Consistency of Neural Causal Partial Identification
Stanford University（斯坦福大学）
该研究证明了在连续与分类变量共存的一般设定下，基于神经因果模型的部分识别具有一致性，明确了网络架构设计及Lipschitz正则化的关键作用，并依托结构因果模型的神经逼近新结论与样本复杂度分析支撑结论。
2025-06-16 cs.AI cs.LG stat.ML
MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent Variable Models
Centre d’Analyse et de Mathématique Sociales（社会分析与数学中心）；EHESS（高等社会科学研究院）；Centre de Mathématiques Appliquées（应用数学中心）；École Polytechnique（巴黎综合理工学院）；Inria XPOP（法国国家信息与自动化研究所XPOP团队）；Google Research（谷歌研究院）
从观察数据推断治疗、干预或政策的因果效应是许多应用的核心。然而，用于因果推断的最新方法很少考虑协变量具有缺失值的可能性，这在许多现实世界的分析中是普遍存在的。缺失数据使因果推断程序变得非常复杂，因为它们需要一个适应的无混淆假设，而这在实践中很难证明。我们绕过这个问题，考虑潜在的混淆，其分布是通过适应缺失值的变分自编码器学习。它们既可以用作因果推断之前的预处理步骤，但我们也建议将它们嵌入多重插补策略中，以考虑缺失值引起的变异性。数值实验表明，所提出的方法的有效性，特别是对非线性模型相比，竞争对手。
2020-02-25 cs.LG stat.ME stat.ML
Causal Effect Identification in Acyclic Directed Mixed Graphs and Gated Models
Linköping University（林雪平大学）
我们引入了一个新的图形模型，包括可能有向，无向和双向边，但没有定向循环的图形。我们表明，这些模型是适合于表示因果模型的附加误差项。我们提供了一组充分的图形标准识别任意因果效应时，新的模型包含有向和无向的边缘，但没有双向边缘。我们还提供了一个必要的和充分的图形标准的因果关系的影响，一个单一的变量上的其他变量的识别。此外，我们开发了一种精确的算法，通过答案集编程从观察和干预数据中学习新模型。最后，我们介绍了门控模型的因果效应识别，一个新的家庭的图形模型，利用上下文特定的独立性，以确定额外的因果效应。
2017-05-28 cs.AI stat.ML
Causal Identification in Time Series Models
Engineering and Applied Science, California Institute of Technology（工程与应用科学学院，加州理工学院）
本文分析了Causal Identification算法在带有潜在混杂因素的因果时间序列图中的适用性，首次提出了仅取决于变量数和最大时间滞后的界限，并证明对恒定大小图段应用该算法即可判定跨无限时间区间的因果效应可识别性。
2025-04-28 cs.AI cs.LG stat.ME
Invariance of Clustering Operations in Causal Effect Identification
University of Jyvaskyla（于韦斯屈莱大学）
本文研究因果图中聚类操作对因果效应识别的影响，提出基于c-分量的条件，定义并刻画了一类识别不变的聚类操作，并展示了其实际应用。
2026-10-05 cs.LG stat.ML
PAC-Causal Learnability: From Identification to Finite-Sample Guarantees
Duke University（杜克大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出PACC因果发现框架，将PAC学习原则扩展至因果推断，在有限数据与时间约束下为倾向评分、工具变量及SCCS等方法提供计算、样本效率与理论保证。
2026-10-16 cs.LG stat.ML
Multiple imputation and test-wise deletion for causal discovery with incomplete cohort data
因果发现算法从观测数据中估计因果图。这可以提供一个有价值的补充分析集中在个别治疗结果对之间的因果关系。基于约束的因果发现算法在构建图时依赖于条件独立性测试。直到最近，这些算法还无法处理缺失值。在本文中，我们研究了两种替代的解决方案：测试明智的删除和多重插补。我们建立了测试删除下因果结构可恢复性的充分必要条件，并认为多重插补在因果发现的背景下比估计更具挑战性。我们通过从基准因果图模拟进行了广泛的比较：正如人们所料，我们发现测试式删除和多重插补都明显优于列表式删除和单重填补。至关重要的是，我们的研究结果进一步表明，多重插补是特别有用的设置中的一个小数目的高斯或离散变量，但当数据集包含一个混合的两种方法都不是最好的。我们比较的方法包括随机森林填补和混合程序相结合的测试明智的删除和多重插补。一个应用程序的数据IDEFICS队列研究的饮食和生活方式有关的疾病在欧洲儿童作为一个说明性的例子。
