NCoRE: Neural Counterfactual Representation Learning for Combinations of Treatments
John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；GlaxoSmithKline（葛兰素史克）
从观察数据中估计个体对干预措施的潜在反应对于许多领域具有高度的实际意义，例如医疗保健，公共政策或经济学。在这种情况下，往往可以同时采取多种干预措施，例如，在医疗保健方面采取多种处方，或在经济学方面采取不同的财政和货币措施。然而，现有的反事实推理方法仅限于动作不同时使用的情况。在这里，我们提出了神经反事实关系估计（NCoRE），这是一种在联合治疗环境中学习反事实表示的新方法，它明确地模拟了交叉治疗的相互作用。NCoRE基于一种新的分支条件神经表征，其中包括学习治疗相互作用调节剂，以推断多种治疗组合的潜在因果生成过程。我们的实验表明，NCoRE显着优于现有的最先进的方法，用于反事实的治疗效果估计，不考虑在几个合成，半合成和真实世界的基准组合多种治疗的影响。
2021-03-20 cs.LG stat.ME stat.ML
Counterfactual Uncertainty Quantification of Factual Estimand of Efficacy from Before-and-After Treatment Repeated Measures Randomized Controlled Trials
Department of Mathematics, The University of Manchester；Janssen Research；Pfizer Worldwide Research \& Development；Department of Statistics, The Ohio State University
该研究提出ETZ统计建模原理，在带治疗前后重复测量的随机对照试验中实现了反事实不确定性量化，其变异性低于事实UQ，同时警示带测量误差的预测变量会引发亚组效应估计的衰减偏差。
2025-06-14 cs.LG stat.ML
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
Learning Decomposed Representation for Counterfactual Inference
Zhejiang University（浙江大学）；Tsinghua University（清华大学）；NetEase Inc.（网易公司）
从观察数据估计处理效应的基本问题是混杂因素的识别和平衡。大多数以前的方法通过将所有观察到的治疗前变量作为混杂因素来实现混杂因素平衡，忽略了进一步识别混杂因素和非混杂因素。一般而言，并非所有观察到的治疗前变量都是指治疗和结局的常见原因的混杂因素，一些变量仅对治疗有贡献，一些变量仅对结局有贡献。平衡这些非混杂因素，包括工具变量和调整变量，将产生处理效应估计的额外偏倚。通过对观察到的治疗前变量、治疗和结果之间的不同因果关系建模，我们提出了一个协同学习框架：1）通过学习混杂因素和非混杂因素的分解表示来识别混杂因素; 2）通过样本重新加权技术来平衡混杂因素; 3）同时通过反事实推理来估计观察性研究中的处理效应。在合成数据集和真实数据集上的实验结果表明，该方法能够精确分解混杂因素，并实现比基线更精确的处理效应估计。
2021-10-12 cs.LG stat.ME stat.ML
Counterfactual inference in sequential experiments
Department of Operations Research and Information Engineering, Cornell Tech（Cornell Tech 运营研究与信息工程系）；Department of Statistics, Harvard University（哈佛大学统计学系）；School of Information, University of Michigan（密歇根大学信息学院）；Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系）
针对自适应序贯实验，本文提出反事实均值的非参数潜在因子模型与最近邻估计方法，建立逐单元逐时间点的高概率误差界和渐近置信区间。
2025-06-08 cs.LG stat.ML
Generative Flows for Potential Outcomes and Counterfactuals
School of Industrial and Systems Engineering（工业与系统工程学院）；Georgia Institute of Technology（佐治亚理工学院）；Elmore Family School of Electrical and Computer Engineering（埃洛姆家族电气与计算机工程学院）；Purdue University（普渡大学）
本文提出PO-Flow框架，通过连续归一化流模型联合建模潜在结果分布和事实条件下的反事实结果，实现个性化预测和因果推断。
2026-10-20 cs.LG stat.ML
Continuous Treatment Effect Estimation Using Gradient Interpolation and Kernel Smoothing
Indian Institute of Technology Bombay（印度理工学院孟买分校）
