Inference for Heterogeneous Treatment Effects with Efficient Instruments and Machine Learning
Seminar for Statistics, ETH Zurich(苏黎世联邦理工学院统计系);Center for Data Science, Zhejiang University(浙江大学数据科学中心)
本文提出了一种基于双重/去偏机器学习和高效工具的IV估计器,用于推断异质处理效应,并在合成和实际数据上进行了验证。
2026-02-05 stat.ME
Bayesian regression tree models for causal inference: regularization, confounding, and heterogeneous effects
本文提出了一种新的非线性回归模型,用于从观察数据中估计异质性处理效应,特别适用于效应量小、异质性效应和强混杂的情况。标准的非线性回归模型,可以很好地预测,有两个显着的弱点时,用于估计异质性处理效应。首先,当拟合具有强混杂的数据时,它们可能产生严重偏倚的处理效应估计值。本文提出的贝叶斯因果森林模型通过直接将倾向函数的估计值引入响应模型的规范中来避免这个问题,隐式地在回归函数上诱导协变量依赖的先验。其次,响应面建模的标准方法不能充分控制效应异质性的正则化强度。贝叶斯因果森林模型允许将处理效应异质性与控制变量的预后效果分开进行正则化,从而可以在信息上“缩小到同质性”。我们通过重新分析一项评估吸烟对医疗支出的因果影响的观察性研究以及广泛的模拟研究来说明这些好处。
2019-11-13 stat.ME
Decoupling and randomization for double-indexed permutation statistics
University of Chicago(芝加哥大学);University of Washington(华盛顿大学);University of California, Berkeley(加州大学伯克利分校)
本文提出解耦与随机化方法,用于建立双索引排列统计量的集中不等式,推导出新的组合Hanson-Wright不等式和Bennett不等式,并提供秩统计量、图统计量和因果推断的例子。
2026-03-20 econ.EM math.PR math.ST
Discussion on "Bayesian Regression Tree Models for Causal Inference: Regularization, Confounding, and Heterogeneous Effects" by Hahn, Murray and Carvalho
Hahn等人(2020)提供了一项广泛的研究,以解释和评估BCF模型在不同环境中的性能,并详细讨论了其在因果推断中的效用。这是一个受欢迎的除了因果机器学习文献。我将通过两个主题的讨论来强调BCF模型对因果推断领域的贡献:1)BCF模型中的PS和贝叶斯更新方法中的贝叶斯PS之间的差异,2)基于因果效应估计方法的结果建模中PS的作用的另一种阐述。最后,我将对未来涉及BCF的研究途径发表评论,这在大数据时代将是重要的和急需的。
2021-08-05 stat.ME stat.OT
Assumption-Lean Differential Variance Inference for Heterogeneous Treatment Effect Detection
McGill University(麦吉尔大学);Université de Montréal(蒙特利尔大学);Lund University(隆德大学);University of Toronto(多伦多大学)
提出通过潜在结果方差对比推断治疗效果异质性,即使缺失效应修饰变量也能检测,并推导出双重稳健的因果机器学习估计量。
2026-10-14 stat.ME
Estimating Heterogeneous Treatment Effects for Spatio-Temporal Causal Inference
University of Florida(佛罗里达大学);Harvard University(哈佛大学);Dartmouth College(达特茅斯学院)
该研究针对时空因果推断的空间溢出和时间延续问题,提出Hajek型CATE估计量及相关检验,通过模拟验证性能,并应用于美国空袭对伊拉克叛乱暴力影响的分析,发现与反叛乱理论预期相反的结果。
2026-08-05 stat.ME
Federated Causal Inference in Heterogeneous Observational Data
Emory University(埃默里大学);Cornell University(康奈尔大学);United States Military Academy(美国军事学院);Harvard University(哈佛大学);Johns Hopkins University(约翰斯·霍普金斯大学);Stanford University(斯坦福大学)
