Frameworks for Estimating Causal Effects in Observational Settings: Comparing Confounder Adjustment and Instrumental Variables
本文提出在假设可能违背时比较混杂因素调整与工具变量估计的原则，并通过多奈哌齐治疗 MCI 的实例说明方法选择。
2023-04-28 stat.ME
Finite sample-optimal adjustment sets in linear Gaussian causal models
本文研究线性高斯因果模型中的有限样本协变量调整问题，提出 MSE-optimal adjustment set 及样本量与图形准则，证明其在小样本下可优于渐近最优调整集。
2025-06-15 math.ST stat.ME stat.TH
Efficient adjustment sets for population average treatment effect estimation in non-parametric causal graphical models
Universidad Torcuato Di Tella（托尔夸托·迪·特利亚大学）；CONICET（阿根廷国家科学与技术研究理事会）；Harvard T. H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
在观察性研究中，常采用协变量调整法估计群体平均治疗效应。从假定的因果图模型确定所有有效协变量调整集的图形规则是众所周知的。限制注意因果线性模型，最近的一篇文章推导出两个新的图形标准：一个是比较控制某些不同的调整集的线性回归治疗效果估计量的渐近方差，另一个是确定最佳调整集，该调整集产生最小二乘治疗效果估计量，在一致的调整最小二乘估计量中具有最小的渐近方差。在本文中，我们表明，相同的图形标准可以用于非参数因果图形模型时，治疗效果估计的对比，涉及非参数调整估计的干预手段。我们还提供了一个图形的标准来确定最佳调整集之间的最小调整集，这是有效的线性和非参数估计。我们提供了一个新的图形标准，比较不定常调整集，即，由协变量，调整为未来的治疗，本身受到早期治疗的影响。我们通过例子表明，一致最优的不定常调整集并不总是存在。此外，对于点干预，我们提供了一个健全的和完整的图形标准，用于确定当一个非参数的最佳调整估计的干预手段，或干预手段的对比度，是一样有效的，利用信息的条件独立编码的非参数因果图模型的相同参数的有效估计。
2019-12-16 cs.LG math.ST stat.ML
Finding and Listing Front-door Adjustment Sets
Purdue University（普渡大学）；Iowa State University（爱荷华州立大学）；Columbia University（哥伦比亚大学）
从数据中识别新干预措施的效果是一个重大挑战，在广泛的经验科学中发现。一个众所周知的战略，以确定这种影响是珍珠的前门（FD）标准（珍珠，1995年）。FD准则的定义是声明性的，只允许人们决定特定集合是否满足该准则。在本文中，我们提出的算法，发现和枚举可能的集合满足FD标准在一个给定的因果图。这些结果有助于促进FD准则在因果效应估计中的实际应用，并帮助科学家选择具有所需性质的被估量，例如，基于成本、测量的可行性或统计功效。
2022-10-14 cs.AI cs.LG stat.ME
Bias and high-dimensional adjustment in observational studies of peer effects
同伴效应是指一个人的行为受到同伴行为的影响，在社会科学中有多种理论。其他过程也可以产生在网络和群体中相关的行为，从而引发关于同伴效应的观察性（即非实验性）研究的可信度的争论。然而，确定同伴效应的随机现场实验通常是昂贵的或不可行的。因此，许多同伴效应的研究使用观察数据，和调整观察数据估计同伴效应的因果推断方法的先前评估缺乏一个实验的“金标准”进行比较。在这里，我们表明，在Facebook上的信息和媒体传播的背景下，使用倾向得分模型对非实验对照组（6.77亿次观察）进行高维调整，产生的同伴效应估计值在统计上与使用大型随机实验（2.2亿次观察）的结果没有区别。天真的观察估计夸大了320%的同伴效应和常用的变量（例如，人口统计学）几乎没有提供偏差减少，但调整与焦点行为密切相关的先前行为的测量，偏差减少了91%。针对超过3，700种过去行为进行调整的高维模型提供了额外的偏差减少，因此完整模型将偏差减少了97%以上。这项实验评估表明，详细记录个人过去的行为可以改善社会影响，信息传播和模仿的研究，这些结果是令人鼓舞的一些研究的可信度，但也对罕见或新的行为的研究提出了警告。更一般地说，这些结果显示了如何大，高维数据集和统计学习技术可以用来改善行为科学中的因果推断。
2017-06-14 cs.SI stat.AP stat.ME
Adjustment Criteria for Recovering Causal Effects from Missing Data
