The central role of Bayes theorem for joint estimation of causal effects and propensity scores
虽然倾向得分在30多年来一直是因果效应估计的核心，但直到最近，统计学文献才开始详细考虑倾向得分和因果效应的贝叶斯估计方法。在最近的贝叶斯倾向得分估计的文献中，倾向得分的目标和贝叶斯定理的使用之间存在着隐含的不一致。倾向得分将多变量协变量信息浓缩为标量，以允许估计因果效应，而无需指定每个协变量如何与结果相关的模型。避免指定结果响应面的详细模型对于因果效应的稳健估计是有价值的，但是这种策略与贝叶斯定理的使用不一致，贝叶斯定理预先假定了观测数据的全概率模型。本文的目的是阐明这一基本特征的贝叶斯估计的因果效应与倾向得分，以提供现有的文献和未来的工作在这个重要的话题。
2014-04-08 stat.ME
Propensity score weighting for causal inference with multi-stage clustered data
倾向得分加权是因果推断调整测量混杂因素的工具。调查数据通常是在复杂的抽样设计下收集的，如多级整群抽样，这给倾向得分建模和估计带来了挑战。此外，对于聚类数据，也可能存在与治疗和结局相关的未观察到的聚类效应。当这种未测量的混杂因素存在并且在倾向得分模型中被省略时，随后的倾向得分调整将是有偏倚的。我们提出了在存在不可测量的集群级混杂因素的情况下对多阶段集群数据进行校准的倾向得分加权调整。校准倾向得分，以平衡治疗组之间的设计加权协变量分布和聚类效应。特别是，我们考虑了越来越多的校准约束的集群，这是必要的，以消除渐近偏差，与未观察到的集群级混杂因素的数量增加。我们表明，我们的估计是强大的意义上，估计是一致的，没有正确的规范的倾向得分模型。我们将结果推广到多个治疗的情况。在模拟研究中，我们表明，所提出的估计是优于其他竞争对手。我们评估了学校体重指数筛查对宾夕法尼亚州小学超重和肥胖患病率的影响。
2016-07-26 stat.ME
Propensity score weighting for causal inference with clustered data
倾向得分加权是因果推断的一种工具，用于调整观察性研究中测量的混杂因素。在实践中，数据往往呈现复杂的结构，如聚类，这使得倾向得分建模和估计具有挑战性。此外，对于聚类数据，可能存在与治疗分配和结局均相关的未测量的聚类特异性变量。当存在此类未测量的集群特异性混杂因素，并且在倾向得分模型中被省略时，随后的倾向得分调整可能会有偏倚。在这篇文章中，我们提出了一个校准技术的倾向得分估计下的潜在可重复的治疗分配机制，即，考虑到观察到的协变量和潜在的集群效应，治疗-结果关系是无混杂的。当倾向得分和结果遵循广义线性混合效应模型时，我们提供了平均处理效应的一致倾向分数加权估计。建议的倾向得分加权估计是有吸引力的，因为它不需要规范的倾向得分和结果模型的功能形式，因此是强大的模型误指定。建议的加权方法可以结合抽样权重的综合解决方案，以处理混杂和抽样设计的因果推断与聚类调查数据。在模拟研究中，我们表明，所提出的估计是优于其他竞争对手。我们评估了学校体重指数筛查对宾夕法尼亚州小学超重和肥胖患病率的影响。
2017-03-17 stat.ME
Robust Estimation of Propensity Score Weights via Subclassification
基于倾向得分的加权估计被广泛用于各种背景下的因果估计，例如观察研究、边际结构模型和干扰。它们具有吸引人的理论性质，例如在正确的模型规范下的一致性和可能的效率。然而，这种理论上的吸引力在实践中可能会被倾向得分模型的错误设定的敏感性所削弱。为了改善这一点，我们借用了一个想法，从另一种方法来因果效应估计在观察性研究中，即子分类估计。众所周知，与加权估计相比，子分类方法通常对模型误设具有更强的鲁棒性。本文首先讨论了看似无关的加权估计与子分类估计之间的内在联系，然后利用这种联系通过子分类构造稳健的倾向得分权重。我们通过提出所谓的全分类权重和伴随的估计量来说明这一想法，用于观察性研究中的因果效应估计。我们的新估计是一致的和强大的模型误设，从而结合传统的加权和子分类估计的优势，从观察性研究的因果效应估计。数值研究表明，所提出的估计执行有利的现有方法相比。
2021-10-05 stat.ME
Covariate Balancing Propensity Score by Tailored Loss Functions
在观察性研究中，倾向得分通常通过最大似然估计，但即使在规范检索后，也可能无法平衡高维治疗前协变量。我们介绍了一个通用的框架，统一和概括了最近的几个建议，以提高协变量的平衡时，设计一个观察性研究。本文提出了一种优化特殊损失函数--协变量平衡评分规则（CBSR）来估计倾向得分的方法，以代替传统的似然函数. CBSR由GLM中的链接函数和被估量（加权平均处理效应）唯一确定。我们发现CBSR在估计加权平均处理效应时并不输于Bernoulli似然的渐近有效性，但在有限样本下CBSR更稳健。借用统计学习中开发的工具，我们提出了在丰富的函数类中平衡协变量函数的实用策略。这对于估计逆概率加权（IPW）估计的最大偏差和构造有限样本下的诚实置信区间是有用的。最后，我们提供了几个数值例子来证明的权衡偏差和方差的IPW型估计和权衡平衡不同的函数类的协变量。
2017-03-20 stat.ME
Outcome-Adjusted Balance Measure for Generalized Propensity Score Model Selection
