Eliminating confounder-induced bias in the statistics of intervention
提出一种方法，在尽可能保留原始研究依赖关系的同时消除观测混杂因素与独立变量的关联，从而在假设情景中重新估计干预效应量，为未来研究设计提供依据。
2023-11-30 stat.AP stat.ME
Nonparametric estimators of interventional (transported) direct and indirect effects that accommodate multiple mediators and multiple intermediate confounders
中介分析因其能够提高对因果效应的机械驱动因素的理解而具有吸引力，但现实世界的数据复杂性对其成功实施提出了挑战，包括：1）存在也影响中介和结果的暴露后变量（因此，混淆了中介-结果关系），也可能是2）多变量，以及3）存在多变量中介。干预性直接和间接效应（IDE/IIE）包含混淆中介-结局关系的暴露后变量，但目前，不存在IDE/IIE的估计器，该估计器允许多变量中介和多变量暴露后中间混淆因素。这再次代表了现实世界分析的重大限制。我们通过扩展两个最近开发的非参数估计来解决这一差距-一个估计IDE/IIE，另一个估计IDE/IIE传输到一个新的目标人群-同时允许多变量介质和多变量中间混杂因素。我们使用模拟来检查有限样本的性能，并将这些估计量应用于移动到机会试验的纵向数据。在应用程序中，我们走过一个策略，将间接效应分离成中介或中介组特定的间接效应，同时适当地考虑其他可能共同发生的中间变量。
2022-12-15 stat.ME
Efficient and flexible causal mediation with time-varying mediators, treatments, and confounders
干预效应已被提出作为一种解决方案，自然（不）直接影响下的中介结果混杂影响的曝光。这种混杂因素是具有时变暴露和介质的研究的固有特征，但将干预效应框架推广到时变情况在文献中很少受到关注。我们提出了一个一般的纵向数据结构，允许灵活性的规范治疗结果，治疗中介，中介结果关系的干预效果的识别结果。在标准的无未测量混杂因素和阳性假设下实现识别。我们还提出了一个理论和计算研究的识别功能的有效影响函数（EIF）的基础上的属性。我们使用EIF提出了一个序贯回归估计算法，产生双重强大的，$\sqrt{n}$一致的，渐近高斯，和有效的估计下使用的回归算法收敛速度慢。这允许使用灵活的机器学习进行回归，同时允许通过置信区间和p值进行不确定性量化。GitHub上提供了一个实现我们提出的估计器的免费开源\texttt{R}包。我们将所提出的估计量应用于两种药物治疗阿片类药物使用障碍的比较有效性试验。在应用中，我们估计了两种治疗方法对阿片类药物使用后续风险的差异在多大程度上是由渴望症状介导的。
2022-03-28 stat.ME
Non-parametric efficient causal mediation with intermediate confounders
中介分析的干预效应被提出作为一种解决方案，在存在受暴露影响的中介-结果混杂因素的情况下，自然（非）直接效应缺乏可识别性。本文对非参数统计模型中基于有效影响函数（EIF）的干预（非）直接效应估计量的性质进行了理论和计算研究。我们使用EIF开发两个渐近最优的，非参数估计，利用数据自适应回归估计的滋扰参数：一步估计和有针对性的最小损失估计。GitHub上提供了一个实现我们提出的估计器的免费开源\texttt{R}包。我们进一步提出的结果，建立这些估计是一致的，乘强大的，$n^{1/2}$一致和有效的条件下。我们说明了有限样本的估计性能，并证实了我们的理论结果在模拟研究。我们还展示了使用的估计在我们的激励应用程序，以阐明背后的机制，无意中的有害影响，住房干预对青春期女孩的风险行为。
2020-05-29 stat.ME
Partial Identification of Dose Responses with Hidden Confounders
USC Information Sciences Institute（南加州大学信息科学研究所）；USC Stevens Neuroimaging and Informatics Institute（南加州大学史蒂文斯神经影像与信息学研究所）；University of Oxford（牛津大学）
针对连续取值处理的因果效应因隐藏混杂无法点识别的问题，提出新的边界估计方法，半合成基准测试显示其覆盖更紧密，并通过真实案例验证了价值。
2023-06-12 cs.LG stat.ME stat.ML
Stochastic Sensitivity Analysis for Matched Observational Studies