Iowa State University（爱荷华州立大学）
混淆偏差、缺失数据和选择偏差是数据科学中有效因果推理的三个常见障碍。协变量调整是从混杂偏倚中恢复因果效应的最普遍的技术。在本文中，我们引入了一个协变量调整公式，用于控制混杂偏倚的缺失非随机数据的存在，并开发了一个必要和充分条件，恢复因果效应使用调整。我们还介绍了一个调整配方控制混杂和选择偏差的缺失数据的存在，并制定了有效的调整的充分必要条件。此外，我们提出了一个算法，列出所有有效的调整集和算法，找到一个有效的调整集包含最小数量的变量，这是有用的研究人员有兴趣选择调整集所需的属性。
2019-09-15 cs.LG stat.ML
Efficient adjustment sets for time-dependent treatment effect estimation in nonparametric causal graphical model
本研究针对时间依赖处理场景下现有图形规则无法仅靠因果图识别最优调整集的问题，挖掘图中条件独立性拓展相关结果，可得到渐近方差更低的估计量，实现仅基于有向无环图的最优调整集识别。
2025-10-03 math.ST stat.TH
Knowledge-Informed Local Causal Discovery of Optimal Adjustment Sets
universite-paris-saclay（巴黎萨克雷大学）
针对局部因果发现难以在数据稀缺时识别有效调整集的问题，提出b-LOAD算法，将先验边约束融入局部结构学习，动态扩展发现边界，可扩大可识别因果查询集，提升因果效应估计。
2026-07-07 cs.LG stat.ML
Graphical Criteria for Efficient Total Effect Estimation via Adjustment in Causal Linear Models
协变量调整是总因果效应估计的一种常用方法。近年来，已开发出图形标准来识别所有有效的调整集，即所有可用于此目的的协变量集。不同的有效调整集通常提供不同精度的总效应估计。限制我们自己的因果线性模型，我们引入了一个图形的标准来比较的渐近方差提供某些有效的调整集。我们采用这个结果来开发两个进一步的图形工具。首先，我们介绍了一个简单的方差减少修剪过程中的任何给定的有效调整集。其次，我们给出了一个有效的调整集，提供所有有效的调整集之间的最佳渐近方差的图形特征。我们的结果只依赖于图形结构，而不是特定的误差方差或边缘系数的潜在因果线性模型。它们可以应用于有向无圈图（DAG）、完全部分有向无圈图（CPDAG）和最大定向部分有向无圈图（极大PDAG）。我们提出了模拟和一个真实的数据例子来支持我们的结果，并显示其实用性。
2020-12-12 math.ST stat.TH
Approximate Balancing Weights for Clustered Observational Study Designs
在群集观察性研究中，将治疗分配给各组，组内的所有单位均暴露于治疗。我们开发了一种新的方法，在聚类观察性研究中使用近似平衡权重进行统计调整，这是逆倾向得分权重的推广，它解决了一个凸优化问题，找到一组权重，直接最小化协变量不平衡的测量，并对权重的方差进行额外的惩罚。我们量身定制的近似平衡权重优化问题的两个调整集的均方误差为每种情况下得出的上界，并找到权重，最大限度地减少这个上界，协变量平衡的水平上的偏见。我们通过将绑定专门化到随机聚类水平效应模型来实现该过程，从而导致方差惩罚，该方差惩罚结合了信号信噪比并根据类内相关性不同地惩罚个体权重和组总权重。
2023-03-03 stat.ME
On efficient covariate adjustment selection in causal effect estimation
本文针对观测数据因果效应估计中的协变量调整选择问题，提出基于混合整数优化和因果约束的无图方法CMIO，在存在隐藏变量及缺乏因果充分性条件下实现有效且高效的协变量调整。
2023-05-26 stat.ME
A Graphical Approach to Treatment Effect Estimation with Observational Network Data
本文提出一种基于通用因果图和有效调整集的调整估计量，用于在存在网络干扰和观测混杂的单一网络观测数据中估计处理效应，并证明其一致性与渐近正态性，最后通过模拟和瑞士口罩政策实证验证其有效性。
2023-12-05 stat.ME
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
Empirically assessing the plausibility of unconfoundedness in observational studies
本文提出一种无需明确混杂结构假设的实证策略，通过检验调整集中与暴露相关的协变量子集与结局的条件关联，评估条件无混杂合理性，并用模拟和巴西出生队列数据验证。
2025-10-24 stat.ME