2021-08-30 stat.ME stat.ML
Identification and Estimation of Conditional Average Partial Causal Effects via Instrumental Variable
Yokohama National University（横滨国立大学）；Iowa State University（爱荷华州立大学）
本文研究了连续处理下揭示异质因果效应的条件平均部分因果效应（CAPCE），在工具变量设定下提供了较以往更弱假设的识别条件，并开发了sieve、参数化和基于RKHS的三类估计器且验证了其有效性。
2024-05-30 cs.LG stat.ML
Enhancing Identification of Causal Effects by Pruning
University of Jyvaskyla（于韦斯屈莱大学）
因果模型传达了我们对现实世界现象中的因果关系的假设。通常，兴趣在于识别动作的效果，这意味着从观察到的概率分布导出由动作引起的干预分布的表达式。在许多情况下，可识别性算法可能会返回一个复杂的表达式，其中包含实际上不必要的变量。在实践中，当处理测量误差或缺失数据时，这可能导致额外的计算负担和增加的偏差或估计的低效率。我们提出了图形化的标准，以检测变量是多余的，在确定因果关系的影响。我们还提供了一个众所周知的可识别性算法，实现这些标准的改进版本。
2018-06-19 cs.LG stat.ML
Identification in Tree-shaped Linear Structural Causal Models
University of Lübeck（吕贝克大学）；Saarland University（萨尔大学）
线性结构方程模型将直接因果效应表示为有向边，将混杂因素表示为双向边。一个开放的问题是从节点之间的相关性中识别因果参数。我们调查模型，其有向分量形成一棵树，并表明，有，除了经典的工具变量，丢失的周期的双向边缘可以用来识别模型。他们可以产生系统的二次方程，我们明确解决，以获得一个或两个解决方案的因果参数相邻的有向边缘。我们展示了如何多个丢失的周期可以结合起来，以获得一个独特的解决方案。这导致了一种算法，可以识别以前需要基于格罗布纳基的方法的实例，该方法在结构参数的数量上具有双指数时间复杂度。
2022-03-04 cs.AI cs.LG cs.SC
Algorithmic syntactic causal identification
School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院）
针对现有因果识别方法依赖概率论而无法适用于非概率场景的问题，本文提出基于对称幺半范畴的纯语法算法化因果识别方法，并推导出后门和前门调整的语法类似物。
2025-01-29 cs.AI cs.LG stat.ME
Estimating Individual Treatment Effects through Causal Populations Identification
Paris-Dauphine University - PSL（巴黎多芬大学-PSL大学）；CNRS（法国国家科学研究中心）；Ai Square Connect；AdWay Groupe（AdWay集团）
从观察数据中估计个体治疗效果，定义为有和没有治疗或干预的结果之间的差异，同时只观察两者之一，是因果学习中的一个具有挑战性的问题。在本文中，我们制定了这个问题作为一个隐含变量的推断，并强制执行因果约束的基础上，四个排他性的因果种群模型。我们提出了一个新版本的EM算法，被称为期望因果关系最大化（ECM）算法，并提供提示，其收敛性在温和的条件下。我们比较我们的算法合成和真实世界的数据基线方法，并讨论其性能。
2020-05-06 cs.LG stat.ML
Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文利用高阶累积量解决lvLiNGAM中潜变量混杂下的因果效应识别问题，证明单一代理变量或欠指定工具变量条件下因果效应可识别，并提出相应估计方法。
2025-06-06 cs.LG stat.ME stat.ML
Scalable and Versatile Identification for Hierarchical Structural Causal Models: A New Look at Project STAR
针对分层结构因果模型，本文开发了一套连接符号识别与实际估计的可扩展开源管道，经验证后应用于STAR项目，发现扁平基线无法编码班级干预，符号识别需结合可扩展估计与数值稳定性检查。
2026-08-26 cs.AI stat.ML
Constraint- and Score-Based Nonlinear Granger Causality Discovery with Kernels
本文提出基于核方法的非线性格兰杰因果发现方法，通过统一框架提升因果识别性能，并引入高斯过程评分模型以改进时间序列因果发现。
2026-01-14 cs.LG stat.ML
Comparing Two Proxy Methods for Causal Identification
