causalBETA: An R Package for Bayesian Semiparametric Causal Inference with Event-Time Outcomes
本文开发了开源 R 包 causalBETA，通过贝叶斯半参数模型估计事件时间结果的因果效应，后端连接 Stan 进行高效计算，前端语法兼容 survival 包，并提供可视化与总结功能，填补了用户友好型贝叶斯因果推断软件的空白。
2023-10-20 stat.AP stat.ME
Potential outcome approach to causal inference in assessing the short term impact of air pollution on mortality
空气污染短期影响的评估依赖于对污染-结果关联的因果解释，但到目前为止，很少有研究明确地在因果推断框架内面对这个问题。在本文中，我们重新制定的问题，评估短期影响的空气污染对健康的潜在结果的方法，因果推断。我们专注于2003-2006年期间，在米兰（意大利）大都市区暴露的两天内，高水平的PM10对死亡率的影响。在根据潜在结果之间的差异定义可归因死亡人数后，我们使用估计的倾向得分将每个高风险日与具有相似背景特征但PM10水平较低的日相匹配。然后，我们通过比较匹配日期之间的死亡率来估计影响。我们发现，在研究期间，每日暴露量大于40微克/立方米的1079人死亡（116; 2042）。这种影响在老年人中比在年轻人中更为明显。倾向得分匹配被证明是一个有吸引力的方法来评估历史的影响，在这一领域。
2016-08-30 stat.AP stat.ME
A Causal Mediation Model for Longitudinal Mediators and Survival Outcomes with an Application to Animal Behavior
在动物行为研究中，一个共同的目标是调查暴露和结果之间的因果途径，以及介于两者之间的中介。因果中介分析为这类研究提供了原则性的方法。虽然许多应用程序涉及纵向数据，现有的因果调解模型是不直接适用于设置中的介质测量不规则的时间网格。在本文中，我们提出了一个因果中介模型，同时容纳纵向介质在任意时间网格和生存结果。我们采取功能数据分析的角度来看，纵向介质的实现基础平滑随机过程。我们相应地定义了直接和间接影响的因果估计，并提供了相应的识别假设。我们采用功能主成分分析的方法来估计中介过程，并提出了一个Cox风险模型的生存结果，灵活地调整中介过程。然后，我们推导出一个g-计算公式来表示因果被估量使用的模型系数。所提出的方法被施加到一个纵向数据集从Amboseli狒狒研究项目，调查早期逆境，成年生理应激反应，野生雌性狒狒之间的生存之间的因果关系。我们发现，在早期生活中经历的逆境对女性的预期寿命和生存概率有显着的直接影响，但几乎没有证据表明，这些影响是由成年期的应激反应的标志物介导的。我们进一步发展了一种敏感性分析方法来评估潜在违规对顺序可验证性这一关键假设的影响。
2022-02-12 stat.AP stat.ME
CoBWeb: a user-friendly web application to estimate causal treatment effects from observational data using multiple algorithms
背景/目标：虽然随机对照试验是衡量因果关系的金标准，但如果使用适当的统计技术来解释各组间治疗前混杂因素的不平衡，则可以使用观察性研究的数据获得关于因果关系的可靠结论。倾向得分（PS）和平衡加权是有用的技术，旨在通过对组进行加权，使观察到的混杂因素尽可能相似，从而减少治疗组之间观察到的不平衡。研究方法：我们创建了CoBWeb，这是一个免费且易于使用的网络应用程序，用于从观察数据中估计因果处理效应，使用PS和平衡权重来控制混杂偏倚。CoBWeb使用多种算法来估计PS和平衡权重，以允许治疗指标和观察到的混杂因素之间的关系更加灵活（因为不同的算法对治疗协变量和混杂因素之间的结构关系做出不同（或没有）假设）。通过选择在平衡和有效样本量之间实现最佳折衷的算法，可以选择最优算法。结果如下：CoBWeb遵循从观察性研究数据中稳健估计因果处理效应所需的所有关键步骤，并包括未观察到的混杂因素的潜在影响的敏感性分析。我们说明了应用程序的实际使用，使用的数据集来自于对青少年物质使用障碍的干预研究，这是可供用户在应用程序环境中。结论：CoBWeb旨在使非专业人员能够理解和应用使用观察数据对因果处理效应进行稳健估计所需的所有关键步骤。
2021-12-09 stat.AP stat.ME
Bayesian causal inference for count potential outcomes