Department of Statistics University of Michigan（密歇根大学统计系）
针对匹配观察性研究，提出一种随机敏感性分析方法，通过将未测量混杂因素视为随机变量并寻找最坏条件分布，在允许隐藏偏差与潜在结果不完全对齐的情况下评估研究对未测量混杂的稳健性。
2026-06-04 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
Comparative Study of Causal Discovery Methods for Cyclic Models with Hidden Confounders
Technische Universität Berlin（柏林工业大学）
针对现有多数因果发现算法无法适配含循环与隐混淆因子系统的问题，本文对两种LLC方法和两种基于ASP的算法开展多干预、多数据集规模的对比实验，明确各方法的优劣。
2024-12-08 cs.LG stat.ME stat.ML
On relation between separable indirect effect, natural indirect effect, and interventional indirect effect
本文系统比较可分离间接效应、自然间接效应与干预间接效应的因果假设与中介解释可行性，证明SIE在无额外假设或存在中间混杂因素时存在局限，而NIE仍满足中介零准则，并给出新的识别结果与整合分析框架，强调NIE是间接效应最根本的定义。
2025-07-05 stat.ME
Causal Inference using Gaussian Processes with Structured Latent Confounders
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）；Massachusetts Institute of Technology（麻省理工学院）
潜在混杂因素-影响治疗和结果的未观察到的变量-可以使因果效应的估计产生偏差。在某些情况下，这些混杂因素在观察中是共享的，例如，除了他们单独接受的任何教育干预外，所有参加课程的学生都受到课程难度的影响。本文介绍了如何半参数模型的潜在混杂因素，具有这种结构，从而提高因果效应的估计。关键的创新是一个分层贝叶斯模型，高斯过程与结构化的潜在混杂因素（GP-SLC），和一个蒙特卡罗推理算法，该模型的基础上，椭圆切片采样。GP-SLC提供了个体处理效应的原则性贝叶斯不确定性估计，对与混杂因素、协变量、治疗和结局相关的函数形式进行了最小假设。最后，本文表明，GP-SLC是竞争力或更准确的比广泛使用的因果推断技术的三个基准数据集，包括婴儿健康与发展计划和数据集显示的影响，不断变化的温度对全州的能源消耗在新英格兰。
2020-07-14 cs.LG stat.ME stat.ML
Counterfactual Evaluation of Treatment Assignment Functions with Networked Observational Data
Arizona State University（亚利桑那州立大学）；University of Virginia（弗吉尼亚大学）
新治疗分配函数的反事实评估（例如，广告算法和推荐系统）对于从业者来说是最关键的因果推理问题之一。传统上，进行随机对照试验（A/B检验）来评估治疗分配函数。然而，这种试验可能是耗时的，昂贵的，甚至在某些情况下是不道德的。因此，治疗分配函数的离线反事实评估成为一个紧迫的问题，因为在当今的大数据时代，有大量的观察数据可用。反事实评估需要处理隐藏的混杂因素--无法测量的特征，这些特征会对治疗分配和结果产生因果影响。为了处理隐藏混杂因素，大多数现有方法依赖于没有隐藏混杂因素的假设。然而，在大量观测数据的背景下，这种假设可能是站不住脚的。当这些数据与网络信息一起出现时，后者可能有助于纠正隐藏的混淆偏见。因此，我们首先制定了一个新的问题，与网络观察数据的治疗分配函数的反事实评估。然后，我们探讨了以下研究问题：我们如何利用网络信息在反事实评价？网络信息能改善反事实评估中的估计吗？为了回答这些问题，首先，我们提出了一个新的框架，\emph{Counterfactual Network Evaluator}（CONE），它（1）在观察到的治疗和结果的监督下学习潜在混杂因素的部分表示;（2）将它们结合起来进行反事实评估。然后通过大量的实验，我们证实了CONE的有效性。结果表明，将网络信息减轻隐藏的混淆偏见，在反事实评价。
2019-12-22 cs.LG stat.ME stat.ML
Differentiable Cyclic Causal Discovery Under Unmeasured Confounders