在这篇文章中，我们提出了结果调整的平衡措施，执行模型选择的广义倾向得分（GPS），这是一个重要组成部分，在两个以上的治疗水平的观察性研究的成对平均处理效应（ATE）的估计。平衡测量的主要目标是识别GPS模型规格，使得所得ATE估计器是一致且有效的。根据最近的经验和理论证据，我们建立了最佳的GPS模型应该只包括与结果相关的协变量。给定一组候选GPS模型，结果调整的平衡测量通过匹配每个候选模型来插补所有基线协变量，并选择使插补的协变量值与原始协变量值之间的绝对均值差的加权和最小化的模型。权重被定义为利用协变量-结果关系，使得没有最佳变量选择的GPS模型受到惩罚。在适当的假设下，我们表明，结果调整的平衡措施始终选择最佳的GPS模型，使由此产生的GPS匹配估计是渐近正常的和有效的。我们比较其有限样本的性能与现有的措施在模拟研究。我们说明了所提出的方法在辅导数据分析中的应用。
2021-07-26 stat.ME
Interpolated stochastic interventions based on propensity scores, target policies and treatment-specific costs
Integreat – Norwegian Centre for Knowledge-driven Machine Learning, Department of Mathematics, University of Oslo（奥斯陆大学数学系，Integreat-挪威知识驱动机器学习中心）
本文提出两种随机干预家族，连接因果建模与成本敏感决策，通过成本惩罚的信息投影生成闭式Boltzmann-Gibbs耦合，改进随机策略在有机法与参考法间平滑插值，提升稳健性与实用性。
2026-01-20 stat.ME
Clustering Informed Inverse Probability Weighting Strategies for Causal Effect Estimation in Observational Studies
Northwestern University（西北大学）；Moffitt Cancer Center and Research Institute（莫菲特癌症中心与研究所）
该研究提出两种聚类指导的IPW策略，通过模拟和乳腺癌患者数据验证，可改善倾向得分设定错误的稳健性，其性能取决于亚组结构、样本量和推断优先级。
2026-08-11 stat.AP stat.ME
A Review of Statistical Methods for Handling Nonignorable Missing Data using Instrument Approach
本文综述了利用工具变量处理不可忽略缺失数据的统计方法，重点介绍了两种半参数框架及其关键进展与挑战。
2025-09-18 stat.ME
Covariate Balancing Value Estimation for Optimal Individualized Treatment Rules
School of Mathematical Sciences, Peking University（北京大学数学科学学院）；School of Mathematics and Statistics, Beijing Technology and Business University（北京工商大学数学与统计学院）
提出协变量平衡双重稳健估计量，在倾向得分或规则相关结局回归误差满足特定条件时保证一致性，模拟与白血病数据集应用验证其有效性。
2026-08-25 math.ST stat.ME stat.TH
Debiased Inverse Propensity Score Weighting for Estimation of Average Treatment Effects with High-Dimensional Confounders
针对高维混杂下平均处理效应估计问题，提出去偏差逆倾向得分加权法，在倾向得分稀疏逻辑回归假设下获$\bigstar$-相合估计，支持复杂结果回归，可构建置信区间并达半参数效率，已发布R包dipw。
2024-04-11 math.ST stat.ME stat.TH
Doubly Robust Direct Learning for Estimating Conditional Average Treatment Effect
非均匀处理效应的推断是科学和商业应用中的基本问题。在本文中，我们专注于估计条件平均处理效应（CATE），即在给定协变量的条件平均结果之间的差异。传统上，基于Q学习的方法依赖于给定治疗和协变量的条件平均结果的估计。然而，它们受到主效应模型的错误指定的影响。最近，已经提出了简单而灵活的一步方法来直接学习（D-Learning）CATE而无需模型规范。然而，这些方法对倾向得分模型的错误设定不稳健。我们提出了一个新的框架CATE估计，强大的直接学习（RD学习），导致双重强大的估计的处理效应。如果正确指定了主效应模型或倾向得分模型，则可以保证我们的CATE估计量的一致性。该框架可用于二进制和多臂设置，并且足够通用，以允许不同的函数空间并包含不同的通用学习算法。作为一个副产品，我们开发了一个有竞争力的统计推断工具的处理效应，假设倾向得分是已知的。我们提供的理论见解，所提出的方法使用风险界限下的线性和非线性设置。我们所提出的方法的有效性证明了仿真研究和艾滋病临床试验研究的真实数据的例子。
2021-03-21 stat.ME
