Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference
Duke University（杜克大学）
我们提出了一种匹配的方法，恢复直接处理效应从随机实验中的单位连接在一个观察到的网络，和单位，共享边缘可能会影响彼此的结果。传统的处理效应估计随机实验是有偏见的，在这种情况下容易出错。我们的方法匹配单位几乎完全在其邻域图内的唯一子图的计数。我们构建的匹配是可解释的和高质量的。我们的方法可以很容易地扩展到容纳额外的单位水平的协变量信息。我们的经验表明，我们的方法比其他现有的方法更好地解决这个问题，同时产生有意义的，可解释的结果。
2020-03-02 cs.LG stat.ME
Causal Inference under Networked Interference and Intervention Policy Enhancement
Ludwig Maximilian University of Munich（慕尼黑大学）；Siemens CT（西门子中央研究院）
根据随机实验数据估计个体处理效应是因果推断中的一项关键任务。在因果推断中，通常采用稳定单位处理值假设。然而，当一个单元的分配治疗影响相邻单元的潜在结果时，干扰可能会引入偏倚。这种干扰现象在经济学中被称为溢出效应，在社会科学中被称为同行效应。通常，在随机化实验或具有相互连接单元的观察性研究中，只能观察干扰下的治疗反应。因此，如何在干扰存在的情况下估计叠加的因果效应并恢复个体的处理效应成为因果推断中的一个挑战性任务。在这项工作中，我们使用GNNs研究了一般网络干扰下的因果效应估计，GNNs是捕获图中依赖关系的强大工具。在导出因果效应估计量后，我们进一步研究了在容量约束下的图上的干预政策改进。在网络干扰和处理容量约束下，给出了策略遗憾界.此外，基于GNN因果估计的启发式图结构相关的误差界。
2021-05-04 cs.LG stat.ME stat.ML
Causal Inference on Networks under Continuous Treatment Interference
针对连续处理与网络干扰下的非实验政策评估场景，提出基于广义倾向得分的估计量，可估计直接和溢出效应并适配异质强度的非对称网络，农业市场应用显示忽略干扰会低估政策有效性。
2023-06-12 econ.EM stat.AP stat.ME
On Identification of Optimal Dynamic Treatment Regimes with Proxies of Hidden Confounders
针对时变治疗受隐藏混杂因素干扰的问题，提出利用每个时间点两个独立且相关的代理变量识别反事实联合分布，从而实现最优动态治疗方案的识别。
2025-02-18 stat.ME
Robust Inference for the Direct Average Treatment Effect with Treatment Assignment Interference
本文针对随机网络干扰下的因果推断，引入 Ising 模型刻画处理分配依赖，建立 Hájek 估计量的 Berry-Esseen 型及一致分布近似，并提出基于条件高斯化和重采样的稳健推断程序，通过 Monte Carlo 模拟验证其有效性。
2025-06-26 econ.EM stat.ME
Heterogeneous Treatment Effects under Network Interference: A Nonparametric Approach Based on Node Connectivity
Purdue University（普渡大学）；University of Michigan（密歇根大学）
该研究针对网络干扰下的因果推断问题，提出了基于节点连通性的非参数方法KECENI，用于估计节点级反事实均值，通过小额信贷数据验证了其可揭示网络特征对处理效应的影响。
2026-08-07 stat.ME
Spatial Interference Detection in Treatment Effect Model
针对因果推断中干扰效应建模依赖显式同质性假设的问题，提出低秩稀疏治疗效应模型与剖面估计算法，构建全局检验和局部检测方法，推导理论保证并通过实验验证有效性。
2024-10-30 stat.ME
Independent-Set Design of Experiments for Estimating Treatment and Spillover Effects under Network Interference
针对网络干扰下处理分配与干扰水平纠缠的问题，提出基于独立集的实验设计，通过辅助集分配控制干扰暴露，可同时估计处理效应与溢出效应。
2023-12-07 stat.ME
