Heterogeneous survivor average causal effects beyond monotonicity: Applications to a clinical trial evaluating mechanical ventilation strategies
Yale School of Public Health（耶鲁大学公共卫生学院）；University of Alberta（阿尔伯塔大学）；University of Pennsylvania（宾夕法尼亚大学）；Yale University School of Medicine（耶鲁大学医学院）
针对重症监护临床试验中因死亡截断的结果，提出无单调性框架识别条件幸存者平均因果效应，基于BART的贝叶斯方法估计个体效应，应用于ARDS PEEP试验揭示被总体结果掩盖的异质性亚组。
2026-09-22 stat.AP stat.ME
Causal inference for binary non-independent outcomes
对多个非独立结果的因果推断提出了严峻的挑战，因为需要考虑正确解释结果依赖结构的多变量技术。我们专注于二元结果的情况下，我们的讨论框架中的潜在结果的方法因果推断。我们定义的因果关系的治疗对联合结果引入产品结果的概念。我们还讨论了产品结果的因果效应分解为内在和外在的因果效应，分别提供产品结果的内在（产品）结构和结果的依赖结构的处理效应的信息。我们提出了一个对数均值线性回归的方法来模拟潜在的结果，这是特别有吸引力的，因为所有的因果被估量的利益和分解成内在和外在的因果效应可以很容易地从模型参数的分布。该方法在两个随机实验中进行了说明，涉及（i）手术前口服吗啡对手术后疼痛强度的影响;以及（ii）蜂蜜对与儿童上呼吸道感染相关的夜间咳嗽和睡眠困难的影响。
2018-05-10 stat.ME
Density Ratio-based Causal Discovery from Bivariate Continuous-Discrete Data
Gakushuin University（早稻田大学）；Shiga University（石川大学）；RIKEN（日本研究机构）；The University of Osaka（大阪大学）
本文提出DRCD方法，通过检测位置移位条件和密度比单调性来确定双变量连续-离散数据的因果方向。
2026-02-26 cs.LG stat.ML
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
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
Vaccine efficacy for binary post-infection outcomes under misclassification without monotonicity
提出一种非参数点识别方法，在无需单调性假设且允许测量误差的情况下，利用地理分散试验和预处理协变量识别疫苗对感染及感染后结局的主效应，并支持多处理场景。
2024-09-19 math.ST stat.AP stat.ME
Assumption Smuggling in Intermediate Outcome Tests of Causal Mechanisms
本文通过非参数边界分析证明中间结果检验在缺乏额外假设时无法确立或排除因果机制，并提出评估单调性假设合理性的方法，为两个近期实验估计边界。
2024-11-19 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
Ensembled Prediction Intervals for Causal Outcomes Under Hidden Confounding
USC Information Sciences Institute（南加州大学信息科学研究所）
本文提出 Caus-Modens 方法，利用深度集成结构结合因果敏感性模型，在隐藏混杂下获得更紧的因果结果预测区间，并通过三个基准验证其有效性。
2023-11-01 cs.AI cs.LG 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
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
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
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
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
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
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
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
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
Flexible Doubly Robust Proximal Causal Inference for Censored Outcomes
Duke University（杜克大学）
针对未观测混杂下右删失时间-事件结局的因果效应估计难题，提出灵活双重鲁棒近端框架PSB，含两种学习器，在多基准研究中表现出良好性能与鲁棒性。
2026-10-16 cs.LG stat.ME stat.ML
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
Benchmarking Framework for Performance-Evaluation of Causal Inference Analysis
IBM Research - Haifa（IBM研究 - 海法）
因果推断分析是对行为对结果影响的估计。在医疗保健数据的背景下，这意味着估计反事实治疗（即包括未观察到的治疗）对患者结局的影响。与经典的机器学习方法相比，因果推断分析的评估和验证更具挑战性，因为在任何真实世界的场景中都无法获得反事实结果的基础事实数据。在这里，我们提出了一个全面的基准算法，估计因果关系的框架。该框架包括用于预测的未标记数据，用于验证的标记数据，以及使用已建立的和新的指标自动评估算法预测的代码。数据基于真实世界的协变量，治疗分配和结局基于模拟，这为验证提供了基础。在这个框架中，我们解决了两个问题：一个是缩放，另一个是数据审查。该框架可以在https://github.com/IBM-HRL-MLHLS/IBM-Causal-Inference-Benchmarking-Framework上以开放源代码的形式获得