计数建模的文献提供了有用的工具，进行因果推断时，结果采取非负整数值。应用到潜在的结果框架，我们链接贝叶斯因果推断文献计数数据的统计模型。我们讨论了构建缺失潜在结果的预测后验的一般架构考虑。估计平均处理效应的特殊考虑进行了讨论，一些概括某些关系和一些尚未遇到的因果推断文献。
2020-08-07 stat.ME
Causal Inference with Outcomes Truncated by Death and Missing Not at Random
本文研究结局因死亡截断且缺失非随机情形下的因果推断，提出利用代理变量识别幸存者子群体中的平均治疗效应，并给出估计方法与非参数界。
2025-07-04 stat.AP stat.ME
Causal identification of infectious disease intervention effects in a clustered population
在相互关联的人群中，传染病结局的处理效应的因果鉴定具有挑战性，因为感染结局可能传染给他人，对一个人进行的治疗可能影响其他人的结局。结果的传染性或可传递性使治疗干预的标准概念复杂化，其中向一个人提供的干预可能影响其他人的结果。已经提出了几个统计框架来衡量这种情况下的因果处理效应，包括结构性传播模型，基于中介的伙伴关系模型和随机试验设计。然而，现有的传染病干预效果的被估量是有限的概念上的有用性：一些是结构模型中的参数，其因果解释是不清楚的，其他的是因果关系的影响，只定义在一个有限的两个人的设置，还有一些是非参数被估量，自然出现在随机试验的背景下，但可能无法衡量任何生物学意义的影响。在本文中，我们描述了一个统一的形式主义定义的非参数结构因果被估量和识别策略，用于学习传染病干预的影响，在集群的相互作用的个人时，观察感染时间。被估量概括了现有的数量，并为随机和观察性研究中的因果识别提供了一个框架，包括仅观察到二元感染结果的情况。半参数类的成对Cox型传输风险模型，用于促进统计推断在有限的样本。一项全面的模拟研究比较了各种随机和观察性疫苗试验设计下现有和拟议的被估量。
2021-05-07 stat.AP stat.ME
Combining observational and experimental data for causal inference considering data privacy
本文探讨了在保护数据隐私的前提下，通过对观察数据进行限制泄露变换并与实验数据结合，以提升因果推断中处理效应估计的泛化能力和精度，并揭示了隐私与效用之间的权衡。
2024-08-23 stat.AP stat.ME
A sensitivity analysis approach for the causal hazard ratio in randomized and observational studies
在研究生存数据时，风险比（HR）通常被报告为主要因果效应。尽管它的流行，人力资源遭受不明确的因果解释。正如文献中已经指出的那样，HR中存在内在的选择偏倚，因为与死亡截断问题类似，HR条件对治疗后生存率的影响。受存活者平均因果效应（SACE）的启发，最近提出的一种替代方法是因果HR，定义为研究参与者中无论其治疗分配如何都会存活的治疗组之间的风险比。我们讨论了识别因果HR的挑战，并在利用工作脆弱模型的随机对照试验中提出了一种敏感性分析识别方法。我们进一步扩展了我们的框架，以调整潜在的混杂因素，使用治疗加权的逆概率。我们提出了一个基于Cox和一个灵活的非参数核估计右删失。我们通过仿真研究了所提出的估计方法的有限样本性质。我们使用两个真实数据的例子来说明我们的框架的效用。
2022-03-07 stat.AP stat.ME
Causality without potential outcomes and the dynamic approach
已经提出了几种从观察性研究中进行因果推断的方法。自Rubin（1974）提出以来，许多著作都发展了一种反事实的因果关系方法，通过潜在结果在统计上形式化。Pearl（2000）提出了结构因果模型理论，该理论赋予图形模型重要作用，并不一定使用潜在结果。另一方面，一些作者发展了一种与Granger（1969）一致的动力学方法。我们分析了前瞻性和回顾性的因果关系问题及其不同的方式。继Dawid（2000）之后，我们对潜在结果方法提出了批评，我们表明因果效应可以在没有潜在结果的情况下进行估计：特别是可以通过改变概率测度来直接计算边际效应。最后，我们强调需要通过两个例子，“截断死亡”和“肥胖悖论”的因果关系，采取动态的方法。
2019-05-03 stat.ME
Treatment Effects on Ordinal Outcomes: Causal Estimands and Sharp Bounds