Heterogeneous Coefficients, Control Variables, and Identification of Multiple Treatment Effects
多维异质性和内隐性是多处理模型的重要特征。我们考虑一个非均质系数模型，其中的结果是一个虚拟的治疗变量的线性组合，每个变量代表一种不同的治疗。我们使用控制变量来给出平均处理效应的充分必要条件。对于互斥处理，我们发现，如果非均质系数与给定对照的处理无关，则一个简单的识别条件是广义倾向得分（Imbens，2000）远离零，并且它们的总和远离1，概率为1。我们的分析延伸到分布和分位数处理效应，以及相应的处理效应的治疗。这些结果推广了Rosenbaum和Rubin（1983）关于二元处理的经典识别结果。
2021-11-22 econ.EM stat.ME
Estimation and inference of average treatment effects under heterogeneous additive treatment effect model
本文针对网络干扰下的平均处理效应估计问题，在异质加性处理效应模型下提出基于特征向量的回归调整估计量，建立其渐近正态性与保守方差估计，并验证其在多种干扰结构下的有效性。
2024-08-30 stat.ME
Integrating Active Learning in Causal Inference with Interference: A Novel Approach in Online Experiments
National University of Singapore（新加坡国立大学）；Tencent（腾讯）
本文提出ACI方法，将主动学习与高斯过程及遗传算法结合，在网络干扰和混杂因素下高效估计直接与溢出处理效应，并在模拟数据和腾讯游戏数据上验证了其数据效率优势。
2024-02-20 cs.LG stat.ME stat.ML
Complementarity and Identification
本文探讨了识别能力的假设，正式的互补性的概念的背景下，治疗反应的非参数界分析。我扩展了文献的部分识别通过形状的限制，利用跨维度的限制治疗反应时，治疗是多维的，超模块化的假设可以加强政策互补性研究中的平均处理效应的界限。这种限制可以与统计独立性假设相结合，以获得处理效应分布的改进界限，帮助评价复杂的随机对照试验。处理效应异质性产生的互补性可通过超模块工具变量纳入，以加强在一种或多种治疗研究中的识别。一个应用程序研究分区对城市空间结构演变的长期影响，说明了所提出的识别方法的价值。
2016-09-13 stat.ME
Efficient Semiparametric Estimation of Network Treatment Effects Under Partial Interference
近年来，人们提出了许多网络处理效应的估计方法。但是，他们的半参数效率方面的最优性尚未得到解决。我们提出了一个简单的，但灵活的渐近框架，以获得有效的影响函数和半参数效率的下限下的家庭的网络因果效应的部分干扰。我们结果的一个重要推论是Liu et al.（2019）的一个现有估计量是局部有效的。我们还提出了其他估计是有效的，并讨论自适应估计的结果。最后，我们使用有效的估计，研究在哥伦比亚的有条件的现金转移支付计划的直接和溢出效应。
2021-11-25 stat.ME
Identification and estimation of the conditional average treatment effect with nonignorable missing covariates, treatment, and outcome
University of Michigan（密歇根大学）；Tsinghua University（清华大学）；Yanqi Lake Beijing Institute of Mathematical Sciences and Applications（北京雁栖湖应用数学研究院）
本文提出在非随机缺失机制下非参数识别条件平均处理效应，并开发了非参数和参数估计方法，同时提出敏感性分析框架以评估稳健性。
2026-02-22 stat.ME
Covariate Adjustment Cannot Hurt: Treatment Effect Estimation under Interference with Low-Order Outcome Interactions
University of California, Berkeley（加州大学伯克利分校）；University of Chicago（芝加哥大学）
本文研究了在存在干扰情况下使用协变量调整估计总体治疗效应的方法，证明了在稀疏干扰网络下，协变量调整不会增加方差，从而提供无害保证。
2026-04-09 stat.ME