针对多站点隐私限制与数据异构性,提出基于倾向得分的联邦因果推断方法,通过本地计算与跨站点聚合估计平均处理效应,并证明其渐近性质及在医疗数据库中的有效性。
2023-04-02 cs.LG econ.EM q-bio.QM
Improved inference for doubly robust estimators of heterogeneous treatment effects
我们提出了一种双重稳健的方法来表征观察性研究中的处理效应异质性。我们开发了一个频率主义的推理程序,利用后验分布的倾向得分和结果回归模型提供有效的推理条件平均处理效应,即使当使用高维或非参数模型。我们表明,我们的方法会导致保守的推断在有限样本或模型误指定,并提供了一个一致的方差估计时,这两个模型都被正确指定。在模拟中,我们说明了这些结果在困难的设置,如高维协变量空间或高度灵活的模型的倾向得分和结果回归的效用。最后,我们分析了NHANES的环境暴露数据,以确定这些暴露的影响如何因受试者级别的特征而异。
2022-07-19 math.ST stat.AP stat.ME
Regression-based estimation of heterogeneous treatment effects when extending inferences from a randomized trial to a target population
从随机试验到目标人群的扩展-推广或运输-推论的方法涉及调节一组大的协变量,足以使随机化和非随机化组互换。然而,决策者往往有兴趣在仅根据少数离散协变量定义的目标人群亚组中检查处理效应。在这里,我们提出了估计亚组特定的潜在结果的手段和平均处理效应的一般性和可移植性分析的方法,使用结果模型为基础的(g公式),加权和增强加权估计。我们考虑在目标人群及其非随机化亚组中估计亚组特异性平均处理效应,并提供适用于嵌套和非嵌套试验设计的方法。作为一个例子,我们应用的方法,从冠状动脉手术研究的数据,比较手术加药物治疗与药物治疗单独治疗慢性冠状动脉疾病的心肌梗死史定义的亚组的影响。
2021-09-30 stat.ME
Data Integration in Causal Inference
整合来自多个异质来源的数据已变得越来越流行,以实现大样本量和多样化的研究人群。本文回顾了因果推断方法的发展,该方法结合了从潜在异质性人群中通过潜在不同设计收集的多个数据集。我们总结了随机临床试验与观察性研究或历史对照的外部信息相结合的最新进展,当没有单个样本具有所有相关变量时,将样本组合起来应用于双样本孟德尔随机化,在隐私问题下使用真实世界数据进行比较有效性和安全性研究的分布式数据设置,贝叶斯因果推断和因果发现方法。
2021-10-03 stat.ME
Inference on Quantile Treatment Effects with Small Treatment Groups
Amazon Inc.(亚马逊公司);UC Berkeley, Dept. of Economics(加州大学伯克利分校经济学系)
本研究针对多值处理模型中自然出现的小处理组,开发了允许处理组规模保持有界的条件分位数处理效应推断方法,通过结合条件分位数函数估计与分位数指标的伯努利表示,经蒙特卡洛实验验证了其有限样本性能。
2026-10-23 econ.EM econ.GN math.ST
Permutation Weighting
在观察因果推断中,为了模拟随机化实验,使用权重来使处理独立于观察到的协变量。这种性质被称为平衡;在缺乏平衡的情况下,估计的因果效应可能是任意有偏的。在这项工作中,我们介绍排列加权,使用标准的二元分类器(无论治疗的基数)估计平衡权重的方法。在该方法中可以使用大量的概率分类器;分类器的损失的选择暗示了平衡的特定定义。我们绑定的偏见和方差的过度风险的分类,表明这些消失渐近,并证明我们的分类问题直接最大限度地减少不平衡。各种各样的现有的平衡权重可以通过该机制来估计,从而允许基于分类器损失的方法之间的直接比较,以及使用交叉验证的超参数调整。经验评估表明,置换加权提供了良好的性能相比,现有的方法。
2020-07-14 stat.ME
Deep Learning for Causal Inference: A Comparison of Architectures for Heterogeneous Treatment Effect Estimation
本文提出 Bayesian Causal Forest 算法的全连接神经网络实现,用于异质性处理效应估计,并在模拟数据和压力影响睡眠的数据集中验证其性能提升。
2024-05-06 cs.LG stat.ML
Statistical Inference for Heterogeneous Treatment Effects Discovered by Generic Machine Learning in Randomized Experiments
针对机器学习在随机实验中发现的异质性处理效应,提出基于随机化与随机抽样的通用统计推断方法,涵盖组内效应估计、置信区间及非参数检验,并推广至交叉拟合。
2024-04-21 stat.AP stat.ME stat.ML