针对观测数据中治疗分配与协变量混杂导致的个体化连续治疗效应估计难题，提出结合梯度插值与高斯过程核平滑的反事实推断方法来扩充训练数据，在5个基准上优于6种SOTA方法且具有模型无关性。
2024-01-27 cs.LG stat.ML
Learning Disentangled Representations for Counterfactual Regression via Mutual Information Minimization
Alibaba Group（阿里巴巴集团）
学习个体水平的处理效应是因果推理中的一个基本问题，在许多领域受到越来越多的关注，特别是在用户增长领域，这是许多互联网公司关注的问题。近年来，将协变量分解为工具因子、混杂因子和调节因子的非纠缠表示学习方法在治疗效果估计中取得了巨大的成功。然而，如何准确地了解潜在的分离因素仍然是一个悬而未决的问题。具体而言，以前的方法无法获得独立的解开的因素，这是一个必要的条件，识别处理效果。在本文中，我们提出了通过互信息最小化（MIM-DRFR），它使用多任务学习框架来共享信息时，学习潜在的因素，并纳入MI最小化学习标准，以确保这些因素的独立性的反事实回归的解开表示。包括公共基准测试和真实工业用户增长数据集在内的广泛实验表明，我们的方法比最先进的方法表现得更好。
2022-06-02 cs.LG stat.ML
Learning to Infer Counterfactuals: Meta-Learning for Estimating Multiple Imbalanced Treatment Effects
University of New South Wales（新南威尔士大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61部门）
我们经常考虑在实践中回答反事实的问题，比如“如果糖尿病患者选择另一种药物，他们会好转吗？".观察性研究由于其广泛的积累和比随机对照试验（RCT）更容易获得，在回答这些问题方面的意义越来越大。近年来，一些研究将表示学习和领域自适应引入反事实推理。然而，目前大多数的工作集中在设置的二进制处理。没有人认为不同治疗的样本量是不平衡的，特别是由于用户固有的偏好，某些治疗组的数据实例相对有限。在本文中，我们设计了一个新的算法框架，反事实推理，这带来了一个想法，从元学习估计个别治疗效果（MetaITE），以填补上述研究空白，特别是考虑到多个不平衡的治疗。具体来说，我们认为数据事件之间的处理组在反事实推理的元学习任务。我们训练一个元学习者从一组源处理组与足够的样本和更新模型的梯度下降与有限的样本在目标处理。此外，我们引入了两个互补的损失。一个是多源处理的监督损失。另一个损失，对齐各治疗组之间的潜在分布，建议减少的差异。我们在两个真实世界的数据集上进行实验，以评估推理精度和泛化能力。实验结果表明，该模型MetaITE匹配/优于国家的最先进的方法。
2022-08-13 cs.LG stat.ME
De-confounding Representation Learning for Counterfactual Inference on Continuous Treatment via Generative Adversarial Network
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）；Baidu（百度）
针对连续处理反事实推理中现有方法依赖参数模型、仅消除线性混杂的问题，提出基于生成对抗的DRL去混杂表示框架，可消除非线性依赖，在合成和真实医学数据集上表现优于前沿模型。
2023-07-24 cs.AI cs.LG stat.ME
Estimating counterfactual treatment outcomes over time in complex multiagent scenarios
Graduate School of Informatics at Nagoya University（名古屋大学信息学研究科）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Graduate School of Informatics at Kyoto University（京都大学信息学研究科）；Graduate School of Engineering at the University of Tokyo（东京大学工学研究科）；Graduate School of Information Science and Technology at Osaka University（大阪大学信息科学与技术研究科）
提出一种基于图变分循环神经网络和领域知识的可解释反事实循环网络，用于在复杂多智能体场景中估计干预的个体处理效应，并在自动驾驶和篮球数据上验证了其有效性。
2024-02-17 cs.AI cs.LG cs.MA
Generalized Encouragement-Based Instrumental Variables for Counterfactual Regression
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Emory University（埃默里大学）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Carnegie Mellon University（卡内基梅隆大学）
本文针对激励设计中随机化不完全、数据有限及激励稀少导致因果效应估计困难的问题，提出了广义工具变量估计器EnCounteR，结合观察与激励数据有效识别条件平均处理效应，并在合成与真实数据集上验证了其优越性。