Using Exposure Mappings as Side Information in Experiments with Interference
暴露映射被广泛用于在存在干扰的情况下对潜在结果进行建模，其中每个单元的结果可能不仅取决于其自身的治疗，而且还取决于其他单元的治疗。然而，在实践中，这些模型可能只是社会动态的粗略代理。在这项工作中，我们给出了估计和估计是强大的暴露模型的误指定。在第一部分中，我们要求处理效应在直接效应和溢出效应中均为非负（或“单调”）。在第二部分中，我们考虑了一个较弱的估计（“对比归因于治疗”），使没有任何限制的干扰。
2018-06-28 stat.ME
The causal effects of modified treatment policies under network interference
Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
提出诱导修正治疗策略以识别网络干扰下的因果效应，并开发半参数有效估计器，通过加州零排放车辆对空气污染的影响验证。
2025-12-10 stat.ME
Effects of Treatment on the Treated: Identification and Generalization
Harvard School of Public Health（哈佛公共卫生学院）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
因果分析的许多应用都要求追溯性地评估不采取实际上已经实施的行动的影响。这种反事实的数量，有时被称为“治疗对被治疗者的影响”（ETT），已被用来评估教育计划，批评公共政策，并证明个人决策的合理性。在本文中，我们探讨了ETT可以从（即，在实验和/或观察性研究中确定。我们表明，当动作调用一个单例变量，ETT识别的条件有简单的表征的因果关系图。我们进一步给出了一个图形化的条件下，可以确定多种治疗方法对治疗的影响，以及ETT估计量可以从干预和观察分布构建的方式。
2012-05-09 cs.AI stat.ME
Estimation of Causal Effects Under K-Nearest Neighbors Interference
本文针对社交网络实验中的处理干扰问题，提出K-最近邻干扰模型（KNNIM），推导了可识别各邻居间接效应的因果估计量，提出无偏估计器与保守方差估计，并通过模拟研究和中学冲突减少计划实验验证了方法的有效性。
2023-07-27 stat.ME
Generalized propensity score approach to causal inference with spatial interference
许多空间现象表现出治疗干扰，其中一个位置的治疗可能会影响其他位置的反应。由于干扰违反了稳定单位治疗值假设，因此因果推断的标准方法不适用。我们提出了一个新的因果框架，以恢复直接和溢出效应的空间干扰的存在下，考虑到治疗在附近的位置比治疗更有影响力的位置进一步分开。在没有未测量的混杂假设下，我们证明了广义倾向得分足以消除所有测量的混杂。为了减少维数问题，我们提出了一个贝叶斯样条为基础的回归模型占一个足够的变量集的广义倾向得分。仿真研究证明了准确性和覆盖性能。我们应用该方法来估计2005- 2018年美国西部野火对空气污染的因果影响。
2020-06-30 stat.ME
Effective treatment allocation strategies under partial interference
本文在部分干扰框架下提出新的因果估计量和标准化加权估计器，用于刻画处理效应异质性并识别有影响力的个体特征，通过模拟和中国集群实验验证其有效性。
2025-04-09 stat.AP stat.ME
Identification of Treatment Effects under Conditional Partial Independence
治疗分配与潜在结局的条件独立性是一个常用但不可反驳的假设。我们从这个条件独立性假设的非参数偏差下获得各种处理效应参数的识别集。这些偏差通过条件治疗分配概率定义，这使得解释简单明了。我们的研究结果可以用来评估基线条件独立假设下获得的经验结论的稳健性。
2017-07-29 econ.EM stat.ME
A Differential Effect Approach to Partial Identification of Treatment Effects
本文提出差分效应方法，在未测量混杂下对平均及异质性处理效应进行部分识别，开发半参数框架估计界并进行两阶段推断，经模拟和吸烟对血镉影响的案例验证。
2025-02-28 stat.ME
Partial Identification Learning with Categorical Treatments for Individualized Treatment Rules