评估干预措施对有序结果的因果影响是许多教育和行为研究的重要目标。在潜在结果框架下，我们可以将因果效应定义为治疗和控制下的潜在结果之间的比较。然而，不幸的是，平均因果效应，通常是感兴趣的参数，很难解释为有序的结果。为了应对这一挑战，我们建议使用两个因果参数，定义为治疗对实验单位有益和严格有益的概率。然而，尽管上述两个参数对于任何结果都有明确的定义，并且对于顺序结果特别感兴趣，但它们取决于潜在结果之间的关联，因此在没有额外假设的情况下无法从观察到的数据中识别。为了响应计量经济学和生物统计学文献的最新进展，我们提出了在潜在结果的固定边缘分布下，上述顺序结果的因果参数的锐界。由于因果被估量及其相应的锐界是基于潜在结果本身，所提出的框架可以灵活地纳入任何选择的模型的潜在结果，并直接适用于随机实验，无混杂观察性研究，随机实验与不遵守。我们说明我们的方法，通过数值例子和三个现实生活中的应用程序相关的教育和行为研究。
2018-04-05 stat.ME
Causal inference for ordinal outcomes
社会科学和健康科学以及计算社会科学的现代应用和社交媒体平台上的实验中的许多感兴趣的结果都是有序的，没有意义的规模。利用这种类型的数据（称为有序非数字）进行因果分析需要仔细处理，因为大多数经典的潜在结局文献都涉及相对大小定义明确的结局的估计和假设检验。在这里，我们提出了一类有限的人口因果估计，依赖于潜在的结果的条件分布，并提供了一个解释的因果效应时，没有规模的总结。我们制定了一个放松的费舍尔尖锐的原假设的常数效应，适应无标度性质的有序非数值数据。我们开发了一个贝叶斯过程来估计建议的因果被估量，利用秩似然。我们说明这些方法与应用程序的教育成果在综合社会调查。
2015-01-06 stat.ME
Feature selection in stratification estimators of causal effects: lessons from potential outcomes, causal diagrams, and structural equations
估计平均因果效应的理想回归（如果有的话）是什么？我们研究这个问题的设置离散协变量，推导出各种分层估计的有限样本方差的表达式。这种方法澄清了许多被广泛引用的结果背后的基本统计现象。我们的论述结合了三种不同的方法论传统研究因果效应估计的见解：潜在的结果，因果关系图和结构模型与添加剂错误。
2022-09-23 stat.ME stat.ML
Causal Discovery with Heterogeneous Observational Data
我们考虑的问题，因果发现（结构学习）从异质观测数据。大多数现有的方法假设一个均匀的抽样方案，这导致误导性的结论时，违反了在许多应用中。为此，我们提出了一种新的方法，利用数据的异质性来推断因果关系不足的系统可能循环因果结构。核心思想是将直接因果效应建模为外源协变量的函数，从而正确解释数据的异质性。我们研究所提出的模型的结构可识别性。结构学习以完全贝叶斯的方式进行，这提供了自然的不确定性量化。我们通过大量的模拟和现实世界的应用程序证明了它的实用性。
2022-01-28 stat.ME
Observational Causality Testing
本文扩展了观测因果检验方法，通过估计随机性下界、引入有限总体校正及纳入协变量，提出了新的协变量选择标准，并展示了多个应用实例。
2023-09-05 stat.ME
Identifiability of causal effects with multiple causes and a binary outcome
未观察到的混杂对观察性研究的因果推断构成了重大威胁。最近，一些作者认为，这个问题可能会克服在一个共享的混杂设置，多个治疗是独立的共同的潜在混杂因素。研究表明，在治疗的线性高斯模型下，如果没有结局模型的参数假设，因果效应是不可识别的。在本文中，我们表明，因果效应确实是可识别的，如果我们假设一个一般的二元选择模型的结果与非概率链接。我们的识别方法是基于治疗和潜在混杂因素的高斯性之间的不一致性，以及潜在结果变量的非高斯性。我们进一步开发了一个两步似然估计过程。
2020-11-24 stat.ME
Apportioning Causal Responsibility of Two Risk Factors for an Adverse Outcome via Counterfactual Attribution
Statistical Laboratory, University of Cambridge（剑桥大学统计实验室）；School of Mathematical Sciences, Peking University（北京大学数学科学学院）
