据。在本文中，我们比较了两个当代的多元回归基于任务的功能磁共振成像数据：线性回归与岭正则化和非线性符号回归遗传编程。该项目的数据是当代视觉刺激的功能磁共振成像试验设计的代表。为10名受试者生成线性和非线性模型，另外4名受试者保留用于验证。通过比较各种情况下的$R$分数（Pearson积差相关）来评估模型质量，包括单次运行自拟合、受试者内泛化和受试者间泛化。使用单独的静息状态扫描估计建模策略过度拟合的倾向。结果表明，没有一种方法是客观或内在优于其他。
2018-02-03 cs.CV stat.AP
Neural Score Matching for High-Dimensional Causal Inference
University of Oxford（牛津大学）；University College London（伦敦大学学院）；Alan Turing Institute（艾伦·图灵研究所）
本文提出神经评分匹配方法，通过神经网络获取多变量平衡分数以解决高维因果推断中的匹配问题，展示了其在治疗效应估计和减少不平衡方面的有效性。
2026-02-11 cs.LG stat.ML
Causal Inference on Networks under Continuous Treatment Interference
针对连续处理与网络干扰下的非实验政策评估场景，提出基于广义倾向得分的估计量，可估计直接和溢出效应并适配异质强度的非对称网络，农业市场应用显示忽略干扰会低估政策有效性。
2023-06-12 econ.EM stat.AP stat.ME
Kernel Balancing: A flexible non-parametric weighting procedure for estimating causal effects
在不存在未观察到的混杂因素的情况下，匹配和加权方法被广泛用于估计因果量，包括对治疗者的平均处理效应（ATT）。不幸的是，这些方法不一定能实现其目标，即使对照组的协变量的多变量分布与治疗组的协变量分布相同，使两组之间的协变量的一些（潜在的多变量）函数具有不同的平均值。当这些“不平衡”的功能影响非治疗的潜在结果时，对观察到的协变量的调节失败，ATT估计可能有偏差。本文介绍的核平衡针对无偏ATT估计的较弱要求，特别是治疗组和对照组的预期非治疗潜在结局相等。假设非治疗潜在结果的条件期望落在与内核选择相关的函数空间中，这意味着一组基函数，其中该回归曲面是线性的。然后在对照单位上选择权重，使得处理组和对照组在这些基函数上具有相等的平均值。因此，在加权后，治疗组和对照组的非治疗潜在结局的预期也必须相等，允许通过随后的平均值差异或使用这些权重的结局模型进行无偏ATT估计。此外，所产生的权重是（1）精确地均衡治疗组和对照组协变量的多变量分布的特定基于核的近似值的权重，以及（2）等同于一种形式的稳定化反向倾向得分加权，尽管它不需要假设任何治疗分配机制模型。提供了一个R包KBAL来实现这种方法。
2016-04-30 math.ST stat.AP stat.ME
CIMTx: An R package for causal inference with multiple treatments using observational data
CIMTx提供了有效和统一的功能，以实现因果推断的现代方法，使用观察数据进行多种治疗，重点是二元结果。这些方法包括回归调整、治疗加权逆概率、贝叶斯加性回归树、广义倾向得分的多元样条回归调整、向量匹配和目标极大似然估计。此外，CIMTx还说明了用户可以在多种治疗设置中模拟符合复杂数据结构的数据的方法。此外，CIMTx软件包提供了一套独特的功能来解决关键的因果假设：积极性和可解释性。对于阳性假设，CIMTx演示了使用治疗加权的逆概率、贝叶斯加法回归树和向量匹配来识别用于保留推理单元的公共支持区域的技术。为了处理可验证性假设，CIMTx提供了一种灵活的蒙特卡罗敏感性分析方法，以评估因果关系结论如何根据与可验证治疗分配的不同程度偏离而改变。
2022-09-14 stat.AP stat.CO stat.ME
A Hierarchical Meta-Analysis for Settings Involving Multiple Outcomes across Multiple Cohorts
来自动物模型和流行病学研究的证据表明，产前酒精暴露（PAE）与广泛的长期认知和行为缺陷有关。然而，科学文献中几乎没有关于PAE水平与临床显著不良反应风险增加相关的信息。在1975-1993年期间，在美国进行了几项前瞻性纵向队列研究，在这些研究中，母亲在怀孕期间报告了饮酒情况，并对后代从幼儿期到成年早期的认知发育进行了评估。这些队列中的样本量没有提供足够的把握度来检查与不同水平和模式的PAE相关的效应。为了解决这一关键的公共卫生问题，我们开发了一种分层荟萃分析，以综合有关PAE对认知影响的信息，整合来自六项美国纵向队列研究的多个终点数据。我们的方法包括估计每个终点的剂量反应系数，然后汇集这些相关的剂量反应系数，以获得估计的“全球”暴露对认知的影响。在第一阶段，我们使用个体参与者数据，通过拟合回归模型来估计PAE的影响，该模型使用倾向得分调整潜在的混杂变量。然后运行表征每个队列内估计的终点特异性剂量反应系数之间的依赖性的相关矩阵，同时容纳某些终点的不完整信息。我们还比较和讨论了推理的基础上提出的方法推断的基础上，一个完整的多元分析