Which Covariates to Adjust for? Specification-robust Causal Inference in Observational Studies
Stanford University（斯坦福大学）
本文提出一种规范稳健方法，通过重新加权人口和诊断图实现稳健因果推断，提供更紧的置信区间并保持名义覆盖。
2026-10-20 econ.EM stat.ME
Prognostic Adjustment with Efficient Estimators to Unbiasedly Leverage Historical Data in Randomized Trials
本研究将预后协变量调整扩展到非参数高效估计量，利用历史数据提高随机试验小样本下的功效且无偏倚，并通过模拟和真实临床试验数据验证。
2023-11-15 stat.ME
On Efficient Adjustment for Micro Causal Effects in Summary Causal Graphs
INSERM（法国国家健康与医学研究院）
本文提出在总结因果图中更简单有效的调整方法，以识别更广泛的因果效应调整集，并优化因果效应估计的方差。
2025-12-23 cs.AI stat.ME
On the Validity of Covariate Adjustment for Estimating Causal Effects
Harvard School of Public Health（哈佛公共卫生学院）
从观察数据和因果假设中识别行为（治疗）对结果变量的影响是因果推断中的一个基本问题。由于存在可能与治疗和结局变量相关的混杂因素，这种识别变得困难。在理论和实践中，混杂因素通常通过调整协变量来处理，换句话说，考虑以治疗和协变量值为条件的结局，通过观察这些协变量值的概率进行加权。本文给出了协变量调整的一个完备的图形准则，我们称之为调整准则，并由此准则的完备性得到了一些有趣的推论。
2012-03-15 cs.AI stat.ME
Local Causal Discovery for Statistically Efficient Causal Inference
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（奈梅亨拉德堡德大学）；Saarland University（萨尔大学）
本文提出LOAD方法，结合局部方法的高效性与全局方法的统计最优性，实现高效准确的因果调整集发现。
2026-03-31 cs.AI cs.LG stat.ML
Efficient adjustment for complex covariates: Gaining efficiency with DOPE
University of Copenhagen（哥本哈根大学）
本文提出DOPE方法，通过调整协变量信息提升ATE估计效率，适用于高维和复杂数据。
2025-12-05 math.ST stat.ME stat.ML
Multiply Robust Causal Inference with Double Negative Control Adjustment for Categorical Unmeasured Confounding
在观察性研究中，不可测量的混杂因素对因果推断是一种威胁。近年来，使用阴性对照来减轻不可测量的混杂因素得到了越来越多的认可和普及。阴性对照在实验室科学和流行病学中具有排除非因果解释的悠久传统，尽管它们主要用于偏倚检测。最近，Miao等人（2018）描述了一对阴性对照暴露量和结局变量可用于从受非受控混杂影响的观察数据中非参数化识别平均处理效应（ATE）的充分条件。在本文中，我们建立了非参数识别的ATE在较弱的条件下的情况下，分类不可测的混杂和负控制变量。我们还提供了一个通用的半参数框架，用于获得有关ATE的推断，同时利用有关可能大量的测量协变量的信息。特别地，我们推导了非参数模型下的半参数有效界，并在非参数估计不可行的情况下，提出了多重稳健和局部有效估计。我们在广泛的模拟研究中评估我们的方法的有限样本性能。最后，我们说明了我们的方法与应用程序的postlicensure儿童疫苗的安全性监测。
2019-09-04 stat.ME
On efficient adjustment in causal graphs
我们考虑通过协变量调整从观察数据估计总的因果效应。理想情况下，调整集是根据给定的因果图选择的，反映了对潜在因果结构的了解。但是，有效的调整集不是唯一的。最近的研究介绍了一个图形标准的“最佳”有效调整集（O集）。对于一个给定的图，调整的O-集产生最小的渐近方差相比，其他调整集在某些参数和非参数模型。本文给出了O-集的三个新结果。首先，我们给出了一个新的，更直观的图形特征：我们证明了O-集是一个合适的潜在投影图，我们称之为禁止投影的结果节点（S）的父集。一个重要的属性是，禁止投影通过协变量调整保留了与总因果效应估计相关的所有信息，使其本身成为一个有用的方法工具。其次，我们扩展了现有的IDA算法使用O-集，并认为该算法仍然是半局部的。这在R包pcalg中实现。第三，我们提出的假设下，O-集可以被视为流行的非图形变量选择算法，如逐步向后选择的目标集。