提出一个量化框架，在无混杂和单调性假设下，通过反事实归因分配两个二元风险因素对已发生不良结果的因果责任，并建立非参数识别或推导出尖锐界限。
2026-06-18 stat.ME
Coherent modeling of longitudinal causal effects on binary outcomes
生物医学研究的分析往往需要建模纵向因果效应。目前对个性化医疗和效果异质性的关注使这项任务更具挑战性。为此，结构嵌套均值模型（SNESTs）是研究纵向研究中异质性处理效应的基本工具。然而，当结果是二进制的，目前的方法估计乘法和加法SNMM参数遭受因果参数和非因果滋扰参数之间的变化依赖。这就给解释、估计和计算带来了一系列困难。这些困难阻碍了SNARY在生物医学实践中的应用，在生物医学实践中，二元结果非常常见。我们解决了二进制乘法SNMM的变化依赖性问题，通过重新参数化的非因果滋扰参数。我们的新的滋扰参数的变化独立的因果参数，因此允许连贯的建模的异质性影响的纵向研究与二进制的结果。我们的参数化也提供了一个关键的积木灵活的双重稳健估计的因果参数。一路上，我们证明了一个添加剂SNMM与二进制的结果不承认一个变化独立的参数化，从而证明限制乘法SNMM。
2022-07-22 stat.ME
Causal Inference for Unobservable Multivariate Outcomes, with Applications to Brain Effective Connectivity
Brown University（布朗大学）
本文提出方法用于评估干预对多变量结果的因果效应，通过样本分割和逆概率加权处理大脑区域间方向性关系的估计问题，验证了方法在控制假阳性率和家族错误率方面的有效性。
2026-04-01 stat.ME
Causal Inference for Nonlinear Outcome Models with Possibly Invalid Instrumental Variables
工具变量方法被广泛用于在存在不可测量混杂因素的情况下推断因果效应。现有的非线性产出模型的工具变量方法需要严格的可辨识性条件。本文考虑了一个灵活的半参数潜在的结果模型，允许可能无效的工具。当大多数工具变量有效时，我们提出了新的可识别性条件来识别因果参数。我们设计了一个新的推理过程的一个新的平均结构函数和条件平均处理效应。我们建立了所提出的估计量的渐近正态性，并通过自助法构造了因果被估计量的置信区间。所提出的方法在大规模的模拟研究中得到了证明，并被应用于推断收入对房屋所有权的影响。
2022-06-30 stat.ME
Nonparametric Identification and Estimation of Causal Effects on Latent Outcomes
Duke University（杜克大学）；Columbia University（哥伦比亚大学）
本文提出非参数框架，解决潜在结果测量不完美时的因果推断问题，通过非参数桥函数实现估计和识别，克服跨研究和跨指标的非可比性挑战。
2026-10-21 econ.EM stat.AP stat.ME
Outcome-wide longitudinal designs for causal inference: a new template for empirical studies
在本文中，我们提出了一个新的模板，旨在评估因果关系的实证研究：结果范围的纵向设计。该方法是通常使用混杂控制来评估治疗或暴露的因果效应的方法的延伸，但现在，在许多结果中。我们讨论了时间和混杂控制原则，这样的结果范围内的研究，指标，以评估鲁棒性或敏感性潜在的未测量的混杂为每个结果，和方法来处理多重检验。我们认为，结果范围的纵向设计有许多优势，比更传统的研究，包括研究者的偏见，更大的可能性报告无效的影响，更大的能力，比较效果大小，一个巨大的收益，在效率的研究社区，更大的政策相关性，更快的进步的知识。我们讨论了实践和理论的理由，结果范围的纵向设计，也务实的细节，其实施。
2018-10-24 stat.ME
Spatial Causal Tensor Completion for Multiple Exposures and Outcomes: An Application to the Health Effects of PFAS Pollution
North Carolina State University（北卡罗来纳州立大学）
本文提出一种空间因果张量补全框架，用于处理多暴露和结果的联合因果效应估计，通过低秩张量结构和谱调整步骤应对空间混杂和缺失数据。
2026-03-17 stat.ME