2024-12-19 cs.LG stat.ME stat.ML
Mimicking counterfactual outcomes to estimate causal effects
在观察性研究中，治疗可能会在连续时间内多次适应协变量，而无需固定的方案。治疗影响协变量，协变量影响治疗，协变量影响治疗，如此等等，那么即使是时间依赖的Cox模型也不能用来估计净治疗效应。结构嵌套模型已应用于此设置。结构嵌套模型基于反事实：一个人在一定时间后被拒绝治疗的结果。以前的工作连续时间结构嵌套模型假设，反事实依赖于确定性的观测数据，而programming，这一假设可以放松。这篇文章证明了人们可以通过构造随机变量来模拟反事实，即微分方程的解，即使给定过去的观测数据，也具有与反事实相同的分布。这些“模仿”变量可用于估计结构嵌套模型的参数，而无需假设治疗效应是确定性的。
2015-09-01 math.ST stat.TH
Function Driven Diffusion for Personalized Counterfactual Inference
我们考虑的问题，构建扩散算子高维数据$X$，以解决反事实的功能$F$，如个性化的治疗效果。我们提出并构建了一个新的扩散度量$K_F$，它既捕获了局部几何的$X$和方差的方向$F$。然后使用所得的扩散度量来定义$F$的局部过滤，并逐点回答反事实问题，特别是在诸如药物试验的情况下，其中无法长期研究服用和不服用药物的个体患者的结果。我们在合成和真实世界的临床试验中验证了该模型，并创建了从治疗中获益的个性化概念。
2017-04-12 stat.ML
Partial Identification of the Average Treatment Effect with Stochastic Counterfactuals and Discordant Twins
提出基于随机反事实与不一致双胞胎结果的部分识别方法，通过约束优化求解平均处理效应的上下界，并用三个示例验证其适用性。
2024-07-26 math.OC stat.ME
The Counterfactual $χ$-GAN
Columbia University（哥伦比亚大学）；New York University（纽约大学）
因果推理通常依赖于反事实框架，这要求治疗分配与结果无关，称为强可解释性。在观测数据的因果分析中，加强强可解释性的方法包括加权和匹配方法。效应估计值，如平均治疗效应（ATE），然后估计为重新加权或匹配分布P下的期望值。P的选择很重要，可能会影响效应估计值和效应估计值方差的解释。在这项工作中，而不是指定P，我们学习的分布，同时最大化覆盖率和ATE估计方差最小化。为了学习这种分布，本研究提出了一种基于生成对抗网络（GAN）的模型，称为反事实$χ$ -GAN（cGAN），它还学习特征平衡权重，并在没有未观察到的混淆的情况下支持无偏因果估计。我们的模型最大限度地减少皮尔逊$χ^2$分歧，我们同时最大限度地扩大覆盖范围，并最大限度地减少重要性采样估计的方差。据我们所知，这是Pearson $χ^2$分歧的第一个应用。我们证明了cGAN在实现特征平衡方面的有效性，相对于模拟和现实世界的医疗数据中建立的加权方法。
2020-12-03 cs.LG stat.ML
Evaluating Ex Ante Counterfactual Predictions Using Ex Post Causal Inference
我们推导出一个正式的，基于决策的方法，用于比较使用实验结果的反事实治疗方案预测的性能，提供相关信息的分布治疗结果。我们的方法使我们能够量化和评估的差异性能的统计意义，从结构模型，外推处理效应，专家意见，和其他方法估计的最佳治疗方案。我们应用我们的方法来评估最佳的治疗方案，有条件的现金转移支付计划的国家，其中使用的数据，在其他国家的实验评估和预程序数据在感兴趣的国家产生的预测。
2019-07-22 stat.AP stat.ME
Real vs. Semi-Simulated: Rethinking Evaluation for Treatment Effect Estimation
Department of Computer Science University of Luxembourg（计算机科学系卢森堡大学）
通过大规模实证研究，比较了半模拟基准和真实数据集上使用反事实指标与可观测指标评估治疗效果估计模型的效果，揭示了两种评估体系之间的差距，并发现简单元学习器与强基础模型结合具有竞争力。
2026-05-23 cs.AI cs.LG stat.ML
Conformal Inference of Counterfactuals and Individual Treatment Effects
评价处理效应异质性广泛地告知处理决策。目前，非常重视通过灵活的机器学习算法估计条件平均处理效应。虽然这些方法在一致性和收敛速度方面具有一定的理论吸引力，但它们在不确定性量化方面通常表现不佳。这令人不安，因为评估风险对于敏感和不确定环境中的可靠决策至关重要。在这项工作中，我们提出了一个共形推理为基础的方法，可以产生可靠的区间估计的反事实和个人处理效应下的潜在结果框架。对于完全随机化或分层随机化实验，无论未知的数据生成机制如何，区间都保证了有限样本的平均覆盖率。对于具有可验证依从性的随机化实验和服从强可验证性假设的一般观察性研究，区间满足双重稳健性质，其陈述如下：如果潜在结果的倾向得分或条件分位数可以准确估计，则平均覆盖率近似受控。对合成数据集和真实数据集的数值研究表明，即使在简单的模型中，现有方法也存在显著的覆盖不足。相比之下，我们的方法以合理的短间隔实现了所需的覆盖范围。