School of Electrical & Computer Engineering（电气与计算机工程学院）；Georgia Institute of Technology（佐治亚理工学院）
DCCD-CONF提出了一种可微分学习非线性循环因果图的新框架，以应对未测量混杂因素，通过干预数据优化图结构和混杂分布，提升因果图恢复和混杂识别性能。
2026-01-23 cs.LG stat.ME stat.ML
Multiple Causes: A Causal Graphical View
Columbia University（哥伦比亚大学）
未观察到的混杂是从观察数据进行因果推断的主要障碍。混杂因素-影响原因和结果的变量-在两者之间引起虚假的非因果关系。Wang & Blei（2018）用“多种原因的祝福”降低了这一障碍，其中多种原因的相关性结构为未观察到的混淆提供了间接证据。他们通过一种称为“去混淆”的算法来利用这些优势，该算法使用概率因子模型来校正混淆因素。在本文中，我们采取了因果图的观点的deconfounder。在一个编码共享混杂的图中，我们展示了原因的多样性如何帮助识别干预分布。然后，我们证明了deconfounder，表明它使干预的有效推论。最后，我们扩大类的图，它的理论，包括其他混杂因素和选择变量。我们的研究结果扩展了Wang & Blei（2018）的理论，证明了因果图的解方器，并扩展了可以使用它的设置。
2019-05-30 cs.LG stat.ME stat.ML
A review and evaluation of standard methods to handle missing data on time-varying confounders in marginal structural models
边际结构模型（MSM）通常用于估计纵向非随机研究中的因果干预效应。分析观察性研究数据时的一个常见问题是存在不完整的混杂数据，如果在统计分析中处理不当，可能导致干预效应估计值出现偏倚。然而，目前没有关于如何在实践中遇到的各种缺失机制下解决MSM协变量的缺失数据的建议。我们回顾了现有的方法来处理缺失数据在MSM和进行了模拟研究，以比较完整的情况下（CC）分析，最后一次观察结转（LOCF），缺失模式的方法（MPA），多重插补（MI）和缺失的逆概率加权（IPMW）的性能。我们考虑了使用电子健康记录数据的观察性研究中常见的非单调缺失数据的三种机制。而CC分析导致偏见的估计干预效果在几乎所有的情况下，其他方法的性能不同的场景。LOCF方法仅在特定的非随机机制下得出无偏估计，其中混杂值自上次测量以来保持不变时缺失。在这种情况下，MI、MPA和IPMW存在偏倚。在给定协变量或治疗的情况下，当数据随机随机缺失时，MI和IPMW导致无偏效应的估计，但当结局是缺失的预测因子时，只有MI是无偏的。此外，IPMW通常导致非常大的标准误。最后，无论缺失机制如何，只有当在给定时间点未能记录混杂因素改变了部分观察到的协变量与结局之间的后续关系时，MPA才导致无偏估计。
2019-11-28 stat.AP stat.ME
High-Dimensional Inference for Generalized Linear Models with Hidden Confounding
针对高维广义线性回归中隐藏混杂因素导致标准去偏方法失效的问题，提出通过调整未测量混杂因素影响的去偏方法，证明其一致性与渐近正态性，并通过数值研究与遗传数据应用验证了有效性。
2023-09-11 stat.ME
Proximal Mediation Analysis with Unmeasured Treatment-Induced Confounding
Center for Applied Statistics and School of Statistics, Renmin University of China（中国人民大学统计学院与应用统计中心）；Department of Biostatistics & Medical Informatics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校生物统计与医学信息学系）
研究解决治疗引起的混杂因素问题，用观测变量作未测量混杂因素的代理，建立近端识别结果并开发估计器，通过模拟和实际数据应用说明该方法。
2026-07-07 stat.ME
Identification of Average Causal Effects in Confounded Additive Noise Models
针对存在未观测高斯混杂因子的加性噪声模型，提出估计任意处理子集平均因果效应的方法与随机化算法，仅需多对数级别干预即可高概率识别因果效应与结构，有限样本与半合成数据验证了其有效性。
2024-07-13 stat.ME stat.ML