A Transfer Learning Causal Approach to Evaluate Racial/Ethnic and Geographic Variation in Outcomes Following Congenital Heart Surgery
针对先天性心脏手术结果评估中种族/民族差异的难题，提出结合迁移学习的因果推断框架，利用STS-CHSD数据发现非西班牙裔黑人患者在不同地区的30天死亡率存在显著差异。
2024-03-21 stat.AP stat.ME stat.ML
Causal inference from $2^k$ factorial designs using the potential outcomes model
本文提出了一个从两水平析因设计中进行因果推断的框架。该框架利用的概念，潜在的结果，在于在中心阶段的因果推断和扩展奈曼的重复抽样方法的因果效应估计和随机化测试的基础上，费舍尔的尖锐的原假设的情况下，2-水平析因实验。该框架允许从有限的人口统计推断，允许定义和估计的被估量以外的“平均因子效应”，并导致更灵活的推理程序比那些基于普通最小二乘估计从线性模型。
2012-11-16 math.ST stat.AP 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
Causal Inference for Experiments with Latent Outcomes: Key Results and Their Implications for Design and Analysis
Duke University（杜克大学）；Columbia University（哥伦比亚大学）
本文提出基于设计的方法，通过优化加权缩放指数提升因果推断的效率和可解释性，增强实验设计的可信度。
2026-01-12 econ.EM stat.AP stat.ME
Design-Based Causal Inference with Missing Outcomes: Missingness Mechanisms, Imputation-Assisted Randomization Tests, and Covariate Adjustment
针对基于设计因果推断中的结果缺失问题，提出灵活缺失机制与“插补与再插补”框架，实现精确随机化检验、协变量调整及置信区间构建，并经模拟和大规模实验验证。
2025-05-24 stat.ME
Semiparametric Inference of the Complier Average Causal Effect with Nonignorable Missing Outcomes
随机试验中经常出现不依从和缺失数据，使因果效应的推断复杂化。当不合规和缺失数据同时存在时，以往的文献提出了二进制和正态分布连续结果的矩和极大似然估计在潜在的可消除的缺失数据机制下.然而，在实践中可能违反潜在的可识别缺失数据机制，因为缺失数据机制可能直接取决于缺失结果本身。在不依从和结果依赖的不可解释的缺失数据机制下，以往的研究表明，对于离散的结果，依从者的平均因果效应是可识别的。本文研究了具有全或无不依从和结果依赖的不可重复缺失连续结果的随机临床试验中依从者平均因果效应的半参数可辨识性和估计，并提出了两步极大似然估计，以消除无穷维干扰参数。我们的方法不需要为缺失数据机制指定参数形式。我们还通过广泛的模拟研究和敏感性分析评估了我们的方法的有限样本属性，并将其应用于双盲精神病临床试验。
2014-09-02 stat.ME
Exact parametric causal mediation analysis for a binary outcome with a binary mediator
一个参数表达式的因果自然的直接和间接的影响，推导出设置一个二元结果与二元中介。建议的效果分解不需要结果是罕见的，并概括了现有的，允许暴露和中介和混杂协变量之间的相互作用。此外，它概述了因果关系和相应的路径特定的逻辑斯谛回归参数之间的关系，在平行的结果下，罕见的结果假设。还给出了通过δ方法获得的标准误的公式。一个模拟研究的实施，比较这些估计的一些竞争。作为一个例子，说明了从小额信贷实验在波斯尼亚和黑塞哥维那来的数据的实证应用。
2020-08-26 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
Causal Effect Estimation Methods
讨论了从观测数据中进行因果推断的两种流行建模框架--因果图模型和潜在结果因果模型之间的关系。一些流行的因果效应估计发现在潜在结果因果模型的应用，如治疗加权估计和双稳健估计的逆概率，可以通过使用因果图模型得到。我们仅限于简单的情况下，二进制的结果和治疗变量与离散混杂因素，它是如何推广的结果，连续变量的情况下。