2021-05-06 math.ST stat.ME stat.ML
Counterfactual Cross-Validation: Stable Model Selection Procedure for Causal Inference Models
Tokyo Institute of Technology（东京工业大学）；CyberAgent, Inc（CyAgent公司）
研究条件平均处理效应（CATE）预测中的模型选择问题。与以前的作品在这个主题上，我们专注于保持候选CATE预测的性能的排名顺序，使准确和稳定的模型选择。为此，我们分析了模型性能排名问题，并制定准则，以获得更好的评价指标。然后，我们提出了一种新的度量，可以识别CATE预测器的性能具有高置信度的排名。实证评估表明，我们的度量优于现有的度量在模型选择和超参数调整任务。
2020-07-16 cs.LG stat.ML
Conformal Individual Treatment Effect Estimation under Networked Interference
EURECOM（欧洲通信学院）；Northeastern University London（伦敦东北大学）
本研究提出干扰调整的加权保形预测方法，放宽无干扰假设，通过构造可观测上界，为网络干扰下的反事实结果和个体治疗效果提供有限样本覆盖保证。
2026-09-15 cs.IT cs.LG math.IT
A Practical Guide to Counterfactual Estimators for Causal Inference with Time-Series Cross-Sectional Data
本文介绍了一个简单的框架，反事实估计因果推断与时间序列横截面数据，其中我们估计的平均处理效应的治疗直接归因于反事实的结果治疗观察。在此框架下，我们讨论了几个新的估计，包括固定效应反事实估计，交互式固定效应反事实估计，矩阵完成估计。当处理效应具有异质性或存在未观察到的时变混杂因素时，它们提供了比传统的双向固定效应模型更可靠的因果估计。此外，我们提出了一个新的动态处理效应图，以及几个诊断测试，以帮助研究人员衡量识别假设的有效性。我们用两个政治经济学的例子来说明这些方法，并在R和Stata中开发了一个开源包fect，以促进实施。
2022-08-14 stat.AP stat.ME
Predicting treatment effects from observational studies using machine learning methods: A simulation study
University of the Witwatersrand（威特沃特斯兰德大学）
由于混杂偏倚，在观察性研究中测量处理效应具有挑战性。当一个变量同时影响治疗和结果时，就会发生混淆。传统的方法，如倾向得分匹配估计处理效应的条件的混杂因素。最近的文献提出了使用机器学习来预测观察性研究中的反事实的新方法，然后可以估计处理效应。然而，这些研究已应用于真实世界数据，其中真实的处理效应尚不清楚。本研究旨在通过模拟两种主要情景来研究这种反事实预测方法的有效性：有混杂和无混杂。每种类型还包括输入和输出数据之间的线性和非线性关系。模拟中的关键项目是我们生成了已知的真实因果效应。线性回归、套索回归和随机森林模型用于预测反事实和处理效应。将这些与真实处理效应以及初始处理效应进行比较。结果表明，这种机器学习方法是否表现良好的最重要因素是数据的非线性程度。令人惊讶的是，对于两种非混杂\textit{and}混杂，机器学习模型在线性数据集上都表现良好。然而，当引入非线性时，模型表现得非常差。因此，在该模拟研究的条件下，机器学习方法在线性条件下表现良好，即使存在混淆，但在该阶段，当引入非线性时，不应信任该方法。
2021-12-20 cs.LG stat.ME stat.ML
Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations
University of Cambridge（剑桥大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Columbia University（哥伦比亚大学）；The Alan Turing Institute（艾伦·图灵研究所）
随着时间的推移，估计反事实结果有可能通过帮助决策者回答“what-if”问题来解锁个性化医疗保健。现有的因果推理方法通常考虑观察和治疗决策之间的规则的离散时间间隔，因此无法自然地对不规则采样数据进行建模，这是实践中的常见设置。为了处理任意观测模式，我们将数据解释为来自底层连续时间过程的样本，并建议使用控制微分方程的数学来明确地建模其潜在轨迹。这导致了一种新的方法，治疗效果神经控制微分方程（TE-CDE），允许在任何时间点评估潜在的结果。此外，对抗性训练用于调整时间依赖性混杂，这在纵向设置中至关重要，并且是传统时间序列中没有遇到的额外挑战。为了评估这个问题的解决方案，我们提出了一个可控的模拟环境的基础上的肿瘤生长模型的一系列的情况下，不规则的采样反映了各种临床情况。TE-CDE始终优于现有的方法，在所有模拟的情况下，不规则采样。
2022-06-16 cs.LG stat.ML
Double Robust Representation Learning for Counterfactual Prediction
Duke University（杜克大学）