University of Copenhagen（哥本哈根大学）；University of Oxford（牛津大学）
该研究针对分类处理等变量，扩展了部分识别学习框架，提出广义极小极大损失准则与对称嵌入策略，所得个体化治疗规则在未测量混杂场景中更接近最优规则。
2026-08-21 stat.ME
Heterogeneous Treatment and Spillover Effects under Clustered Network Interference
针对聚类网络中的邻域干扰问题，提出基于树算法与 Horvitz-Thompson 估计量的 NCT 方法，用于识别处理与溢出效应的异质性，并经模拟和农村保险实例验证。
2023-11-02 stat.ME
Bipartite Causal Inference with Interference
评估干预措施有效性的统计方法日益受到各单位内在相互关联性的挑战。具体来说，最近的一系列方法研究已经解决了观测之间的干扰问题，当一个观测单元的结果不仅取决于它的治疗，而且还取决于分配给其他单元的治疗时，就会出现这种情况。我们引入了具有干扰的二分因果推断的设置，当1）治疗被定义在与测量结果的观察单位不同的观察单位上时，以及2）在某些单位的结果取决于分配给许多其他单位的治疗的意义上，单位之间存在干扰。基本的定义和配方提供了这种设置，突出的相似性和差异，更普遍认为设置的因果推断与干扰。几种类型的因果被估量进行了讨论，和一个简单的逆概率的治疗加权估计的简化被估量的一个子集。这些估计器被用来评估美国473家发电厂减少空气污染的干预措施如何影响居住在23，458个邮政编码地区的医疗保险受益人的心血管住院治疗。
2018-07-23 stat.ME
Individualized Causal Effects under Network Interference with Combinatorial Treatments
University of Leeds（利兹大学）；National University of Defense Technology（国防科技大学）；School of Statistics and Data Science, SUFE（上海财经大学统计与数据科学学院）
本文提出了一种统一框架，通过构建全局潜在结果模拟器，在高维网络化环境下实现个体化因果推断，结合局部平滑性、双重稳健正交化和稀疏谱学习，解决网络干扰和组合治疗带来的挑战。
2026-02-23 stat.ME
Inward and Outward Spillover Effects of One Unit's Treatment on Network Neighbors under Partial Interference
Yale School of Public Health, Yale University（耶鲁大学公共卫生学院，耶鲁大学）；Fox School of Business, Temple University（天普大学福克斯商学院）
本文在部分干扰下定义并区分网络邻居间的外向与内向溢出效应，给出二者等价或差异的条件，并比较其估计量的方差。
2026-09-09 stat.ME
Regression adjustments for estimating the global treatment effect in experiments with interference
在存在干扰的情况下，全局平均处理效应的标准估计值可能存在偏倚。本文提出了回归调整估计量，用于消除Bernoulli随机试验中的干扰偏倚。我们使用一个拟合模型来预测全球控制和全球治疗的反事实结果。我们的工作不同于标准回归调整，因为调整变量是从治疗分配向量的函数构建的，并且我们允许研究人员使用与响应相关的任何函数的集合，将检测干扰的问题转化为特征工程问题。我们在线性模型设置拟议的估计分布的特点，并连接到SUTVA下的回归调整的标准理论的结果。然后，我们提出了一个估计器，允许灵活的机器学习估计被用于拟合非线性干扰函数的形式。我们建议进行统计推断，通过引导和rescue的方法，这使我们能够回避复杂的依赖隐含的干扰，而是依赖于经验的协方差结构。这种方差估计依赖于一个外生性假设，类似于观察性研究中引用的标准无混淆假设。在模拟实验中，我们的方法是更好地在去偏估计比现有的逆倾向加权估计的基础上的邻域暴露模型。我们用我们的方法重新分析了一个实验，在中国农村的一组村庄进行的天气保险采用。
2019-03-05 cs.SI stat.ME
Assessing Outcome-to-Outcome Interference in Sibling Fixed Effects Models