Department of Biostatistics, Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学伯克曼公共卫生学院生物统计学系）；Department of Computer Science, Johns Hopkins Whiting School of Engineering（约翰霍普金斯大学惠廷工程学院计算机科学系）
本文比较了桥方程方法和数组分解方法在因果识别中的应用，分析了两种方法的模型限制和假设影响，明确了各自适用范围。
2026-05-11 cs.LG stat.ME stat.ML
Causality Refined Diagnostic Prediction
KTH Royal Institute of Technology（瑞典皇家理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Karolinska Institute（卡罗林斯卡学院）
近年来，将机器学习应用于医疗保健领域已显示出可喜的成果。来自学习算法的可解释的输出对于卫生保健人员的决策是期望的。在这项工作中，我们探讨了利用因果关系来完善诊断预测的可能性。我们专注于诊断预测的任务，使用不舒适的图纸，并探讨两种方法，采用因果识别，以提高诊断结果。首先，我们使用因果识别来推断诊断标签之间的因果关系，其本身提供了可解释的结果，以帮助医疗保健人员的决策和培训。其次，我们提出了一种后处理方法，其中推断的因果关系用于改进多视图概率模型的预测精度。实验结果表明，首先，因果识别是能够正确地检测诊断标签之间的因果关系，其次，有可能提高疼痛诊断预测精度使用的因果关系。
2017-11-29 cs.LG stat.ML
Causal Effect Identification in LiNGAM Models with Latent Confounders
Technical University of Munich（慕尼黑工业大学）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Leiden University（莱顿大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文研究了带有潜在变量的 LiNGAM 模型中因果效应的可识别性，在因果图已知与未知两种设定下提供了完整的图特征描述与认证算法，并改编 RICA 算法实现因果效应估计。
2024-06-04 cs.LG stat.ME stat.ML
Design-based Causal Inference for Incomplete Block Designs
本文在不完全区组设计（IBD）和平衡不完全区组设计框架下建立了基于有限总体设计的因果推断理论，推导估计量性质、中心极限定理和保守方差估计，并通过模拟与数据示例证明IBD的实用性。
2025-08-22 stat.ME
Approximate Causal Effect Identification under Weak Confounding
Purdue University（普渡大学）
本文针对弱混杂（未观测混杂因子熵小）下不可识别的因果查询，提出高效线性规划以计算因果效应的上下界，证明熵趋于零时界收敛，并通过模拟验证其比现有方法更紧。
2023-06-22 cs.AI cs.IT cs.LG
Identification of Causal Direction under an Arbitrary Number of Latent Confounders
School of Computer Science, Guangdong University of Technology（广东技术大学计算机科学学院）；Department of Philosophy, Carnegie Mellon University（卡内基梅隆大学哲学系）；College of Engineering, Shantou University（汕头大学工程学院）；Peng Cheng Laboratory, Shenzhen, China（深圳鹏城实验室）；Mohamed bin Zayed University of Artificial Intelligence（莫扎德大学人工智能大学）
本文针对存在任意数量潜在混杂因子的线性非高斯系统，利用特定构造的联合高阶累积量矩阵的秩亏缺性质，直接识别两观测变量间的因果方向，无需迭代，并验证了其有效性与渐近正确性。
2025-10-26 cs.LG stat.ML
GaussDetect-LiNGAM:Causal Direction Identification without Gaussianity test
Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院，清华大学，深圳，中国）
GaussDetect-LiNGAM通过利用噪声高斯性与残差独立性的等价性，无需高斯性检验即可实现因果方向识别，提升因果推断的效率和实用性。
2025-12-03 cs.LG stat.ML
Causal Identification with Additive Noise Models: Quantifying the Effect of Noise
University of Luxembourg（卢森堡大学）