因果推断或反事实预测是医疗保健、政策和社会科学决策的核心。为了消除观察性研究中高维数据的因果估计量的偏差，最近的进展表明，结合倾向得分和结果函数的机器学习模型的重要性。我们提出了一种新的可扩展的方法来学习双鲁棒表示反事实的预测，导致一致的因果估计，如果模型的倾向得分或结果，但不一定两者，是正确指定的。具体来说，我们使用熵平衡方法来学习的权重，最大限度地减少治疗组和对照组之间的代表性的詹森-香农分歧，基于此，我们对个人和平均处理效应作出强大而有效的反事实预测。我们提出的方法提供了理论依据。该算法在真实世界和合成数据上显示出具有竞争力的性能。
2020-10-16 cs.LG stat.ML
Flow IV: Counterfactual Inference In Nonseparable Outcome Models Using Instrumental Variables
Chalmers University of Technology（查尔姆斯理工大学）
本文提出Flow IV方法，通过工具变量和正常化流估计可逆结果函数，实现非可分离模型中的反事实推断。
2026-03-28 cs.LG stat.ML
Counterfactual Mean Embeddings
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；EURECOM（欧洲通信学院）；University of Copenhagen（哥本哈根大学）；National Electronics and Computer Technology Center（国家电子与计算机技术中心）；National Science and Technology Development Agency（国家科学技术发展署）
反事实推理已经成为在线广告、推荐系统、医疗诊断和计量经济学中无处不在的工具。与不同干预措施相关的结果分布（称为反事实分布）的准确建模对于这些应用程序的成功至关重要。在这项工作中，我们建议使用一种新的希尔伯特空间表示称为反事实均值嵌入（CME）的反事实分布模型。CME将相关的反事实分布嵌入到具有正定核的再生核希尔伯特空间（RKHS）中，这使我们能够在反事实分布的整个景观上执行因果推断。基于这种表示，我们提出了一个分布处理效应（DTE），可以量化的因果关系的影响，整个结果分布。我们的方法是非参数的CME可以估计unconfoundedness假设下，从观测数据，而不需要任何参数假设的基本分布。我们还建立了建议的估计，这取决于平滑的条件均值和Radon-Nikodym衍生物的基本边缘分布的收敛速度。此外，我们的框架允许更复杂的结果，如图像，序列和图形。我们在合成数据和离线评估任务上的实验结果证明了所提出的估计器的优点。
2021-07-10 cs.LG stat.ML
DR-VIDAL -- Doubly Robust Variational Information-theoretic Deep Adversarial Learning for Counterfactual Prediction and Treatment Effect Estimation on Real World Data
University of Pittsburgh（匹兹堡大学）；University of Florida（佛罗里达大学）
针对真实世界观察数据的个体治疗效应估计偏差问题，提出融合VAE、Info-GAN与双重鲁棒模块的DR-VIDAL生成框架，在多数据集上性能优于现有方法。
2025-10-21 cs.LG stat.ME
Adversary-Free Counterfactual Prediction via Information-Regularized Representations
CAIR-CAS（中国科学院自动化研究所）；CityUHK（香港城市大学）；HKUST（香港理工大学）
本文提出一种基于信息正则化表示的无对抗因果预测方法，通过减少处理-协变量依赖性来提升预测性能，适用于动态场景并优于现有平衡、重加权和对抗方法。
2026-04-27 cs.LG stat.ML
Estimating Heterogeneous Treatment Effects on Survival Outcomes Using Counterfactual Censoring Unbiased Transformations
本研究开发了针对生存结局（含竞争风险）的删失无偏变换（CUTs），通过转换事件时间结局，使现有HTE学习器可直接用于估计异质性累积发生率、总效应和直接效应，并提供了预言机不等式和模拟验证。
2024-09-27 stat.ME stat.ML
Sinkhorn Treatment Effects: A Causal Optimal Transport Measure
Department of Statistics, University of Washington, Seattle, WA, USA（华盛顿大学统计学系）；Department of Health Care Policy, Harvard Medical School, Boston, MA, USA（哈佛医学院医疗政策系）
本文提出Sinkhorn治疗效应，作为因果分布差异的熵最优传输度量，通过核方法构建去偏估计器，并提出聚合检验方法以提高测试效力。
2026-05-08 cs.LG math.ST stat.ME
Learning Generalized Gumbel-max Causal Mechanisms
Technion（以色列理工学院）；Google Research（谷歌研究院）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