2020-12-22 math.ST stat.TH
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
High Dimensional Causal Inference with Variational Backdoor Adjustment
UCLA（加州大学洛杉矶分校）
本文提出一种基于生成建模和变分推断的后门调整方法，用于高维治疗和混杂因素下的因果效应估计，并在半合成X射线医学数据等场景中验证了其有效性。
2023-10-09 cs.AI cs.LG stat.ML
Necessary and sufficient graphical conditions for optimal adjustment sets in causal graphical models with hidden variables
German Aerospace Center（德国航空航天中心）；Institute of Data Science（数据科学研究所）；Technische Universität Berlin（柏林工业大学）
本文针对含隐变量的因果图模型，提出以最大化调整信息刻画最优性，给出最优调整集存在且有效的必要充分图条件及构造算法，并证明其渐近方差最优，实验验证了其广泛适用性。
2023-06-23 cs.IT cs.LG math.IT
Local search for efficient causal effect estimation
从观测数据中估计因果关系是一个具有挑战性的问题，特别是在高维数据和存在未观测变量的情况下。现有的数据驱动的方法来解决这个问题，要么提供一个因果效应的边界估计（即非唯一估计）或具有低效率。在协变量空间巨大且考虑未观测变量的情况下，如何快速找到合适的混杂控制调整集是获得唯一无偏因果效应估计的主要障碍。在本文中，我们接近的问题作为一个本地搜索任务，找到有效的调整数据集。我们建立的定理，以支持调整集的局部搜索，我们表明，唯一的和无偏的估计可以从观测数据，即使存在未观测变量。然后，我们提出了一个数据驱动的算法，是快速和一致的温和的假设。我们还利用频繁模式挖掘方法，以进一步加快搜索因果效应估计的最小调整集。在广泛的合成数据集和真实数据集上进行的实验表明，该算法在准确性和时间效率方面都优于最先进的标准/估计器。
2022-07-22 stat.ME
Prioritizing Variables for Observational Study Design using the Joint Variable Importance Plot
提出联合变量重要性图，结合结果关联与标准化均值差及偏差曲线指导观察性研究的变量优先级排序，并为匹配和加权方法提供调参推荐值。
2024-02-15 stat.AP stat.ME
Leveraging specificity for causal inference in observational studies
本文提出一个正式定量框架，利用因果特异性假设在观察性研究中调整未测量混杂，适用于多治疗多结局的因果推断，并支持敏感性分析。
2025-06-23 stat.ME
On the statistical role of inexact matching in observational studies
在观察性因果推断中，精确协变量匹配起着两个统计作用：（i）它有效地控制了由于测量的混杂引起的偏倚;（ii）它证明了基于随机化检验的无干扰推断的合理性。本文表明，不精确的协变量匹配并不总是发挥这些相同的作用。我们发现，不精确的匹配往往会留下统计上有意义的偏见，这种偏见使标准的随机化测试渐近无效。因此，我们建议在不精确匹配后进行额外的基于模型的协变量调整。在局部误设定的框架下，我们证明了匹配使得随后的参数分析对模型选择或误设定不那么敏感。我们认为，获得这种鲁棒性是不精确匹配的主要统计作用。
2022-11-30 stat.ME
On the implied weights of linear regression for causal inference
观察性研究设计的一个基本原则是近似于在受控环境下进行的随机实验。目前，线性回归模型常用于分析观测数据和估计因果效应。观察性研究中的线性回归调整如何模拟随机化实验的关键特征，如协变量平衡、自加权抽样和研究代表性？在本文中，我们通过分析线性回归方法的隐含（个体水平数据）权重来回答这个问题和相关问题。我们推导出新的封闭形式的权重表达式，并在有限和渐近制度检查其属性。我们证明了一般回归问题的隐含权可以等价地通过求解一个凸优化问题得到。其中，我们研究了双重和多重稳健性回归估计的角度来看，其隐含的权重。这种等价性使我们能够从回归建模和因果推断文献中桥接思想。因此，我们提出了新的回归诊断的因果推断的一部分，设计阶段的观察性研究。作为特殊情况，我们分析了在常见的设置，如多值处理和匹配后的回归调整隐含的权重。我们在R的新lmw包中实现了权重和诊断。
2022-07-07 stat.ME
A Complete Generalized Adjustment Criterion