Auto-Doubly Robust Estimation of Causal Effects on a Network
本文提出了一种基于网络的双重稳健估计方法，用于估计网络中因果效应，结合倾向分数和结果模型，解决长程依赖和干扰问题。
2025-11-21 stat.ME
Application of Propensity Score Models and Causal Estimators in Observational Studies under Model Misspecification
University of Nebraska Medical Center（内布拉斯加医学中心大学）；Medical College of Wisconsin（威斯康星医学院）；University of Kansas Medical Center（堪萨斯医学中心大学）；Daffodil International University（达芬奇国际大学）
本文研究了在模型不规范情况下，倾向分数模型和因果估计器在观察性研究中的性能，发现AIPW在大多数情况下提供了稳健且稳定的估计，而IPW对PS模型不规范非常敏感，RSM仅在结果模型正确规范时表现良好。
2026-05-20 stat.AP stat.ME
Methods for Combining Probability and Nonprobability Samples Under Unknown Overlaps
针对便利样本估计总体量存在偏差的问题，提出一种推导观测样本倾向得分的新方法，可构建精确似然并通过贝叶斯分层公式同步估计多类入样概率，经蒙特卡洛模拟与伪似然方法对比验证。
2023-06-09 stat.ME
Imputation is all you need: double robustness, semiparametric efficiency, and automatic covariate balance for estimating the average treatment effect
University of Washington（华盛顿大学）；University of California, Berkeley（加州大学伯克利分校）
本文揭示最小二乘筛子回归插补隐含双重加权结构，通过投影几何实现隐式双重稳健性与半参数有效性，表明插补本身即可获得加权、平衡与稳健性。
2026-10-01 econ.EM math.ST stat.TH
A General Approach for Calibration Weighting under Missing at Random
本文提出基于加权广义熵的统一校准加权方法GEC，通过凸优化统一熵方法与广义回归加权，并结合去偏约束与Neyman正交约束实现双重稳健性，同时给出几何解释和高维扩展。
2025-11-06 stat.ME
Estimating heterogeneous effects of continuous exposures using Bayesian tree ensembles: revisiting the impact of abortion rates on crime
在估计连续暴露或治疗的因果效应时，重要的是控制所有混杂因素。然而，大多数现有的方法需要控制变量如何影响结果或广义倾向得分的参数规范，并且对处理效应的推断通常对这种选择敏感。此外，通常的目标是估计处理效应如何在观察单位之间变化。为了解决这一差距，我们提出了一个半参数模型使用贝叶斯树集成估计的因果关系的影响，连续治疗的暴露，（i）不需要先验参数规范的控制变量的影响，和（ii）允许识别的影响修改预先指定的主持人。我们所做的主要参数假设是，暴露对结果的影响是线性的，这种关系的陡度由主持人的非参数函数决定，我们提供了诊断这一假设的有效性的方法。我们运用我们的方法来重新审视2001年关于堕胎率如何影响犯罪发生率的研究。
2020-07-20 stat.AP
A Plasmode Benchmark Can Refute but Cannot Certify: Projection and Regularity in Causal-Inference Simulation
School of Population and Public Health, University of British Columbia（不列颠哥伦比亚大学公共卫生与人口健康学院）；Centre for Advancing Health Outcomes, St. Paul’s Hospital（圣保罗医院健康成果促进中心）
本文论证plasmode模拟基准只能反驳不能证明因果推断估计量的普遍主张，通过区分正则性与投影两个设计选择，揭示其局限性并给出实用建议。
2026-09-23 math.ST stat.ME stat.TH
Covariate-Balancing-Aware Interpretable Deep Learning models for Treatment Effect Estimation
University of Pennsylvania（宾夕法尼亚大学）
估计处理效应对于许多具有观察数据的生物医学应用是非常重要的。特别地，处理效应的可解释性对于许多生物医学研究者是优选的。本文首先从理论上分析了强可重复性假设下平均处理效应（ATE）估计的偏差，并给出了其上界。通过利用加权能量距离的吸引力属性，我们的上限比文献中报道的更紧。受理论分析的启发，我们提出了一种新的目标函数估计ATE，使用能量距离平衡得分，因此不需要正确的规范的倾向得分模型。我们还利用最近开发的神经添加模型来提高用于潜在结果预测的深度学习模型的可解释性。我们进一步增强了我们提出的模型与能量距离平衡得分加权正则化。我们提出的模型优于当前国家的最先进的方法证明了在半合成实验中使用两个基准数据集，即IHDP和ACIC。