为了在结构因果模型（SCM）中执行反事实推理，人们需要知道因果机制，它提供了将条件分布分解为噪声源和将噪声实现映射到样本的确定性函数。不幸的是，因果机制并不是通过观察和与世界互动收集的数据唯一确定的，因此仍然存在如何选择因果机制的问题。在最近的工作中，Oberst & Sontag（2019）提出了Gumbel-max SCM，由于直观上吸引人的反事实稳定性，它使用Gumbel-max重新参数化作为因果机制。在这项工作中，我们反而主张选择一个因果机制，这是最好的定量标准，如最小化方差时，估计反事实的治疗效果。我们提出了一个参数化的因果机制，推广Gumbel-max。我们表明，他们可以训练，以尽量减少反事实效应方差和其他损失的分布查询的兴趣，产生较低的方差估计的反事实处理效果比固定的替代品，也推广到查询没有看到在训练时。
2021-11-11 cs.LG stat.CO stat.ML
Variational Causal Inference
University of California, Berkeley（加州大学伯克利分校）；Amazon（亚马逊公司）
针对高维结果、协变量有限时个体反事实潜在结果估计的挑战，提出深度变分贝叶斯框架，整合高维事实结果中的个体特征与相似受试者响应分布，以构建反事实处理下的结果。
2025-02-12 cs.AI cs.LG math.ST
Generalizing causal inferences from randomized trials: counterfactual and graphical identification
当参与随机试验是由影响结局的因素驱动时，或者当参与试验直接影响与治疗无关的结局时，试验受试者的平均处理效应不太可能推广到目标人群。在本文中，我们使用反事实和图形因果模型，以检查在什么条件下，我们可以概括因果推断从一个随机试验的目标人群的试验合格的个人。我们提供了一个解释的概括性分析使用的概念，一个假设的干预，以“扩大”试验参与的目标人群。我们认为，当试验参与不直接影响结果时，解释的概括性分析，突出与纵向研究中的删失的连接，并讨论通过g公式计算和逆概率加权的反事实结果的分布的识别。最后，我们展示了如何扩展的方法，以解决随时间变化的治疗，不遵守，和审查。
2019-06-26 stat.AP stat.ME
Counterfactual Prediction with Deep Instrumental Variables Networks
University of British Columbia（不列颠哥伦比亚大学）；Microsoft Research（微软研究院）；NBER（美国国家经济研究局）；University of Chicago（芝加哥大学）
我们正处于人工智能的使用和能力显著上升的过程中。这种增长在很大程度上是由深度学习架构的成功推动的：通过多层潜在表示从可观察到输出的模型。这些深度学习算法是非结构化预测的有效工具，它们可以结合在人工智能系统中来解决复杂的自动推理问题。本文提供了一种结合ML算法的方法，以解决存在工具变量的因果效应-有条件地独立于响应的治疗随机化的来源。我们发现，灵活的IV规范可以分解为两个可以用深度神经网络解决的预测任务：第一阶段网络用于治疗预测，第二阶段网络的损失函数涉及条件治疗分布的积分。这个Deep IV框架对用于训练的随机梯度下降例程施加了一些特定的结构，但它足够通用，我们可以利用现成的ML功能，避免大量的算法定制。我们概述了如何获得样本外的因果验证，以避免过度拟合。我们还介绍了贝叶斯和频率论推理的方案：前者通过一种新的适应辍学训练，后者通过一个数据分裂例程。
2016-12-30 cs.LG stat.AP stat.ML
Revisiting Counterfactual Regression through the Lens of Gromov-Wasserstein Information Bottleneck
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）
本研究提出Gromov-Wasserstein信息瓶颈（GWIB）范式，通过最大化潜在表示与结果的互信息并惩罚与协变量的核化互信息，以抑制选择偏差，从而提升反事实回归在个体化治疗效果估计中的性能。
2024-05-24 cs.AI cs.LG stat.ML
Do We Exploit all Information for Counterfactual Analysis? Benefits of Factor Models and Idiosyncratic Correction
Princeton University（普林斯顿大学）；Sao Paulo School of Economics (EESP), Getulio Vargas Foundation（圣保罗经济学院，热图利奥·瓦加斯基金会）；Pontifical Catholic University of Rio de Janeiro (PUC-Rio)（里约热内卢天主教大学）
最优定价，即，确定使给定产品的利润或收入最大化的价格水平是零售业的重要任务。要选择这样一个数量，首先需要从产品需求中估计价格弹性。回归方法通常无法恢复这种弹性，由于混杂效应和价格的内生性。因此，通常需要随机化实验。然而，弹性可以是高度异质性的，这取决于例如商店的位置。由于随机化经常发生在市政一级，标准的差异中的差异方法也可能失败。可能的解决方案是基于方法来测量处理对单个（或仅仅几个）处理单元的影响，该方法基于从人工控制构建的反事实。例如，对于处理组中的每个城市，可以从未处理的位置构建反事实。在本文中，我们采用了一种新的高维统计方法来衡量价格变化对巴西一家主要零售商的日常销售额的影响。所提出的方法结合了主成分（因子）和稀疏回归，从而产生了一种称为因子调整正则化治疗评价方法（\texttt{FarmTreat}）的方法。这些数据包括400多个城市的五种不同产品的每日销售和价格。所考虑的产品属于\emph{sweet and candies}类别，并已在2016年和2017年进行了实验。我们的研究结果证实了假设的高度异质性产生非常不同的定价策略，在不同的城市。