同胞固定效应（FE）模型可用于估计因果处理效应，同时抵消未观察到的同胞不变混杂。然而，如果一个人的结果影响到他们兄弟姐妹的结果，治疗估计是有偏见的。我们提出了一个鲁棒性检验，用于评估线性两兄弟FE模型中结果间干扰的存在。我们回归一个增益分数-兄弟姐妹的连续结果之间的差异-对兄弟姐妹的治疗和治疗前观察到的FE。在某些限制条件下，观察到的FE的偏回归系数表明存在结果间干扰。蒙特卡罗模拟证明了几种模型下的稳健性测试。我们发现，如果观察到的FE与治疗和结果的兄弟不变混杂因素直接相关，与兄弟姐妹的治疗直接相关，或与兄弟姐妹的结果直接且同等相关，则表示结果到结果的溢出。然而，稳健性检验崩溃，如果所观察到的FE是直接的，但差异与兄弟姐妹的结果，或者如果结果影响兄弟姐妹的治疗。
2021-11-07 econ.EM stat.ME
Identification and Estimation of Heterogeneous Interference Effects under Unknown Network
针对未知干扰网络下因果效应估计的挑战，提出基于共享潜在社区结构的异质群组级干扰效应识别与估计框架，通过最大似然估计与贝叶斯方法实现有效计算，并在模拟与真实医疗数据中验证了其优越性能。
2025-10-12 stat.ME
Semiparametric Estimation of Treatment Effects in Observational Studies with Heterogeneous Partial Interference
针对异质性部分干扰下的观察性研究，提出条件可交换假设下的广义AIPW估计量，证明其半参数有效性与稳健性，并通过Add Health数据集验证了方法在实际因果效应分析中的应用价值。
2024-06-22 econ.EM math.ST stat.ME
A systematic investigation of classical causal inference strategies under mis-specification due to network interference
我们系统地调查了由于错误指定而引起的问题，这些问题是在估计因果效应时出现的，当（治疗）干扰被网络可用的预干预告知时，即，在一个单位的结果可能取决于分配给其他单位的治疗的情况下。我们开发理论的几种形式的干扰通过曝光邻域的概念，并开发相应的半参数表示为潜在的结果作为曝光邻域的函数。使用这种表示，我们扩展了两个流行的类的因果被估量，边际和平均因果效应的定义，网络干扰的情况下。我们的特点的偏差和方差的结合时，经典的随机化策略（即，伯努利，完全随机化，和集群随机化设计）和估计（即，在均值差和Horvitz-Thompson）用于估计平均处理效应和总处理效应，由于干扰的误指定。我们说明了如何在均值差估计可以有任意大的偏差时，估计平均因果效应，这取决于干扰的形式和强度，这是未知的设计阶段。Horvitz-Thompson（HT）估计在给定正确的权值时是无偏的。在这里，我们推导出HT权重的无偏估计不同的被估量，并说明他们如何依赖于设计，干扰的形式，这是未知的设计阶段，和被估量。更重要的是，我们表明，HT估计是不容许的一大类随机化策略，在干扰的存在下。我们开发了新的模型辅助和模型依赖的策略来改进HT估计，我们开发了新的随机化策略来估计平均处理效应和总处理效应。
2018-10-18 stat.ME
Estimating dynamic treatment regimes for ordinal outcomes with household interference: Application in household smoking cessation
本文提出加权比例优势模型（WPOM）及其动态扩展dWPOM，用于估计具有家庭干扰的序数结果动态治疗方案，并通过模拟和烟草研究数据验证，提供家庭戒烟的最优策略。
2023-12-21 stat.AP stat.ME
Identification and Inference for Marginal Average Treatment Effect on the Treated With an Instrumental Variable
在观察性研究中，治疗通常不是随机的，因此估计的处理效应可能会受到混杂偏倚的影响。工具变量（IV）设计起到准实验处理的作用，因为IV与治疗相关，并且仅通过治疗影响结局。在本文中，我们提出了一个新的框架，识别和推理使用的边缘平均处理效应之间的治疗（ETT）在不可测量的混杂的存在下，IV。对于推断，我们提出了三种不同的半参数方法：（i）逆概率加权（IPW），（ii）结果回归（OR），（iii）双稳健（DR）估计，如果（i）或（ii）是一致的，但不一定两者都是一致的。在二进制IV和结果的简单情况下，得到了封闭形式的局部半参数有效估计，并在更一般的情况下导出了效率界。
2016-08-26 stat.ME