近年来，人们对因果推断和因果学习进行了大量的研究。许多方法已被开发出来，以确定模型中的因果关系对，并已成功地应用于观测的现实世界的数据，以确定因果关系的方向。然而，在双变量的情况下，因果发现问题仍然具有挑战性。也允许处理双变量情况的一类这样的方法基于加性噪声模型（ANM）。不幸的是，这些方法的一个方面直到现在还没有得到太多的关注：不同的噪声水平对这些方法识别因果关系方向的能力有什么影响。这项工作的目的是弥合这一差距的实证研究的帮助。我们使用一个详尽的模型范围来测试回归与随后的独立性测试（RESIT），其中加性噪声的水平逐渐从原因噪声水平的1%变化到10000%（后者保持固定）。此外，这项工作中的实验考虑了几种不同类型的分布以及线性和非线性模型。实验结果表明，ANMs方法可能无法捕捉到真正的因果方向的一些水平的噪声。
2021-10-15 cs.LG stat.ML
Towards a holistic understanding of Selection Bias for Causal Effect Identification
Carnegie Mellon University（卡内基梅隆大学）；University of California, Berkeley（加州大学伯克利分校）
研究在观测研究中存在选择偏差时，如何利用弱假设刻画倾向得分和选择概率，给出平均处理效应可识别性的充要条件，扩展了现有图形识别准则。
2026-06-01 cs.AI cs.LG stat.ME
Identification of Causal Structure in the Presence of Missing Data with Additive Noise Model
Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Shantou University（汕头大学）
本研究针对自掩蔽缺失下因果结构难以识别的问题，基于加性噪声模型放宽无自掩蔽缺失假设，证明弱自掩蔽下因果骨架及方向的可识别性，提出实用算法并通过实验验证其有效性。
2023-12-19 cs.AI cs.LG stat.ME
Algorithmic Causal Effect Identification with causaleffect
Universitat de Barcelona（巴塞罗那大学）
当我们理解了原因和结果之间的关系时，我们作为一个物种的进化向前迈出了一大步。这些关联对于某些事件来说可能是微不足道的，但在复杂的场景中却并非如此。为了严格证明某些事件是由其他事件引起的，因果理论和因果推理被形式化，引入了$do$算子及其相关规则。本报告的主要目标是回顾并在Python中实现一些算法，以从观察数据中计算条件和非条件因果查询。为此，我们首先提出了一些基本的背景知识概率和图论，在引入重要成果的因果理论，用于建设的算法。然后，我们深入研究了Shpitser和Pearl在2006年提出的识别算法，并解释了我们在Python中的实现。主要的识别算法可以看作是$do$演算规则的重复应用，它最终要么从实验概率返回因果查询的表达式，要么无法识别因果效应，在这种情况下，该效应是不可识别的。我们介绍了我们新开发的Python库，并给出了一些使用示例。
2021-07-09 cs.AI cs.MS math.ST
Identification of Causal Structure with Latent Variables Based on Higher Order Cumulants
Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Shantou University（汕头大学）；Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对含潜变量的因果发现中两观测变量受同一潜变量影响且可能存在有向边的结构识别难题，提出基于非高斯数据高阶累积量估计因果系数及其比值、结合非对称性准则判定因果边存在性与方向的新方法，经实验验证有效。
2023-12-19 cs.AI cs.LG stat.ME
Fast Proxy Experiment Design for Causal Effect Identification
EPFL（洛桑联邦理工学院）；TUM（慕尼黑工业大学）
本文针对代理实验的最小成本因果效应识别设计问题，提出多种重新表述以构造更高效算法，并研究基于有效调整集的实验设计。
2024-07-07 cs.AI cs.LG stat.ME
Causal Effect Identification in Uncertain Causal Networks
EPFL（洛桑联邦理工学院）；University of Lausanne（洛桑大学）；TUM（慕尼黑工业大学）
本文研究因果图结构存在不确定性时的因果效应识别问题，将其归约为NP完全的边ID问题，并提出高效近似算法在真实与随机网络上验证效果。
2023-10-27 cs.LG stat.ME
Towards Robust Causal Effect Identification Beyond Markov Equivalence
本文针对因果图难以完全确定的情况，提出从候选马尔可夫等价类集合中识别因果效应的充分条件，以增强鲁棒性。
2025-06-18 stat.ME
Identification and Bounding of Central Moments of Causal Effects Using Marginal Moments Information