2022-01-10 cs.LG econ.EM stat.AP
Inference on Nonlinear Counterfactual Functionals under a Multiplicative IV Model
本文研究乘法 IV（MIV）模型，证明其可识别并推断由矩方程刻画的非线性反事实泛函，提出高效、多重稳健且渐近有效的估计推断方法。
2025-08-28 stat.ME
Counterfactual harm
DeepMind（深度思维）；Comind；Babylon（巴比伦）
为了在现实世界中安全和道德地行事，代理人必须能够推理伤害并避免有害行为。然而，到目前为止，还没有统计方法来衡量伤害并将其纳入算法决策。在本文中，我们提出了第一个正式的定义的伤害和利益的因果模型。我们表明，在某些情况下，任何实际的伤害定义必须违反基本的直觉，并表明，标准的机器学习算法，不能执行反事实推理保证追求有害的政策后，分布的变化。我们使用我们的伤害的定义，设计一个框架，使用反事实的目标函数的伤害厌恶决策。我们证明了这个框架上的问题，确定最佳药物剂量的剂量反应模型从随机对照试验数据。我们发现，使用治疗效果选择剂量的标准方法会导致不必要的有害剂量，而我们的反事实方法使我们能够在不牺牲疗效的情况下确定危害明显较小的剂量。
2022-11-02 cs.AI cs.LG stat.ML
Treatment effect: a critique
Imperial College London（帝国理工学院）
本文批评了处理效应的两种定义方式，探讨了反事实框架下的推断问题及模型无关定义的适用性。
2026-01-21 stat.OT
Adversarially Balanced Representation for Continuous Treatment Effect Estimation
Simon Fraser University（西蒙菲莎大学）
针对连续治疗场景下的个体治疗效果估计问题，提出对抗反事实回归网络ACFR，通过对抗优化KL散度平衡表示、结合注意力机制保留治疗影响，理论与半合成实验均验证了其优越性。
2023-12-17 cs.LG stat.ME
Model-Robust Counterfactual Prediction Method
我们开发了一种新的方法，用于反事实分析的基础上，观测数据使用预测区间的单位在不同的曝光。与针对暴露的异质性或条件性平均治疗效应的方法不同，所提出的方法旨在考虑反事实结果的不可约分散性，以便量化不同暴露的相对影响。基于保角预测方法，以无分布和模型鲁棒的方式构造预测区间。这种方法的计算障碍是通过利用免调谐方法的特性来规避的，该方法学习稀疏加性预测模型以获得反事实结果。使用真实和合成数据的方法进行说明。
2018-05-28 math.ST stat.ML stat.TH
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
Estimating and evaluating counterfactual prediction models
本文针对反事实预测模型因无法观测所有潜在结果而难以估计和评估的挑战，提出了模型估计、性能评估及调参方法，即使模型错误设定也能有效估计性能，并通过仿真与心血管疾病风险预测任务验证了方法。
2025-08-12 stat.ME
CF-GODE: Continuous-Time Causal Inference for Multi-Agent Dynamical Systems
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
针对多智能体动力系统中单元相互依赖导致传统因果推断失效的问题，提出CF-GODE模型，利用图神经常微分方程和领域对抗学习估计连续时间反事实结果，实验验证其有效性。
2023-06-20 cs.LG stat.ME
Counterfactual Density Effects and the German East--West Income Gap
Humboldt-Universität zu Berlin（柏林洪堡大学）
本文提出基于反事实密度的因果推断框架，通过分析分布特征揭示东西部收入差异，采用贝叶斯希尔伯特空间分析条件密度，检测反事实分布的细微差异。
2026-04-24 econ.EM stat.ME
Counterfactual Generative Modeling with Variational Causal Inference
University of California, Berkeley（加州大学伯克利分校）；Genentech（基因泰克公司）
针对高维结果下个体反事实预测难题，提出变分贝叶斯因果推断框架，无需反事实样本即可端到端监督并解耦外生噪声，在多个基准上优于现有方法。
2025-03-18 cs.AI cs.LG math.ST
Deep Counterfactual Estimation with Categorical Background Variables
KU Leuven（鲁汶大学）