2018-03-20 cs.LG 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
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
Optimizing cluster-based randomized experiments under a monotonicity assumption
当存在干扰且经典因果推断和试验设计假设（如SUTVA或ITR）不成立时，基于随机化的随机试验是用于减轻标准估计值偏倚的流行设计。在没有干扰结构的确切知识的情况下，理解实验单元的哪种划分对于最小化估计偏差是最佳的可能是具有挑战性的。在本文中，我们引入了一个单调性条件下，一个新的两阶段试验设计，使我们能够确定两个集群为基础的设计产生最少的有偏估计。然后，我们考虑在线广告拍卖的设置，并表明保留价实验验证了单调性条件和所提出的框架和方法适用。我们验证了我们的研究结果的广告拍卖数据集。
2018-03-07 stat.ME
Doubly robust estimation of causal effects for random object outcomes with continuous treatments
针对非欧几里得随机对象数据，提出基于Hilbert空间嵌入的双重去偏因果推断框架，处理连续变量并适应高维混杂因素，通过共形推断实现反事实预测，扩展了复杂数据因果推断方法。
2025-06-28 econ.EM math.ST stat.AP
Testing Monotonicity in a Finite Population
Stanford University（斯坦福大学）；Brown University（布朗大学）
本文从基于设计的视角探讨有限人口中单调性的检验问题，指出尽管形式上可识别，但实际学习能力受限。
2026-08-05 econ.EM math.ST 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
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
Estimation of causal effects of multiple treatments in healthcare database studies with rare outcomes
大型医疗数据库的优势为比较有效性研究提供了丰富的机会。做出知情治疗决定所需的证据通常依赖于比较多种治疗方案对少数个体中观察到的感兴趣结果的有效性。因果推断与多种治疗和罕见的结果是一个主题，已在文献中谨慎处理。本文设计了三组模拟，代表我们的医疗保健数据库研究的结构，并提出因果分析策略，这样的设置。我们调查和比较三种类型的方法及其变体的操作特性：贝叶斯加性回归树（BART），回归调整的多元样条广义倾向得分（RAMS）和治疗加权的逆概率（IPTW）与多项逻辑斯谛回归或广义提升模型。我们的研究结果表明，BART和RAMS提供较低的偏差和均方误差，广泛使用的IPTW方法提供不利的工作特性。我们使用一个案例研究来说明这些方法，评估机器人辅助手术、电视辅助胸腔镜手术和开胸手术治疗非小细胞肺癌的比较有效性。
2020-10-03 cs.CY stat.ME stat.ML
Causal Inference with Unstructured Outcomes
University of Michigan（密歇根大学）
本文针对非结构化结果提出因果查询，通过学习最大对比特征（MCF）解决传统平均处理效应不适用于非结构化结果的问题，经文本、图像实证验证算法可恢复处理改变的结果显著方面。
2026-08-05 cs.LG stat.ML
A Mathematical Framework for Topological Causal Data Analysis
Dell Technologies（戴尔科技）；Department of Data Analytics and Digitalisation, Maastricht University（马斯特里赫特大学数据分析与数字化系）
该研究提出拓扑因果数据分析（TCDA）框架，区分结果级与分布级TCDA，构建对应识别与表示方法，明确观测拓扑在因果发现中的作用，为结构化对象的因果分析提供数学基础。
2026-07-31 math.ST stat.ME stat.ML
Inverting estimating equations for causal inference on quantiles
针对因果推断多聚焦均值、分位数信息利用不足的问题，提出基于逆估计方程的统一框架，将均值因果推断方法推广至分位数，推导了有效影响函数与估计量渐近性质，可复用现有均值因果推断结论拓展分位数因果分析。
2024-08-14 math.ST stat.ME stat.ML
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
From controlled to undisciplined data: estimating causal effects in the era of data science using a potential outcome framework
本文讨论了因果推断的基本原则-统计学领域，估计特定事件，治疗，干预和暴露对实验和观察数据的给定结果的影响。我们解释了识别因果效应所需的关键假设，并强调了与使用观测数据相关的挑战。我们强调，实验思维是至关重要的因果推断。数据的质量（不一定是数量）、研究设计、假设的满足程度以及统计分析的严谨性使我们能够合理地推断因果效应。尽管我们提倡利用大数据和机器学习（ML）算法来估计因果效应，但它们不能替代深思熟虑的研究设计。概念通过例子来说明。
2020-12-12 stat.AP stat.ME
An introduction to Causal Modelling
本教程整合潜在结果与图方法介绍现代因果建模，涵盖反事实推理、因果效应测度、随机实验识别、逆概率加权及因果图等，为应用研究者提供简明实用的指导。
2025-06-26 math.ST stat.ME stat.ML
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 Inference on Outcomes Learned from Text