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
研究利用各潜在结果的边际中心矩来识别和界定个体因果效应的中心矩，相比需完整边际分布的现有方法，边际矩信息在实证应用中更易获取，还通过案例研究展示结果实用性。
2026-07-07 stat.ME stat.ML
Adjustment Identification Distance: A gadjid for Causal Structure Learning
School of Mathematics and Statistics, University College Dublin（都柏林大学学院数学与统计学院）；Pioneer Centre for AI, University of Copenhagen（哥本哈根大学人工智能先锋中心）；Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系）
针对现有图差异评估指标无法反映因果效应识别差异的问题，研究提出构建因果距离的框架，基于此开发调整类距离及扩展，设计高效算法并在gadjid包中实现，速度更快且适配更大规模图。
2024-07-11 cs.LG stat.ME stat.ML
Complete Causal Identification from Ancestral Graphs under Selection Bias
Korteweg-de Vries Institute for Mathematics, University of Amsterdam（科特维格-德弗里斯数学研究所，阿姆斯特丹大学）
本文提出在选择偏见下基于祖先图的因果识别算法，通过建立条件独立关系的理论框架，实现对因果结构的完整识别。
2026-03-27 math.CO math.PR math.ST
Causal and Counterfactual Views of Missing Data Models
Emory University（埃默里大学）；Williams College（威廉姆斯学院）；Johns Hopkins University（约翰斯·霍普金斯大学）；Harvard University（哈佛大学）
本文提出将缺失数据问题视为一种因果推断形式，通过反事实变量和图模型统一缺失数据识别与因果识别理论，并比较两者的异同。
2024-11-20 cs.LG stat.ME stat.ML
Identification of causal direct-indirect effects without untestable assumptions
在因果中介分析中，识别现有的因果直接或间接影响需要不可检验的假设，其中潜在的结果和潜在的中介是独立的。本文定义了一个新的因果直接和间接的影响，不需要不可检验的假设。我们表明，所提出的措施是可识别的，从观察到的数据，即使潜在的结果和潜在的介质是依赖的，而现有的自然直接或间接的影响可能会发现一个伪间接的影响时，不可检验的假设被违反。
2020-09-26 math.ST stat.ME stat.TH
s-ID: Causal Effect Identification in a Sub-Population
EPFL（洛桑联邦理工学院）
针对仅能获取子总体观测数据的因果效应识别问题，提出 s-ID 问题，给出因果图中可识别的充分必要条件，并提供了一种可靠且完备的算法。
2024-01-08 cs.AI cs.LG stat.ME
Iterative Identification Closure: Amplifying Causal Identifiability in Linear SEMs
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本文提出迭代识别闭合框架，通过迭代反馈机制提升线性SEM中因果效应系数的可识别性，有效解决传统HTC方法无法处理的' inconclusive'因果效应问题。
2026-10-27 cs.LG stat.CO stat.ML
A Criterion for Parameter Identification in Structural Equation Models
Iowa State University（爱荷华州立大学）
本文研究递归线性结构方程模型中直接因果效应的识别问题。本文建立了一个识别个体因果效应的充分准则，并提供了一个根据观测协方差阵计算已识别因果效应的程序。
2012-06-20 cs.AI stat.ME
Identification and Estimation of the Bi-Directional MR with Some Invalid Instruments
Beijing Technology and Business University（北京工商大学）
针对双向MR中存在无效工具变量与未测混杂、现有方法依赖专家知识或单向假设的问题，本文提出双向MR可识别的充要条件，设计类聚类融合方法估计因果效应，理论与实验均验证了其有效性。
2024-07-12 cs.LG stat.ME stat.ML
An integral equation for the identification of causal effects in nonlinear models