反事实查询被称为因果推理阶梯的第三级，通常会问“如果？“回顾性提问。估计反事实的标准方法在于使用结构方程模型，该模型准确地反映了底层数据生成过程。然而，这样的模型很少在实践中，人们通常希望推断他们从观测数据。不幸的是，正确的结构方程模型通常无法从观察到的实际分布中识别出来。然而，在这项工作中，我们表明，在假设的主要潜在贡献者的治疗反应是分类的，反事实仍然可以可靠地预测。在此假设的基础上，我们引入了反事实查询预测（CFQP），一种新的方法来推断反事实连续观测时，背景变量是分类的。我们表明，无论是在理论上还是在经验上，我们的方法在时间序列和图像数据上都明显优于以前可用的基于深度学习的反事实方法。我们的代码可在https://github.com/edebrouwer/cfqp上获得。
2023-01-16 cs.AI cs.LG stat.ME
State-Building through Public Land Disposal? An Application of Matrix Completion for Counterfactual Prediction
本文应用倾向性加权矩阵补全模型，估计宅地政策对美国边疆州的反事实影响，发现其显著降低州政府收支，并通过模拟和实证验证了方法的优越性。
2023-12-23 econ.EM econ.GN q-fin.EC
Addressing Extreme Propensity Scores in Estimating Counterfactual Survival Functions via the Overlap Weights
逆概率加权方法是观察性研究中评价处理效应的常用方法，但极端的倾向得分可能会使估计量产生偏倚，并导致过度的方差。最近，已经提出了重叠加权方法来缓解这个问题，它平滑地降低了具有极端倾向得分的受试者的权重。尽管重叠加权的优势已在连续和二元结局的文献中得到广泛证实，但关于其与至事件发生时间或生存结局的性能的研究有限。在这篇文章中，我们提出了两个加权估计，结合倾向得分加权和逆概率截尾加权估计的反事实生存函数。这些估计适用于一般类别的平衡权重，其中包括逆概率加权，修剪和重叠加权作为特殊情况。我们进行模拟，以检查这些估计与不同的加权方案的经验性能的偏差，方差和95%的置信区间覆盖率，在不同程度的协变量重叠治疗组和删失率。我们证明，重叠加权始终优于逆概率加权和相关的修剪方法的偏差，方差和覆盖的时间到事件的结果，和优势增加的程度，治疗组之间的协变量重叠减少。
2022-06-20 stat.AP stat.ME
Counterfactual Prediction Under Outcome Measurement Error
Carnegie Mellon University（卡内基梅隆大学）
针对预测模型中结果测量误差、处理效应与选择偏差的交叉威胁，提出无偏风险最小化方法及参数估计法，结合理论与实验证明联合纠正误差对提升模型可靠性至关重要。
2023-05-18 cs.CY cs.HC cs.LG
Counterfactual Cocycles: A Framework for Robust and Coherent Counterfactual Transports
University College London（伦敦大学学院）
本研究提出反事实余循环框架，利用代数结构保证反事实传输的连贯性与可识别性，对噪声鲁棒，并在合成基准和401(k)研究中表现最优。
2025-09-24 math.ST stat.ME stat.ML
Sensitivity Analysis of Individual Treatment Effects: A Robust Conformal Inference Approach
我们提出了一个无模型的框架，敏感性分析的个人处理效应（ITE），从共形推理的想法的基础上。对于任何单位，我们的程序报告了$Γ$值，该值量化了解释ITE证据所需的最小混杂强度。我们的方法依赖于在训练数据混淆的情况下对反事实和ITE的可靠预测推理。在Tan（2006）的边际敏感性模型下，我们描述了观测值分布和反事实分布之间的变化。首先，我们开发了一个通用的方法，从移位分布的测试样本的预测推理，然后，我们利用这个构建协变量依赖的预测集的反事实。不管移位的值是多少，这些预测集（分别是近似地）实现边缘覆盖，如果倾向得分是精确已知的（分别估计）。我们描述了一个不同的程序，也达到覆盖率，但是，有条件的训练数据。在后一种情况下，我们证明了一个清晰的结果表明，对于某些类别的预测问题，预测区间不可能收紧。我们通过仿真研究验证了新方法的有效性和性能，并将其应用于分析真实数据集。
2022-04-24 stat.ME
Policy effect evaluation under counterfactual neighborhood interventions in the presence of spillover
政策干预可以波及到不直接受政策影响但地理上靠近接受干预的单位的人口单位。在最近的工作中，对邻近地区溢出效应的调查集中在估计特定政策在观察环境中的平均处理效应。我们的研究问题扩大了这一范围，问什么样的政策后果会治疗单位经历了假设的暴露设置。当我们只观察被控制包围的被处理单元时--这在一个城市或州实施政策干预时很常见--这种效应询问了我们实际上没有观察到的反事实邻里政策状态下的政策效果。在这项工作中，我们将差异中的差异（DiD）方法扩展到溢出设置，并开发评估反事实治疗方案中的政策效果所需的识别条件。这些因果数量是政策相关的设计有效的政策，人口受到各种邻里状态。我们开发了双稳健估计，并使用广泛的数值实验，以检查其性能下的异质溢出效应。我们应用我们提出的方法来调查费城饮料税对单位销售额的影响。
2023-03-10 stat.ME