Causal Inference for Genomic Data with Multiple Heterogeneous Outcomes
针对单细胞基因组数据中多个异质性结果,提出一种半参数双稳健推断框架,支持标准化平均处理效应和分位数处理效应估计,并采用高斯乘子自助法控制错误发现率。
2025-04-22 stat.AP stat.ME stat.ML
MetaCI: Meta-Learning for Causal Inference in a Heterogeneous Population
TCS Research(塔塔咨询服务公司研究院)
由于医疗保健、教育、零售等领域的数据广泛可用,因此对通过观察性研究获得的数据进行推断变得非常重要。此外,这些数据是从异质人群的多个同质亚组中获得的,因此,对这些数据进行推断机制的推广是至关重要的。我们提出了MetaCI框架,其目标是在因果推理(CI)的背景下回答反事实问题,其中事实观察是从几个同质的子组中获得的。虽然CI网络被设计为从事实分布推广到反事实分布以解决协变量偏移,但MetaCI采用元学习范式来解决由于群体中存在异质性以及由于目标分布的漂移(也称为概念偏移)而导致的训练和测试阶段之间的数据分布偏移。我们使用平均治疗效果的平均绝对百分比误差作为度量标准对MetaCI算法的性能进行基准测试,并证明与随机初始化网络和其他方法相比,Meta初始化具有显着的增益。
2021-02-17 cs.LG cs.MA stat.ML
A Robust Permutation Test for Subvector Inference in Linear Regressions
提出一种用于线性模型系数子向量推断的稳健置换检验,证明其在独立条件下精确,放宽条件后渐近正确且具功效,模拟表明层数较小时实际功效良好。
2023-09-12 econ.EM stat.ME
Score Permutation Based Finite Sample Inference for Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) Models
Institute for Computer Science and Control (SZTAKI)(计算机科学与控制研究所(SZTAKI));Hungarian Academy of Sciences (MTA)(匈牙利科学院(MTA))
(条件)异方差的标准模型,即,广义自回归条件异方差(GARCH)模型是指过程的方差随时间变化的现象,它在经济学和金融学中具有重要意义。GML模型通常由准极大似然(QML)方法估计,该方法在温和的统计假设下工作。在这里,我们提出了一个有限样本的方法,称为ScoPe,构建分布免费的置信区域周围的QML估计,有确切的覆盖概率,尽管没有额外的假设矩。ScoPe的灵感来自于最近开发的符号扰动和(SPS)方法,但不能应用于Gynecology的情况。ScoPe的工作原理是使用随机排列的残差扰动得分函数。这产生了导致精确置信区域的替代样本。模拟和股票市场的数据上的实验也提出了,和Scope相比,渐近理论和自助方法。
2018-07-23 cs.LG econ.EM math.DS
Randomization Inference of Heterogeneous Treatment Effects under Network Interference
针对网络干扰下的异质性处理效应,提出基于随机化的检验程序,构建数据依赖焦点分配集,建立渐近有效性并应用于实验数据。
2025-06-24 econ.EM
Full-Information Estimation of Heterogeneous Agent Models Using Macro and Micro Data
提出一种结合宏观与微观数据的异质性主体模型全信息贝叶斯推断方法,通过无偏估计似然函数处理不可观测状态变量,显著提升了推断精度和参数识别能力。
2022-06-06 econ.EM
Estimation and Inference for the $τ$-Quantile of Individual Heterogeneous Coefficient
Michigan State University(密歇根州立大学);University at Albany – State University of New York(纽约州立大学奥尔巴尼分校)
针对面板数据中个体异质性斜率系数的分位数,提出两步分位数估计框架,并建立渐近理论和自助法推断。
2026-06-11 econ.EM math.ST stat.TH
Panel Data Analysis with Heterogeneous Dynamics
本文提出了一种无模型的方法来分析跨观测单元的异质动态结构的面板数据。我们首先计算每个单元的样本均值、自协方差和自相关性,然后根据它们的经验分布估计感兴趣的参数。然后,我们研究了我们的估计使用双重渐近的渐近性质,并提出了分裂面板刀切偏差校正和推断的基础上的横截面自助。我们通过研究一价定律的偏离动态来说明我们的程序的有用性。蒙特卡罗模拟证实了所提出的偏差校正是有效的,并在小样本下产生有效的推断。
2019-01-15 econ.EM