协变量调整是一种广泛使用的方法来估计总的因果关系的观察数据。近年来已经开发了几个图形标准，以确定有效的协变量调整图形因果模型。这些标准可以处理多个原因，潜在的混淆，或因果结构的部分知识;然而，它们的多样性是令人困惑的，其中一些只是足够的，但不是必要的。在本文中，我们提出了一个标准，是必要的和充分的四个不同类别的图形因果模型：有向无圈图（DAG），最大祖先图（MAG），完成部分有向无圈图（CPDAG），部分祖先图（PAG）。我们的标准包括现有的，并以这种方式统一调整集建设一个大的一组图类。
2015-07-06 math.ST stat.TH
Covariate adjustment in randomised trials: canonical link functions protect against model mis-specification
协变量调整有可能增加随机试验分析的功效，但调整模型的错误设定可能导致错误。我们探讨了在协变量在随机化治疗之间完全平衡的情况下，当调整模型忽略了随机化治疗相互作用的协变量时可能出现的错误。我们使用数学论证和对单个假设数据集的分析。我们表明，分析与典型的链接函数的广义线性模型导致零下没有错误-也就是说，如果处理效应是真正的调整后的模型下为零，那么它也是在未调整的模型下为零。然而，使用非规范的链接函数不会给出此属性，并在null下导致潜在的重要错误。即使在大样本中也存在误差，因此构成偏倚。我们的结论是随机试验的协变量调整分析应避免非典型联系。如果边际风险差异是估计的目标，则不应使用身份链接进行估计;替代的首选方法包括标准化和治疗加权的逆概率。
2021-07-15 stat.ME
Linear-Time Algorithms for Front-Door Adjustment in Causal Graphs
针对因果图中前门调整集合查找算法复杂度高的问题，本文提出了首个线性时间的前门集合查找、最小集合查找及枚举算法，达到渐近最优复杂度，并通过多语言实现和实验验证了可行性。
2024-01-26 cs.AI cs.DS cs.LG
Confounding caused by causal-effect covariability
混淆严重损害了我们从观测数据中了解因果关系的能力。混杂可以定义为两个变量之间由于来自共同来源的输入（混杂因素）而产生的统计关联。例如，如果$Z\rightarrow Y$和$Z\rightarrow X$，则$X$和$Y$在统计上是相关的，即使两者之间没有因果关系。有几种方法可用于调整混杂因素，即消除或减少由于混杂因素导致的两个变量之间的关联。常见的调整技术包括对混杂因素进行分层分析，并将混杂因素作为协变量纳入回归模型。大多数调整依赖于这样的假设，即混杂因素对不同变量的因果影响不存在协变。例如，如果$Z$对$X$的因果效应和$Z$对$Y$的因果效应在观察单位之间共变，则在对$Z$进行校正后仍存在混杂效应。这种因果关系的协变性及其后果是本文的主题。因果效应协变性首先解释使用结构因果模型的框架。使用这个框架，很容易表明，因果关系的协变性通常会导致混淆，不能调整的标准方法。来自数据的证据表明，由因果效应协变引入的混杂可能是应用工作中的一个真正问题。
2018-05-15 stat.ME
Doubly robust matching estimators for high dimensional confounding adjustment
根据观察数据有效估计处理效应需要适当控制混杂因素。如果协变量的数量相对于观测值的数量较大，则控制所有可用协变量是不可行的。在稀疏性条件成立的情况下，变量选择或惩罚可以以允许有效估计处理效应的方式降低协变量空间的维度。在这篇文章中，我们提出了估计的倾向得分和估计的预后分数匹配时，协变量的数量相对于观察的数量是大的。我们推导出的匹配估计的渐近结果，并表明它是双重强大的，在这个意义上，只有一个两个得分模型需要是正确的，以获得一个相合估计量。我们通过模拟显示其有效性，在控制混杂和突出其潜力，以解决非线性混杂。最后，我们应用所提出的程序，使用保险索赔数据分析性别对处方阿片类药物使用的影响。
2018-01-10 stat.ME
Partial Identification with Noisy Covariates: A Robust Optimization Approach
University of California, Berkeley（加州大学伯克利分校）；Columbia University（哥伦比亚大学）；University of Michigan（密歇根大学）
从观测数据集的因果推断通常依赖于测量和调整协变量。在实践中，协变量的测量值通常可能是有噪声和/或有偏差的，或者只有其代理变量的测量值可用。直接调整协变量的这些不完美测量可能导致有偏的因果估计。此外，在没有额外假设的情况下，由于这些测量中的噪声，因果效应是不可识别的。为此，我们在用户指定的噪音水平假设下，研究了给定噪音协变量的因果效应的部分识别。关键的观察是，我们可以制定的平均治疗效果（ATE）的识别作为一个强大的优化问题。这种配方导致一个有效的强大的优化算法，边界的ATE噪声协变量。我们表明，这种强大的优化方法可以扩展广泛的因果调整方法进行部分识别，包括后门调整，逆倾向得分加权，双机器学习，前门调整。在合成和真实数据集上，我们发现这种方法提供了比现有方法更高的覆盖概率的ATE边界。