2014-10-31 stat.ME
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
Distributed Design for Causal Inferences on Big Observational Data
大观察性数据的因果推断的一个基本问题是由于治疗组之间的协变量不平衡而造成的混淆。这可以通过在分析之前设计数据来解决。现有的设计方法，为传统的观察性研究开发的单一设计者，可以产生不满意的设计与次优协变量平衡的大观察数据，由于他们无法适应大数据的海量维度，异质性和体积。我们提出了一个新的框架，大观测数据之间的协作设计师的分布式设计。我们的框架首先分配的高维和异质协变量的子集多个设计师。然后，设计者将他们的协变量总结为低维量，与其他人分享他们的总结，并根据他们分配的协变量和他们收到的总结并行设计研究。通过比较候选者之间所有协变量的平衡测量来选择最终设计。我们进行模拟研究，并分析来自2016年大西洋因果推断会议数据挑战的数据集，以证明我们的框架的灵活性和强大性，用于从大观测数据中构建具有良好协变量平衡的设计。
2022-03-15 stat.ME
Observational Causal Inference in Novel Diseases: A Case Study of COVID-19
所有观察性因果推断的一个关键问题是，它依赖于一个无法验证的假设-观察到的特征足以代表治疗混杂。在本文中，我们认为，在医疗情况下，这些条件更有可能在标准化治疗指南尚不存在的情况下得到满足。这种情况的一个例子是一种新疾病的出现。我们研究了纽约市医院的早期COVID-19病例，并表明对两种重要治疗药物（抗凝和类固醇治疗）的观察分析得出的结果与后来通过随机试验和其他证据的组合发布的指南一致。我们还认为，观察因果推断不能机械地应用，需要领域的专业知识，由分析师通过显示一个警示故事的治疗，似乎非常有希望的数据，但结果是由于一个怪癖的医院政策。
2023-03-13 stat.AP
Causal inference in transportation safety studies: Comparison of potential outcomes and causal diagrams
激发运输安全研究的研究问题本质上是因果关系。安全性研究人员通常使用观察数据来回答这些问题，但通常没有适当的因果推断方法。因果推断领域提出了几种用于探测经验数据以评估因果关系的建模框架。本文重点探讨两个这样的建模框架-因果图和潜在的结果-一个特定的运输安全问题的适用性。估计了路面标线回射性对路段安全性的因果影响。更具体地说，基于这些框架在真实数据集上的三种不同实现的结果进行了比较：具有回归调整的逆倾向得分加权和具有回归调整的倾向得分匹配与因果贝叶斯网络。增加路面标线的后向反射率通常会降低夜间目标碰撞的概率。然而，我们发现估计的因果效应的大小对所使用的方法和违反的假设是敏感的。
2011-07-25 stat.AP
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
Estimating complex causal effects from incomplete observational data
University of Jyväskylä（于韦斯屈莱大学）
尽管因果建模取得了重大进展，因果关系仍然是许多统计学家不熟悉的话题。在本文中，它是从开始到结束演示如何因果效应可以估计从观测数据假设的因果结构是已知的。为了使问题更具挑战性，因果效应是高度非线性的，数据是随机随机缺失的。估计中使用的工具包括设计因果模型、因果演算、多重插补和广义可加模型。主要的信息是，一个训练有素的统计学家可以通过明智地结合现有的工具来估计因果效应。
2014-07-02 cs.LG math.ST stat.ME
A Risk-Ratio-Based Marginal Sensitivity Model for Causal Effects in Observational Studies
本文提出基于风险比的改进边际敏感性模型，支持二元与多值处理，并给出点估计区间和百分位自助置信区间，通过模拟及孟加拉国母亲教育影响生育力的应用验证其效果。
2023-09-27 stat.ME
Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
Purdue University（普渡大学）
针对观测数据因果发现中缺乏完美干预难以区分因果特征的挑战，提出 Feature Matching Intervention (FMI) 方法，通过匹配过程模拟完美干预并构建因果潜图框架，理论证明其具有强分布外泛化能力，实验验证了其在仅用观测数据有效识别因果特征上的优越性。