Graduate School of Business, Stanford University（斯坦福大学商学院）；Stanford University（斯坦福大学）
提出一种基于机器学习的工具，利用LLMs在随机试验中对文本进行因果推断，通过样本拆分和人工标注验证，揭示文本处理效应并确保推断有效性。
2025-03-02 cs.CL cs.LG econ.EM
Non-Existent Outcomes in Research on Inequality: A Causal Approach
针对社会分层研究中因删除非存在性结果导致因果效应被低估的问题，基于主分层方法研究处理对结果存在性及潜在亚组结果值的平均效应，并开发回归与模拟框架调整混杂因素，以父母身份对劳动力市场结果影响为例进行说明。
2025-08-20 stat.AP 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
A confounding bridge approach for double negative control inference on causal effects
本文提出一种利用阴性对照结局和阴性对照暴露构建混杂桥函数的方法，用于在未测量混杂下识别平均因果效应，并通过模拟和空气污染对死亡率影响的研究验证其有效性。
2024-09-06 stat.ME
Visual Analysis of Multi-outcome Causal Graphs
Institute of Medical Technology, Peking University Health Science Center（北京大学人民医院医学技术研究所）；National Institute of Health Data Science (NIHDS), Peking University（北京大学国家健康数据科学研究院）；Chalmers University of Technology（挑战大学）；NIHDS, Peking University（北京大学国家健康数据科学研究院）；Visualization Research Center (VISUS), University of Stuttgart（斯图加特大学可视化研究中心）；iDV x Lab, Tongji University（同济大学iDV x实验室）；National Institute of Traditional Chinese Medicine Constitution and Preventive Treatment of Diseases, Beijing University of Chinese Medicine（北京中医药大学国家中医体质与疾病预防治疗研究所）
本文提出多结果因果图的可视化方法，用于比较不同结果变量的因果图。通过与医学专家合作，设计了两种可视化技术，用于比较多种因果发现算法，并通过案例研究和用户测试验证方法有效性。
2026-04-30 cs.GR cs.HC cs.LG
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
Semiparametric principal stratification analysis beyond monotonicity
本文提出一种基于条件比值比敏感性参数的半参数主分层框架，突破单调性假设限制，并给出双重稳健和去偏机器学习估计方法，在重症监护试验中验证其有效性。
2025-09-18 stat.ME
Causal Inference With Outcome-Dependent Missingness And Self-Censoring
针对因果推断中结果自删失导致估计偏差、现有阴影变量法假设难验证的问题，提出基于随机激励变量的检验方法验证识别假设，证明以处理为阴影变量可识别因果效应并给出对应逆概率加权估计量，通过模拟验证了有效性。
2023-06-08 stat.ME
Learning Causally Predictable Outcomes from Psychiatric Longitudinal Data
Departments of Biomedical Informatics \& Psychiatry, University of Pittsburgh, Pittsburgh, Pennsylvania 15206, United States of America
提出 DEBIAS 算法，通过学习临床可解释的非负结局聚合权重并利用既往治疗的限时直接效应，提升精神科纵向数据中治疗效应的因果可识别性。
2025-07-25 cs.LG q-bio.QM stat.ML
On estimating causal controlled direct and mediator effects for count outcomes without assuming sequential ignorability
因果中介分析是社会和医学研究中的一种重要统计方法，因为它可以提供关于干预措施为何有效的见解，并为未来干预措施的发展提供信息。目前，大多数因果调解方法集中在平均尺度上定义的调解效果。然而，在健康风险研究中，如酒精或危险性行为，结果通常是计数数据和严重倾斜。因此，在这些设置中的中介效应在率比尺度上是自然的，例如在泊松和负二项回归方法中。现有的方法也主要依赖于假设没有不可测量的中介和结果之间的混杂。为了允许潜在的混杂因素之间的中介和结果，我们定义了一个新的规模上的直接和中介的影响，并提出了一个乘法结构平均模型的中介分析计数结果。估计量进行了比较，泊松和负二项回归方法，假设连续可扩展性使用模拟研究和现实世界的例子，酒精相关的干预研究。使用新方法的中介分析证实了研究假设，即干预通过减少个体对酒精使用的规范性认知来减少饮酒。
2016-01-25 stat.ME
Topological Causal Effects
Department of Statistics, Korea University（韩国大学统计系）
本文提出了一种基于拓扑结构的因果推断框架，通过持续图的加权轮廓函数估计治疗效应，并构建了检验无拓扑效应的正式检验。
2026-03-02 cs.LG stat.ME stat.ML
Causal Inference for Latent Outcomes Learned with Factor Models
研究高维观测数据下基于非负矩阵分解的潜在结果因果推断，提出缓解学习诱导干扰的算法并验证其有效性与实用性。
2025-06-26 stat.ME