2022-02-22 cs.LG 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
Causal Effect Estimation with Variational AutoEncoder and the Front Door Criterion
University of South Australia（南澳大学）；Hefei University of Technology（合肥工业大学）
针对未观测混杂与中介变量并存时的因果效应估计难题，提出 FDVAE，用变分自编码器学习前门调整集表征，并在合成与真实数据集上验证其优越性能。
2023-04-24 cs.LG stat.ME
COMPACT: Spectral Adjustment Scores from a Complete and Irreducible Causal Criterion
University of Pittsburgh（匹兹堡大学）
COMPACT算法通过完全不可约因果准则的谱调整分数，解决观测数据因果效应估计的变量选择问题，经模拟和真实数据验证，性能优于多种替代方法。
2026-08-12 stat.ME stat.ML
A bracketing relationship between difference-in-differences and lagged-dependent-variable adjustment
差异中的差异是一种广泛使用的评价策略，它从观察性面板数据中得出因果推断。其因果关系的识别依赖于平行趋势的假设，这是规模依赖性的，在某些应用中可能是有问题的。一种常见的替代方法是回归模型，它调整滞后因变量，这取决于过去结果的可验证性条件的假设。在线性模型的背景下，\citet{APbook}显示差异中的差异和滞后因变量回归估计具有括号关系。也就是说，对于一个真正的正效应，如果可重复性是正确的，那么错误地假设平行趋势将高估该效应;相反，如果平行趋势假设是正确的，那么错误地假设可重复性将低估该效应。我们发现，在一般的非参数（无模型）设置相同的括号关系。我们还将结果推广到基于逆概率加权的半参数估计。我们提供了三个例子来说明在\citet{ding2019bracketingData}复制文件的理论结果。
2019-06-22 stat.AP stat.ME
Recovery and inference of causal effects with sequential adjustment for confounding and attrition
University of Oslo（奥斯陆大学）；Norwegian Institute of Public Health（挪威公共卫生研究所）
本文提出SAC方法，通过序列回归调整混杂和流失因素，利用TMLE估计ATE，验证了其在不同图结构和模型设定下的有效性，应用实例显示药物治疗对ADHD患者学业成绩有小幅积极影响。
2025-03-24 stat.ME
Practically Effective Adjustment Variable Selection in Causal Inference
Sony Corporation of America（美国索尼公司）；Sony Computer Science Laboratories, Inc.（索尼计算机科学实验室股份公司）
本文针对有限数据下因果效应估计中调整变量选择问题，提出变量选择准则与防精度下降算法，并将其推广至CPDAG，通过定理和实验验证了方法的实用有效性。
2025-02-04 cs.AI cs.LG physics.data-an
Towards unique and unbiased causal effect estimation from data with hidden variables
University of South Australia（南澳大学）；Hefei University of Technology（合肥工业大学）
从观测数据中估计因果关系是一项重要但具有挑战性的任务。目前，只有有限数量的数据驱动的因果效应估计方法可用。这些方法要么仅提供治疗对结果的因果效应的约束估计，要么产生因果效应的唯一估计，但对数据进行强假设，效率较低。在本文中，我们确定了一个实际的问题设置，并提出了一种方法来实现唯一的和无偏估计的因果关系的数据与隐藏变量。对于这种方法，我们已经开发了定理，以支持发现适当的协变量集的混淆调整（调整集）。在此基础上，提出了两种从含有隐变量的数据中寻找适当的调整集以获得无偏唯一因果效应估计的算法。使用五个基准贝叶斯网络和四个真实世界的数据集生成的合成数据集的实验证明了所提出的算法的效率和有效性，表明所确定的问题设置的实用性和所提出的方法在现实世界中的应用潜力。
2020-11-07 cs.AI stat.ME