2022-06-24 cs.LG stat.ML
Specification Testing for Dyadic Regression Models
University at Albany-State University of New York（纽约州立大学奥尔巴尼分校）；Fuyao University of Science and Technology（福耀科技大学）；Peking University（北京大学）
本文针对无向二元数据的线性条件均值模型，提出了修正的高斯自助法辅助的综合性设定检验，经模拟及Lazega律师事务所网络应用验证，其规模控制稳定且功效显著。
2026-08-25 econ.EM stat.ME
Semiparametric Double Reinforcement Learning with Applications to Long-Term Causal Inference
Department of Statistics, University of Washington, USA（华盛顿大学统计系）；Netflix Research, USA（Netflix研究）；Cornell Tech, Cornell University, USA（康奈尔科技学院、康奈尔大学）
该研究针对长期因果推断中双重强化学习的不稳定问题，提出半参数双重强化学习方法，推导相关效率界并构建鲁棒估计量，可提升推断效率。
2026-08-25 cs.LG stat.ME stat.ML
Covariate Selection for Doubly Robust Double/debiased Machine Learning Estimators for Causal Inference
Department of Human Development and Quantitative Methodology, University of Maryland（马里兰大学人类发展与定量方法系）
针对高维数据下因果推断中协变量选择问题，提出使用倾向得分与结果模型所选协变量的并集重新估计双稳健模型，模拟显示该方法能更有效减少混杂偏差，并揭示ML估计并非总是优于传统方法。
2026-09-16 stat.ME stat.ML
Simple Specification-Free Causal Inference in Large Panels
University College London（伦敦大学学院）；CeMMAP（计量经济学与宏观经济分析中心）
本文提出一种基于非参数因子模型和潜在相似性核平滑的方法，用于大面板数据中因果效应的推断，实现了处理组平均处理效应的双稳健估计，并具备最优收敛速率和渐近正态性。
2026-09-29 econ.EM
A Consistent Heteroskedasticity Robust LM Type Specification Test for Semiparametric Models
针对半参数条件均值模型，提出了一种相容异方差稳健的Lagrange乘子（LM）型规格检验方法.通过使用级数方法将条件矩约束转化为越来越多的无条件力矩约束，实现了一致性。建议的检验统计量是直接计算，是渐近标准正常下的零。与早期文献中基于序列的规格检验参数模型相比，我依赖于系列估计的投影性质，并得出一个不同的标准化的检验统计量。与Gupta（2018）最近的测试相比，我使用了不同的方法来解释异方差性。我证明使用蒙特卡罗研究，我的测试具有优越的有限样本性能相比，现有的测试。我应用测试的半参数汽油需求规格之一，从Yatchew和No（2001），并没有发现反对它的证据。
2019-11-08 econ.EM
A Consistent LM Type Specification Test for Semiparametric Panel Data Models
本文针对具有固定效应的半参数面板数据模型，提出了一种基于一致序列的规格检验方法。检验统计量类似于参数模型中的拉格朗日乘子（LM）检验统计量，并且基于受限模型残差中的二次型。序列方法的使用有利于零模型的估计和检验统计量的计算。检验统计量的渐近分布是标准正态分布，因此可以很容易地计算出适当的临界值。系列估计的投影性质允许我开发一个自由度修正。这种校正使得有可能考虑估计方差并获得精确的渐近结果。它还大大提高了测试的有限样本性能。
2019-09-12 econ.EM
Specification tests for regression models with measurement errors
本文针对含测量误差的回归模型，基于反卷积残差经验过程构建ICM型设定检验，并首次提出乘数自助法模拟临界值，同时拓展至测量误差分布未知的情形，蒙特卡洛模拟验证了检验的有效性。
2025-11-06 econ.EM
Data-Driven Tuning in Kernel Specification Tests: Selection Asymptotics, Validity, and Power
Xi’an Jiaotong-Liverpool University（西交利物浦大学）
本文提出基于再生核的核岭回归(KRR)模型检验方法，通过构建RKHS系数函数并设计投影与随机位置两类检验统计量，有效检测条件矩约束模型的全局与局部偏差，并在高维下展现优异功效。
2026-09-29 econ.EM