当X和Y之间的因果关系由结构方程指定时，X对Y的因果效应是当所有其他变量保持固定时，Y相对于X变化的预期变化率。这种因果效应无法从（X，Y）的分布中识别出来。我们给出的条件下，这种因果效应被确定为一个积分方程的解决方案的基础上的分布（X，Z）和（Y，Z），其中Z是一个工具变量。
2021-05-11 math.ST stat.TH
Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Cambridge（剑桥大学）
本文提出因果 de Finetti 定理，证明可交换数据蕴含更丰富的条件独立性结构，并据此开发算法，通过条件独立性检验从独立因果机制生成过程中唯一识别因果结构，适用于多环境数据。
2024-05-24 cs.LG math.ST stat.ME
Symmetries and Causality: Causal Effect Identification Beyond IID Data
University of Potsdam（波茨坦大学）
本文提出基于数据对称性的因果推理数学语言，可复现IID数据的因果理论结果，扩展了超越IID数据的因果推理范围，适用于迁移与鲁棒性属性描述。
2026-10-21 cs.AI math.ST stat.TH
The Effect of Alcohol intake on Brain White Matter Microstructural Integrity: A New Causal Inference Framework for Incomplete Phenomic Data
University of Maryland School of Medicine（马里兰大学医学院）；University of Michigan（密歇根大学）；University of Maryland, College Park（马里兰大学帕克分校）；Institute for Genome Sciences, University of Maryland School of Medicine（马里兰大学生命科学研究所）
本研究提出了一种新的因果推断框架，用于分析酒精摄入对大脑白质微结构完整性的影响，通过整合不完整表型数据提高估计效率，并发现每日饮酒与白质各向异性降低及血压升高相关。
2025-07-25 stat.ME
Causal Identification under Markov Equivalence
Purdue University（普渡大学）；Lingnan University（岭南大学）
评估因果关系的大小是整个实证科学的核心挑战之一。因果效应的识别问题涉及到确定因果效应是否可以从观测数据和有关被调查领域的实质性知识的组合中计算出来，这些知识以因果图的形式正式表示。然而，在许多实际环境中，研究人员所掌握的知识并不足以确定一个唯一的因果图。另一种研究尝试使用观测数据来学习称为马尔可夫等价类的域的定性描述，马尔可夫等价类是共享同一组观测特征的因果图的集合。在本文中，我们结合这两种方法和研究的问题，从一个等价类的因果关系识别，表示为一个部分祖先图（PAG）。我们首先推导出一组图形属性的PAG进行到其诱导子图。然后，我们开发了一个算法来计算任意一组变量对任意结果集的影响。我们表明，该算法是严格的更强大的比在文献中发现的最先进的当前状态。
2018-12-15 cs.AI math.ST stat.TH
Partial Identification of Causal Effects Using Proxy Variables
Boston University（波士顿大学）；University of Pennsylvania（宾夕法尼亚大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文针对近端因果推断框架，提出无需完备性和桥接函数识别的因果效应部分识别方法，利用代理变量得到因果效应的界并推导推断相关结果，拓展了该框架的应用场景。
2026-08-06 math.ST stat.ME stat.ML
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
Causal Interaction Trees: Tree-Based Subgroup Identification for Observational Data
我们提出了因果关系树，以确定亚组的参与者，增强了处理效应使用观察数据。我们扩展了分类和回归树算法，使用分裂标准，重点是最大限度地提高组间处理效应异质性的基础上，亚组特定的处理效应估计，以决定在算法中的决策。我们推导出三个亚组特定的处理效应估计，占观察性质的数据-逆概率加权，g-公式和双稳健估计的属性。我们使用模拟研究所提出的算法的性能，并在一项观察性研究中实施该算法，以评估右心导管插入术对危重患者的有效性。
2020-03-06 stat.ME stat.ML
The Evaluation of Causal Effects in Studies with an Unobserved Exposure/Outcome Variable: Bounds and Identification
Osaka University（大阪大学）；Kyoto University（京都大学）