Target Aggregate Data Adjustment Method for Transportability Analysis Utilizing Summary-Level Data from the Target Population
针对现有可迁移性分析依赖个体数据且未充分考虑删失的问题，提出两阶段加权框架TADA，可利用目标汇总数据同时调整删失偏倚和效应修饰因子分布不平衡，提升数据有限场景下的分析适用性与临床可解释性。
2025-07-07 stat.ME
Causal query in observational data with hidden variables
University of South Australia（南澳大学）；Hefei University of Technology（合肥工业大学）
本文讨论了含隐变量观测数据的因果查询问题，目的是在给定一组影响被操纵变量和结果的可信混杂变量的情况下，寻找“操纵”变量时结果的变化。这样一个“数据实验”来估计操纵变量的因果效应，对于使用历史数据验证实验设计或在研究新关系时探索混杂因素是有用的。然而，现有的数据驱动的因果效应估计方法面临着一些主要的挑战，包括高维度数据的可扩展性差，由于全局因果结构学习算法使用的统计学而导致的估计精度低，以及当隐藏变量在数据中不可避免时因果充分性的假设。在本文中，我们开发了一个定理，使用本地搜索找到一个超集的调整（或混杂）变量的因果效应估计的观测数据下一个现实的预处理假设。该定理保证因果效应的无偏估计包含在由调整变量超集估计的因果效应集中。基于该定理，我们提出了一个数据驱动的因果查询算法。实验表明，该算法比现有的数据驱动的隐变量因果效应估计方法更快，产生更好的因果效应估计。所提出的算法估计的因果关系的影响是准确的，那些由国家的最先进的方法，使用领域知识。
2020-11-24 cs.AI cs.LG stat.ML
JOINTVIP: Prioritizing variables in observational study design with joint variable importance plot in R
针对观察性研究中变量多、重要性不均导致难以平衡的问题，提出R包jointVIP，通过量化可视化变量与处理及结局的关联，指导变量调整优先级以辅助因果效应估计。
2024-07-10 stat.CO stat.ME
Rerandomization and Regression Adjustment
随机化是治疗效应统计推断的基础，无需对结局生成过程进行强有力的假设。适当地使用协变量进一步产生更精确的估计随机实验。R. A. Fisher建议在设计阶段对离散协变量进行区组，或在分析阶段进行协方差分析（ANCOVA）。我们可以将区组嵌入到更广泛的一类称为重新随机化的试验设计中，并将经典的ANCOVA扩展到更一般的回归调整。在设计阶段，重新随机化胜过完全随机化，在分析阶段，回归调整胜过简单的均值差估计。然后，直观地使用重新随机化和回归调整。在随机化推理框架下，我们建立了一个统一的理论，允许设计者和分析者访问不同的协变量集。我们发现，渐近（a）对于任何给定的估计，无论有或没有回归调整，重新随机化从来没有伤害的抽样精度或估计精度，和（b）对于任何给定的设计，无论有或没有重新随机化，我们的回归调整估计从来没有伤害估计精度。因此，组合重新随机化和回归调整产生更好的覆盖特性，从而改善统计推断。为了从理论上量化这些陈述，我们讨论了最优回归调整估计的采样精度和估计精度，然后测量设计者和分析者的额外收益。最后，我们建议在设计中使用重新随机化，在分析中使用回归调整，然后使用Huber-White稳健标准误差。
2020-01-01 math.ST stat.ME stat.TH
Integrating Earth Observation Data into Causal Inference: Challenges and Opportunities
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Chalmers University of Technology（查尔姆斯理工大学）；Linköping University（林雪平大学）
观察性研究需要调整与治疗和结局相关的混杂因素。在观察到的变量是表格中的数量，如在一个街区的平均收入的设置，工具已经开发解决这种混淆。然而，在发展中世界的许多地方，有关当地社区的专题可能很少。在这方面，卫星图像可以发挥重要作用，作为否则无法观测到的混淆变量的代理。在本文中，我们研究了在这种非表格设置，在卫星图像中发现的模式或对象的混杂偏差的混杂调整。使用在非洲的反贫困援助计划的评估作为我们运行的例子，我们正式执行因果调整与这种非结构化的数据的挑战-什么条件是足以确定因果关系的影响，如何进行估计，以及如何量化的方式，其中某些方面的非结构化图像对象是最预测的治疗决策。通过模拟，我们还探讨了基于卫星图像的观测推断的灵敏度图像分辨率和误指定的图像相关的混淆。最后，我们将这些工具应用于从卫星图像中估计非洲社区反贫困干预措施的效果。
2023-01-30 cs.LG stat.AP stat.ML