Peer Encouragement Designs in Causal Inference with Partial Interference and Identification of Local Average Network Effects
在非网络环境中，当随机化治疗被认为不切实际或治疗依从性无法完全强制执行时，鼓励设计已被广泛用于分析治疗、政策或干预对关注结果的因果影响。不幸的是，这样的问题有关的治疗依从性得到较少的关注，在网络设置和网络中研究最充分的试验设计，两阶段随机化设计，需要完美的治疗依从性。本文提出了一种新的试验设计--同伴激励设计，用于研究在实施治疗随机化不可行的情况下网络处理效应。同伴激励设计的核心思想是个性化激励的思想，它允许在激励设计文献中识别熟悉的被估量。本文还定义了新的因果被估量，局部平均网络效应，可以确定在新的设计和分析的影响，不遵守行为的随机实验网络。
2016-09-14 stat.ME
Identification and Estimation of Heterogeneous Treatment Effects under Non-compliance or Non-ignorable assignment
我们提供了充分的条件来识别异质性处理效应，定义为条件期望的差异，潜在的结果给予未经治疗的结果，在non-conformable治疗条件和可用性的信息的边缘分布的未经治疗的结果。这些函数对于识别平均处理效应（ATE）和确定处理分配策略都是有用的。在应用研究中普遍存在以下两种一般设置：（i）具有单侧不依从性的随机对照试验和（ii）具有关于未治疗结局或其样本矩的边缘分布信息的不可重复分配的观察性研究。为了处理设置有许多积分和缺失值，我们提出了一个（准）贝叶斯估计方法HTE和ATE，并通过模拟研究检查其属性。我们还将所提出的方法应用于国家职业培训合作法案研究所获得的数据集。
2019-01-12 stat.ME
Data-adaptive exposure thresholds for the Horvitz-Thompson estimator of the Average Treatment Effect in experiments with network interference
针对网络干扰实验中暴露映射阈值难以确定的问题，本文提出一种基于线性剂量-反应模型的数据自适应方法，通过最小化 Horvitz-Thompson 估计量的均方误差来选择最优 h 比例阈值，并在模拟和 Amazon 产品相似性图上验证了其优于非自适应选择且对模型偏差具有稳健性。
2025-02-04 stat.ME
Spillover Effects in Experimental Data
我们目前的方法估计处理效应和溢出效应下的“干扰”，一个术语，它涵盖了广泛的一类情况下，一个单位的结果不仅取决于该单位收到的治疗，但也对其他单位收到的治疗。在某种程度上，单位相互反应，相互作用，或以其他方式传递治疗效果，有效的推理要求我们考虑到这种干扰，这是一个背离传统的假设，即单位的结果只受自己的治疗分配。干扰和相关的溢出效应可能是一种滋扰，也可能是研究人员的实质性兴趣。在本章中，我们将重点讨论随机实验背景下的干扰。我们审查的方法，当干扰发生在一般的网络设置。然后，我们考虑的特殊情况下，干扰包含在一个层次结构。最后，我们讨论了干扰和传染之间的关系。我们使用干扰R包和模拟数据来说明关键点。我们认为有效的设计，允许估计的治疗和溢出效应，并讨论最近的实证研究，试图捕捉这种影响。
2020-01-15 cs.SI stat.AP stat.ME
Identification in Nonparametric Models for Dynamic Treatment Effects
本文开发了一个非参数模型，代表了如何在一个动态的方式相互影响的结果和治疗选择的序列。在这种情况下，我们感兴趣的是确定在每个阶段的个人的平均结果，有一个特定的治疗序列被分配。该量的识别允许我们识别平均处理效应（ATE）和关于转变的ATE，以及最佳处理方案，即，使平均潜在结果的（加权）和最大化的方案，可能更少的处理成本。本文的主要贡献是放松序列随机化假设广泛使用的生物统计学文献中引入一个灵活的选择理论框架的内源性治疗序列。我们表明，感兴趣的参数下确定每个时期的双向排除限制，即，结果确定过程中排除了工具，治疗选择过程中排除了其他外生变量。我们还考虑部分识别的情况下，后者的变量是不可用的。最后，我们将我们的结果扩展到一个设置，治疗不出现在每个时期。
2019-01-14 econ.EM stat.AP stat.ME
Quantile Treatment Effects in Regression Kink Designs