本文讨论了在存在未观察到的暴露/结果变量的情况下，当变量之间的因果关系可以描述为有向无环图和联合分布的相应递归因子分解时，使用观察数据评估因果效应的问题。首先，我们提出了因果效应的可识别性标准，当一个未观察到的暴露/结果变量被认为包含两个以上的类别。接下来，当不可测量的变量之间存在一个未观察到的结果变量和它的代理变量，我们提供了最严格的边界的基础上的潜在结果的方法。本文的结果有助于评估因果效应的情况下，它是困难的或昂贵的观察暴露/结果变量在许多实际领域。
2012-06-13 cs.AI stat.ME
Efficient Identification in Linear Structural Causal Models with Instrumental Cutsets
Purdue University（普渡大学）；Brex Inc.（Brex公司）；Columbia University（哥伦比亚大学）
在进行数据分析时，最常见的错误之一是将因果意义归因于回归系数。从形式上讲，只有当一个因果效应可以从观测数据和所研究领域的结构知识中识别出来时，才能计算出它（Pearl，2000，第5章）。建立在文献的工具变量（IV），大量的方法已被开发出来，以确定线性系统中的因果效应。然而，几乎无一例外地，最强大的这种方法依赖于指数时间的程序。在本文中，我们调查的图形条件，使有效的识别在任意线性结构因果模型（SCM）。特别是，我们开发了一种方法来有效地找到无条件的工具子集，这是IVs的推广，可用于驯服的复杂性，在文献中发现的许多典型的算法。此外，我们证明，确定是否可以用TSID识别效果（Weihs等人，2017），一种比无条件工具集和其他有效识别算法更强大的方法，是NP完全的。最后，建立在流约束的思想，我们引入了一个新的和有效的标准，称为工具割集（IC），这是能够解决所有其他现有的多项式时间算法错过的参数。
2019-10-29 cs.AI stat.ME
Identification of causal effects in case-control studies
病例对照设计是对比明确定义的治疗效果的重要工具。在本文中，我们重新考虑经典的概念，假设和原则，并探讨当病例对照研究的结果可以赋予因果解释。我们的重点是确定目标因果量，或被估量。我们涵盖了流行的抽样方案（病例基础，幸存者和风险集抽样），每一个匹配和不匹配的意向治疗或每协议的影响有关的各种被估量。我们的方法可能会通知未来的研究不同的被估量，其他变化的病例对照设计或设置额外的复杂性。
2021-05-05 stat.ME
Identification of causal intervention effects under contagion
界定和确定传染性传染病结果的因果干预效应具有挑战性，因为给予一个人的治疗-如疫苗-可能影响其他人的感染结果。流行病学家提出了因果estimands量化的影响下的干预传染使用两人的伙伴关系模型。这些简单的概念模型帮助研究人员开发了与疫苗效果临床评价相关的因果被估量。然而，许多这些伙伴关系模型的结构性假设，排除现实的传染病传播动力学，限制了他们的概念在定义和确定因果处理效应的经验性干预试验的有用性。在本文中，我们提出了因果干预的影响，在两个人的伙伴关系下任意传染病的传播动力学，并给出非参数识别结果，显示如何影响可以估计在实证试验中使用的时间感染或二进制结果数据。关键的见解是，传染是一种因果现象，诱导感染结果的条件独立性，可用于识别有临床意义的因果被估量。这些新的被估量进行比较，现有的数量，并说明使用一个现实的模拟艾滋病毒疫苗试验的结果。
2019-12-10 math.ST q-bio.PE stat.AP
Identification and multiply robust estimation in causal mediation analysis across principal strata
该研究针对存在治疗后事件的因果中介分析场景，识别了全人群及各主层的自然中介效应，推导了有效影响函数并提出多重稳健估计量，还开发了非参数有效估计量与敏感性分析方法，经模拟和真实数据验证了方法有效性。
2024-09-12 stat.ME stat.ML
Identification and Estimation of Causal Effects with Outcomes Truncated by Death
在医学研究中，关注的结局因死亡而截断是常见的，这意味着受试者在结局可测量之前已经死亡。在这种情况下，对幸存者的限制性分析可能会受到选择偏倚的影响。因此，估计存活者平均因果效应是有意义的，定义为在任一暴露条件下存活的受试者组成的亚组中的平均因果效应。本文研究了生存者平均因果效应的识别和估计问题。我们建议使用一个替代变量的地方的潜在的成员在总是幸存者组。替代变量所需的识别条件在概念上类似于条件工具变量的条件，可适用于随机化和观察性研究。我们发现，幸存者的平均因果效应是可识别的使用这样一个替代变量，并提出新的模型参数估计幸存者的平均因果效应，根据我们的识别假设。我们的方法说明通过模拟研究和数据分析。
2018-04-24 stat.ME
TSCI: two stage curvature identification for causal inference with invalid instruments
TSCI针对含无效工具变量的观测数据，提出一种两阶段曲率识别算法，利用机器学习处理非线性并投影工具变量违规，实现无需经典假设的处理效应估计。
2023-04-02 stat.CO stat.ME stat.ML