Dimension-reduced outcome-weighted learning for estimating individualized treatment regimes in observational studies
本文提出了一种降维的基于结果加权学习的方法，用于在观察性研究中更准确地估计个体化治疗方案，通过降低协变量维度以提高模型性能和可解释性。
2026-01-11 cs.LG stat.ME stat.ML
High-dimensional confounding adjustment using continuous spike and slab priors
在观察性研究中，治疗对结果的因果效应的估计依赖于对混杂因素的适当调整。如果潜在混杂因素的数量（$p$）大于观察结果的数量（$n$），则直接控制所有潜在混杂因素是不可行的。现有的降维和惩罚方法一般是针对预测结果，不太适合因果效应的估计。在标准惩罚方法（例如Lasso）下，如果变量$X_j$与治疗$T$强相关，但与结局$Y$弱相关，则系数$β_j$将向零收缩，从而导致混杂偏倚。假设的线性模型的结果和稀疏性，我们提出了连续的尖峰和平板先验的回归系数$β_j$对应的潜在混杂因素$X_j$。具体地说，我们引入了一个先验分布，它不会严重收缩到零的系数（$β_j$）的$X_j$的强相关的$T$，但弱相关的$Y$。我们比较我们提出的方法，在文献中提出的几个国家的最先进的方法。我们提出的方法具有以下特点：1）它减少了在高维设置的混杂偏差; 2）它缩小到零系数的工具变量;和3）它实现了良好的覆盖率，即使在小样本量。我们将我们的方法应用于国家健康与营养调查（NHANES）数据，以估计持续性农药暴露对甘油三酯水平的因果影响。
2018-10-16 stat.ME
The covariate-adjusted residual estimator and its use in both randomized trials and observational settings
我们经常试图在随机和观察环境中估计暴露对特定结果的因果影响。其中一种估计方法是协变量调整残差估计，它是为单独或集群随机试验设计的。在这篇手稿中，我们研究了这个估计的性质，并开发了一个新的估计，利用协变量调整和逆概率加权我们支持我们的理论结果与模拟研究和应用在传染病设置。协变量调整残差估计量是随机试验中平均处理效应的有效无偏估计量;但是，不能保证在观察性研究中无偏。我们的新估计，协变量调整残差估计与逆概率加权，是无偏的随机和观察设置下，一组合理的假设。此外，当这些假设成立时，它在观察性研究中提供了比逆概率加权更高的效率。协变量调整残差估计量在随机试验中有效，但不应用于观察性研究。具有逆概率加权的协变量调整残差估计量为随机化和观察性设置提供了一种有效的替代方法。
2019-10-24 stat.AP stat.ME
Choosing the Right Approach at the Right Time: A Comparative Analysis of Causal Effect Estimation using Confounder Adjustment and Instrumental Variables
本文在多种假设违背情形下解析比较了基于OLS的混杂调整与基于2SLS的工具变量方法在估计平均因果效应时的不一致性，并提出敏感性框架和实用准则，通过模拟及Card教育收益案例验证其指导价值。
2024-11-23 stat.ME
Comparing the Performance of Statistical Adjustment Methods By Recovering the Experimental Benchmark from the REFLUX Trial
比较有效性研究中的许多证据都是基于观察性研究。进行观察性研究的研究人员通常假设治疗组和对照组之间不存在不可观察到的差异。在对观察到的处理组和对照组之间的差异进行调整后，估计处理效应。然而，由于模型误设，处理效应估计值可能存在偏倚。也就是说，如果处理效应估计方法施加了过度强的函数形式假设，则处理效应估计值可能存在显著偏倚。在这项研究中，我们比较了各种各样的处理效应估计方法的性能。我们在英国REFLUX研究的背景下这样做。在REFLUX中，在研究合格后，参与者被纳入随机试验组或患者偏好组。在随机试验中，患者被随机分配到手术或医疗管理组。在患者偏好组中，参与者选择手术或医疗管理。我们尝试使用本研究患者偏好组的数据恢复随机试验组的处理效应估计值。我们改变处理效应评估的方法，并记录哪些方法是成功的，哪些是不成功的。我们应用了20多种不同的方法，包括标准回归模型以及先进的机器学习方法。我们发现，简单的倾向得分匹配方法执行最差。我们还发现不同方法的性能存在显著差异。性能的广泛变化表明分析师应该使用多种估计方法作为稳健性检查。
2020-01-22 stat.AP
Outcome-Informed Weighting for Robust ATE Estimation
针对高维场景下重叠不足削弱IPW类估计量稳健性的问题，提出结果信息加权的AMR估计量与无需强先验的事后校准框架，在多场景实验中验证了其效率与稳健性优势。
2025-03-20 stat.ME