关于回归扭结设计的文献开发了连续处理的平均效应（Card，Lee，Pei和Weber，2015），二元处理的平均效应（Dong，2018）和连续处理的分位数效应（Chiang和Sasaki，2019）的识别结果，但迄今为止还没有二元处理的分位数效应的识别结果。在本文中，我们填补了这一空白，在文献中提供了一个识别的分位数处理效应的回归扭结设计与二进制处理变量。为了完整性，我们还开发了大样本理论的统计推断和一个实用的准则估计和推断。
2019-03-18 stat.ME
Identification of Treatment Effects under Limited Exogenous Variation
本文提出变系数设定以缓解处理效应非参数识别的强支撑条件，给出平均处理效应识别的充要条件（条件非奇异性），并统一半参数与非参数识别框架。
2025-01-26 econ.EM stat.ME
Doubly robust identification of treatment effects from multiple environments
Department of Statistics, University of Michigan（密歇根大学统计系）
本文提出RAMEN算法，通过利用多数据源的异质性，无需了解潜在因果图即可获得无偏治疗效应估计，通过双重稳健识别方法提升因果推断的准确性。
2026-05-01 cs.LG stat.ME stat.ML
Identification and Estimation under Multiple Versions of Treatment: Mixture-of-Experts Approach
Kyushu University（九州大学）；NTT DATA Mathematical Systems Inc.（NTT DATA数学系统株式会社）
本文提出专家混合方法，用于处理因果推断中的多重治疗版本问题，实现对未观测版本的因果效应估计。
2026-09-22 stat.ME stat.ML
On a necessary and sufficient identification condition of optimal treatment regimes with an instrumental variable
不可测混杂对因果推理和个体化决策是一种威胁。与Cui和Tchetgen Tchetgen（2020）; Qiu等人（2020）; Han（2020 a）类似，我们考虑了使用有效工具变量识别最佳个体化治疗方案的问题。Han（2020 a）使用Cui和Tchetgen Tchetgen（2020）的条件Wald估计量提供了最佳治疗方案的替代识别条件; Qiu等人（2020）在治疗分配受内分泌影响且有效的二元工具变量可用时。本文给出了利用条件Wald估计量确定最优治疗方案的一个充要条件。Cui和Tchetgen Tchetgen（2020）; Qiu等人（2020）; Han（2020 a）的研究必然暗示了我们的新情况，并且可能继续存在于先前结果未涵盖的各种潜在环境中。
2021-09-29 math.ST stat.ME stat.TH
A Bayesian Analysis of Two-Stage Randomized Experiments in the Presence of Interference, Treatment Nonadherence, and Missing Outcomes
针对现代复杂实验中同时存在的干扰、治疗不依从和结果缺失问题，提出一种基于贝叶斯方法的因果推断框架，扩展两阶段随机化实验和主分层框架，通过灵活分布模型实现主因果效应的弱可识别，从而提供更具信息量的分析。
2023-04-05 stat.ME
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
Interference and Sensitivity Analysis
带有干扰的因果推断是一个快速发展的领域。文献已经开始放宽“无干扰”假设，即一个人接受的治疗不会影响其他人的结果。在本文中，我们简要回顾了文献中的因果推断的干扰时，治疗已被随机化。然后，我们考虑在存在干扰的情况下未识别因果效应的设置，因为单独的随机化不足以识别，或者因为治疗不是随机的，并且可能存在治疗-结局关系的不可测量的混杂因素。我们为这些设置开发了敏感性分析技术。我们描述了几种传染性效应的敏感性分析技术，在疫苗试验中，这些技术捕获了一个人的疫苗对保护第二个人免受感染的影响，即使第一个人被感染。我们还开发了两个敏感性分析技术的因果影响下的干扰存在不可测量的混淆，推广类似的技术时，干扰是不存在的。这两种技术的不可测量的混杂进行了比较和对比。
2015-03-05 stat.ME
Causal Inference from Observational Studies with Clustered Interference