2020-09-02 stat.ME
Estimation of causal effects of multiple treatments in healthcare database studies with rare outcomes
大型医疗数据库的优势为比较有效性研究提供了丰富的机会。做出知情治疗决定所需的证据通常依赖于比较多种治疗方案对少数个体中观察到的感兴趣结果的有效性。因果推断与多种治疗和罕见的结果是一个主题，已在文献中谨慎处理。本文设计了三组模拟，代表我们的医疗保健数据库研究的结构，并提出因果分析策略，这样的设置。我们调查和比较三种类型的方法及其变体的操作特性：贝叶斯加性回归树（BART），回归调整的多元样条广义倾向得分（RAMS）和治疗加权的逆概率（IPTW）与多项逻辑斯谛回归或广义提升模型。我们的研究结果表明，BART和RAMS提供较低的偏差和均方误差，广泛使用的IPTW方法提供不利的工作特性。我们使用一个案例研究来说明这些方法，评估机器人辅助手术、电视辅助胸腔镜手术和开胸手术治疗非小细胞肺癌的比较有效性。
2020-10-03 cs.CY stat.ME stat.ML
Modelling Network Interference with Multi-valued Treatments: the Causal Effect of Immigration Policy on Crime Rates
旨在评估干预措施效果的政策评价研究面临着一些统计挑战：在现实世界中，治疗方法并不是随机分配的，而且各单位之间的干扰可能会使分析更加复杂。研究人员已经开始开发新的方法，允许在观察性研究中管理溢出机制;最近的工作主要集中在二元治疗上。然而，许多政策评价研究涉及更复杂的干预措施。例如，在政治学中，评价行政实体执行的政策的影响往往意味着采用多元方法，因为针对某一具体问题的政策在许多不同层面上运作，可以从若干方面加以界定。在这项工作中，我们扩展了观察性研究中网络干扰下的因果推断的统计框架，允许多值个体处理和由加权网络形成的干扰结构。估计策略是基于一个联合的多个广义倾向得分，并允许一个估计的直接影响，控制个人和网络协变量。我们按照所提出的方法来分析国家移民政策对犯罪率的影响。我们定义了对移民的政治态度的多值表征，我们假设每个国家可以在多大程度上受到另一个国家的影响是由一个适当的指标，总结他们的文化和地理接近建模。结果表明，实施高度限制性的移民政策会导致犯罪率的增加，如果我们考虑到其他国家的干预，估计的影响更大。
2020-06-23 econ.EM stat.AP stat.ME
The Load Management Paradox: Correcting the Healthy-Worker Survivor Effect in NBA Injury Modeling
Indiana University（印第安纳大学）；Michigan State University（密歇根州立大学）
本文通过开发MS-PEM模型，纠正NBA伤病建模中的健康工人幸存者效应，揭示负荷与伤病的真实关系。
2026-03-27 stat.AP
A generalized bootstrap procedure of the standard error and confidence interval estimation for inverse probability of treatment weighting
在倾向得分分析中，通常使用治疗加权逆概率（IPTW）方法来推断回归模型中的因果效应。由于过大的IPTW权重和与倾向得分估计相关的误差，IPTW方法可能低估因果效应的标准误误差。为了弥补这一点，引导标准误差已被推荐来取代IPTW标准误，但普通的引导（OB）程序仍然可能会导致低估的标准误，因为它的效率低下的抽样算法和不稳定的权重。在本文中，我们开发了一个广义自助（GB）的程序估计的标准误的IPTW方法。与OB方法相比，GB方法低估标准误的风险要低得多，并且对于点估计和标准误估计都更有效。GB程序也有较小的标准误低估的风险比普通的Bootstrap程序与修剪的权重，具有可比的效率。我们通过模拟研究和国家教育纵向研究-1988（NELS-88）的数据集证明了GB程序的有效性。
2021-09-01 econ.EM stat.AP stat.ME
Causal Longitudinal Prior-Fitted Networks for Counterfactual Outcome Prediction
Yale University（耶鲁大学）；University of California, Berkeley（加州大学伯克利分校）
提出CausalLongPFN，一种基于先验拟合的上下文预测器，通过合成因果模型预训练实现无需梯度更新的纵向反事实结果预测，在多个基准上达到与领域训练模型竞争的性能。
2026-06-07 cs.LG stat.ML