2025-03-05 cs.LG stat.ME stat.ML
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
Statistical causal inference methods for observational research in PER: a primer
本文针对物理教育研究（PER）中观察数据的因果推断问题，介绍了统计因果推断的基本原理与方法，并通过模拟数据阐明混杂因素与中介变量的控制原则，最终提出观察研究应致力于为未来干预研究提供预测。
2023-05-23 physics.ed-ph stat.ME
Causal Inference with Unmeasured Confounding from Nonignorable Missing Outcomes
本文针对存在不可观测混杂和非随机缺失结局的观察性研究，提出利用同时作为影子变量和工具变量的辅助变量，实现依从者平均因果效应的非参数识别与估计，并通过模拟和真实数据验证。
2023-05-12 stat.ME
Estimating Causal Effects From Nonparanormal Observational Data
科学的基本目标之一是解开特定系统的因果链。特别是对于大型系统，这可能是一项艰巨的任务。详细的干预和随机数据采样方法可以用来解决因果关系的问题，但对于许多系统，这样的干预是不可能的或太昂贵，以获得。最近，Maathuis et al.（2010）遵循Spirtes et al.（2000）的思想，引入了一个框架来估计大规模高斯系统中的因果效应。通过将因果网络描述为有向无环图，即使对于非高斯系统，也可以估计一类一致地描述潜在因果相互作用的马尔可夫等价系统。在这些系统中，因果效应不再是线性的，不能再用单一的系数来描述。本文导出了非高斯分布的一个大子类（称为非超正态分布）中因果效应的一般函数形式。我们还得到了一个方便的近似，它可以有效地用于估计。我们将该方法应用于观察基因表达数据集。
2016-11-29 stat.ME
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
Nonparametric causal inference from observational time series through marginal integration
从观测数据中进行因果推断是一项雄心勃勃但高度相关的任务，具有从自然科学到社会科学的多种应用。在非参数时间序列的范围内，通过干预定义的因果推断（参见Pearl（2000））在很大程度上是未探索的，尽管时间顺序大大简化了问题。我们考虑一个边际积分方案，用于从观测的时间序列数据推断因果效应，MINT-T（时间序列中的边际积分），这是Ernest和Bühlmann（Electron. J. Statist，pp. 3155-3194，第9卷，2015）。我们的平稳随机过程的方法是完全非参数的，并假设没有瞬时效应始终恢复总的因果关系的一个单一的干预与最佳的一维非参数收敛速度$n^{-2/5}$假设正则条件和两次可微的某个相应的回归函数。因此，MINT-T在很大程度上不受维数灾难的影响，只要在更高的维度中保持平滑条件，并且它对于大类平稳时间序列是可行的，包括非线性和多变量过程。对于瞬时效应的情况下，我们提供了一个程序，防止假阳性的因果关系陈述。
2016-12-21 stat.ME
Causal Diagrams for Interference
术语“干扰”用于描述一个受试者的暴露可能影响另一个受试者结果的任何情况。我们使用因果图来区分三个因果机制，引起干扰。第一个因果机制，其中干预可以运作是一个人的治疗对另一个人的结果的直接因果关系的影响，我们称之为直接干预。当一个人的结果可能影响到与他接触的其他人的结果时，传染的干扰就存在了。然后，对第一个人进行治疗可能会通过被治疗者的结果对其他人产生间接影响。第三种干扰方式是分配干扰。在这种情况下，治疗将个人分配给群体;通过群体内的互动，个人可能以任何方式影响彼此的结果。在许多环境中，将同时存在一种以上类型的干扰。利益的因果效应根据存在的干扰类型而不同，因果效应可识别的条件也不同。使用因果图的干扰，我们描述了这些差异，给出了重要的因果效应的识别标准，并讨论了应用传染病。
2015-03-10 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
Combining Interventional and Observational Data Using Causal Reductions
University of Amsterdam（阿姆斯特丹大学）