从观察性研究中推断因果关系是具有挑战性的，因为参与者不是随机接受治疗的。传染病研究中的观察性研究提出了额外的挑战，即一名参与者的治疗可能会影响另一名参与者的结果，即，可能存在干扰。在本文中，最近的方法来定义因果效应的干扰的存在被认为是，并提出了新的因果被估量专门用于观察性研究。先前定义的被估量针对的是反事实情景，在这种情景中，个体以相等的概率独立地选择治疗。然而，在集群内个体之间存在干扰的情况下，同一集群中个体之间的治疗选择可能不太可能独立。拟议的因果被估量，而不是描述反事实的情况下，治疗选择的相关性结构是相同的，在观察到的数据分布，允许在个别治疗选择集群内的依赖性。这些被估量可能更相关的政策制定者或公共卫生官员谁希望量化的影响，增加治疗的个人在人口中的比例。逆概率加权估计这些被估量提出。估计量的大样本性质的推导，并提出了一个模拟研究，证明有限样本性能的估计。所提出的方法是通过分析孟加拉国超过10万人的霍乱疫苗接种研究数据来说明的。
2017-11-13 stat.ME
Estimating Treatment Effects under Algorithmic Interference: A Structured Neural Networks Approach
University College London（伦敦大学学院）；Tencent Inc.（腾讯公司）；Massachusetts Institute of Technology（麻省理工学院）；University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种结构化神经网络方法，用于在算法干扰下准确估计治疗效应，通过建模竞争分配机制和观众反应，克服传统估计器的偏倚问题。
2026-03-07 cs.LG econ.EM stat.ME
Identification and Robust Inference for Multiple Treatments with Possibly Invalid Instruments
University of Macau（澳门大学）；The Chinese University of Hong Kong（香港中文大学）；Zhejiang University（浙江大学）
研究具有多个内生治疗和可能无效工具变量的线性IV模型，引入广义多数和多数规则用于识别多种治疗效果，提出对IV选择错误具有鲁棒性的抽样置信区间，建立其渐近覆盖和参数率长度并用于孟德尔随机化应用。
2026-09-09 stat.ME
Bayesian Inference and Partial Identification in Multi-Treatment Causal Inference with Unobserved Confounding
在因果估计问题中，感兴趣的参数通常只能部分识别，这意味着即使有无限的数据，参数也不能被精确地恢复。在这里，我们研究贝叶斯推断的部分确定的处理效应在多治疗因果推断问题与未观察到的混杂。原则上，推断部分识别的处理效应在贝叶斯范式下是自然的，但结果可能对参数化和先前规范高度敏感，通常以令人惊讶的方式。因此，理解关于处理效应的结论的哪些方面完全由先前的规范驱动是至关重要的。我们使用了一个所谓的透明参数化的影响，更可解释的科学动机的多重效果的先验规范。我们证明了我们的分析在一个例子中量化基因表达水平对小鼠肥胖的影响。
2022-04-23 stat.ME
Nonparametric Treatment Effect Identification in School Choice
Stanford University（斯坦福大学）
本文提出非参数方法识别学校分配中的处理效应，分析了原子处理效应的识别与估计，并推荐新的聚合方案以处理回归不连续性驱动的异质性。
2025-12-29 econ.EM stat.ME
Model-Based Regression Adjustment with Model-Free Covariates for Network Interference
当估计网络干扰下的全局平均处理效应（GATE）时，单元与处理的关系可能大不相同，这取决于其网络邻域的结构、干扰机制的结构以及处理在其邻域中的分布方式。在这项工作中，我们引入了一个顺序的程序来生成和选择基于图形和治疗的协变量，用于回归调整下的GATE估计。我们表明，它是可能的，同时实现低偏差，大大减少方差与这样的程序。为了解决我们的特征生成和选择过程中引起的推理复杂性，我们引入了一种基于块引导的置信区间构造方法。我们说明，我们的选择过程和随后的估计可以实现良好的性能，根均方误差在几个半合成实验与伯努利设计，比较有利的甲骨文估计，利用回归调整已知的基本干扰结构。我们将我们的方法应用于具有强有力干扰证据的真实世界实验数据集，并证明它可以在不知道先验干扰过程的情况下合理地估计GATE。
2023-02-10 stat.AP stat.ME