未观察到的混杂是估计因果效应时的主要挑战之一。我们提出了一种因果简化方法，在给定因果模型的情况下，将任意数量的可能高维潜在混杂因素替换为单个潜在混杂因素，该潜在混杂因素在与治疗变量相同的空间中取值，而不改变因果模型所需的观察和干预分布。这使我们能够从合并数据中以原则性的方式估计因果效应，而不依赖于常见但往往不切实际的假设，即所有混杂因素都已被观察到。我们在三种不同的情况下应用我们的因果还原。在第一种情况下，我们假设治疗和结果是离散的。因果关系的减少，然后意味着可以利用估计目的的观察和干预分布之间的界限。在观测样本高度不平衡的某些情况下，可以通过合并观测数据来提高因果效应估计的准确性。其次，对于连续变量，假设线性高斯模型，我们推导出观测分布和干预分布参数的等式约束。第三，对于一般的连续设置（可能是非线性和非高斯），我们参数化的减少因果模型使用规范化流，一个灵活的类容易可逆的非线性变换。我们对合成数据进行了一系列实验，发现在几种情况下，在不牺牲准确性的情况下，添加观察训练样本可以减少干预样本的数量。
2023-02-22 cs.AI cs.LG stat.ME
Sharpening randomization-based causal inference for $2^2$ factorial designs with binary outcomes
在医学研究中，经常考虑的情况是具有二元结果的随机对照$2^2$析因设计。通过利用潜在结果的概念，Dasgupta et al.（2015）提出了一个基于随机化的因果推断框架，允许对因子效应进行灵活和同时的估计和推断。然而，Dasgupta等人（2015）提出的方法面临的一个根本挑战是，基于随机化的因子效应估计量的抽样方差是不可识别的，使得相应的经典“Neymanian”方差估计量遭受高估。为了解决这个问题，随机对照$2^2$析因设计与二进制的结果，我们推导出尖锐的下限的抽样方差的析因效应估计，这导致了一个新的方差估计，锐化有限人口Neymanian因果推断。我们通过一系列模拟研究证明了新方差估计的优势，并将我们新提出的方法应用于随机临床试验的两个真实数据集，在那里我们获得了新的见解。
2017-11-13 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
How and Why to Use Experimental Data to Evaluate Methods for Observational Causal Inference
Leidos（莱多斯公司）
从观测数据中推断因果关系的方法是许多科学领域的核心，包括医学，经济学和社会科学。这些方法的各种理论特性已得到证明，但经验评价仍然是一个挑战，主要是由于缺乏已知处理效应的观察数据集。我们描述并分析了随机对照试验（OSRCT）的观察性抽样，这是一种使用随机对照试验（RCT）数据评估因果推断方法的方法。该方法可用于创建构建的观察数据集，并具有相应的处理效应的无偏估计，从而显著增加了可用于因果推断方法经验评价的数据集数量。我们表明，在预期中，OSRCT创建的数据集是等同于随机抽样的经验数据集，其中所有潜在的结果是可用的。然后，我们对7种因果推断方法进行了大规模评估，这些方法来自随机对照试验、模拟器、真实世界的计算系统以及用合成反应变量增强的观察数据集。当比较来自不同来源的数据时，我们发现了显着的性能差异，这表明了在评估任何因果推断方法时使用来自各种来源的数据的重要性。
2021-07-07 cs.LG stat.ME
Semiparametric causal mediation analysis with unmeasured mediator-outcome confounding
虽然在中介效应的研究中可以随机分配暴露，但对中介者进行任何形式的直接干预往往是不可行的。因此，无法测量的中介结果混淆很少可以排除。我们提出了半参数识别自然的直接和间接影响的存在下，未测量的中介结果混淆利用异方差性的限制所观察到的数据法。对于推理，我们开发半参数估计，保持一致的部分误指定的观测数据模型。我们通过模拟和应用程序来说明所提出的估计量，以评估COVID-19爆发期间自我效能对医护人员疲劳的影响。
2021-09-29 stat.ME
Bounds and Sensitivity Analysis of the Causal Effect Under Outcome-Independent MNAR Confounding
Linköping University（林雪平大学）
该研究针对混杂因素非随机缺失且缺失机制与结果独立的场景，给出了因果效应对比的无假设界，并提出配套的敏感性分析方法。
2024-11-01 cs.LG stat.ME stat.ML