Discovery and inference of a causal network with hidden confounding
本文提出 GrIVET 方法，在存在隐藏混杂的高斯有向无环图中进行因果发现与推断，结合顺序发现、工具变量估计和似然比检验，并在阿尔茨海默病基因表达数据上验证了其有效性。
2023-09-18 stat.ME
Confounder Detection via Treatment Intent: A New Observational Study Design
UCLA（加州大学洛杉矶分校）；ETH Zurich（苏黎世联邦理工学院）；Columbia University（哥伦比亚大学）
提出一种通过询问治疗决策者比较配对单元来揭示未观测混杂因素的新研究设计，并在ICU数据中验证其有效性。
2026-05-26 cs.AI cs.LG stat.ME
Treatment-Aware Hyperbolic Representation Learning for Causal Effect Estimation with Social Networks
City University of Hong Kong（香港城市大学）；Tencent（腾讯）
本文提出TAHyper方法，利用双曲空间编码社交网络并设计处理感知关系识别模块，以降低无标度网络嵌入失真并增强隐藏混淆因素表示，从而提升个体处理效应估计性能。
2024-01-12 cs.AI cs.LG cs.SI
Causal Inference in Educational Systems: A Graphical Modeling Approach
University of California, Los Angeles（加州大学洛杉矶分校）
传统上，教育系统的评估使用横断面研究，即检查前测，后测和单一干预。虽然这是一种流行的方法，但它并没有对有价值的信息进行建模，例如混淆变量，对学生的反馈以及研究与理想条件的其他现实偏差。此外，学习本质上是一个连续的过程，应该包括一系列的干预措施。在本文中，我们提出了教育系统的各种实验设计和准试验设计，并使用图形模型和有向无环图（DAG）语言对其进行量化。我们讨论了每种方法在教育中的应用和局限性。此外，我们建议将教育系统建模为随时间变化的治疗，混杂因素和随时间变化的治疗混杂因素反馈。我们表明，如果我们控制了一组足够的混杂因素，并使用适当的推理技术，如治疗加权的逆概率（IPTW）或g公式，我们可以关闭后门路径，并得出无偏的因果估计的联合干预的结果。最后，我们比较了g公式和IPTW的性能，并讨论了使用每种方法的优点和缺点。
2021-08-02 cs.LG stat.AP stat.ME
Time Series Causal Link Estimation under Hidden Confounding using Knockoff Interventions
Friedrich Schiller University Jena（耶拿弗里德里希·席勒大学）
潜变量往往掩盖了观测数据中的因果关系，这会引起可能被误解为因果关系的虚假联系。这个问题在气候科学和经济学等领域引起了极大的兴趣。我们建议估计混淆因果关系的时间序列使用顺序因果效应变分自编码器（SCEVAE），同时应用敲除干预。剔除变量与原始变量具有相同的分布，并保持与其他变量的相关性。这允许反事实更忠实于观测分布。我们通过将SCEVAE应用于具有线性和非线性因果联系的合成数据集，展示了敲除干预的优势。此外，我们应用SCEVAE与敲除真实的气溶胶云气候观测时间序列数据。我们比较了我们的结果合成数据的时间序列去干扰方法，估计和没有混淆。我们通过将这两种方法与地面实况进行比较，表明我们的方法优于此基准。对于真实的数据分析，我们依赖于专家知识的因果联系，并演示如何使用合适的代理变量，提高了因果关系的估计存在隐藏的混杂因素。
2022-11-18 cs.LG stat.ME
Nonparametric causal mediation analysis for stochastic interventional (in)direct effects
历史上，因果中介分析在两个重要方面受到限制：（i）传统上关注二元治疗和静态干预，（ii）直接和间接效应分解仅在不存在受治疗影响的中间混杂因素的情况下才可识别。我们提出了一个理论研究的（中）直接效应分解的人口干预效果，定义为随机干预联合应用于治疗和介质。与现有的建议相反，我们的因果效应可以进行评估，无论治疗是分类的还是连续的，即使在存在受治疗影响的中间混杂因素的情况下，因果效应也可以得到很好的定义。我们的（非）直接效应是可识别的，而无需对跨世界反事实独立性进行限制性假设，从而可以在随机对照试验中验证从中得出的实质性结论。除了新的影响介绍，我们提供了一个仔细的研究非参数效率理论相关的建设灵活的，多个强大的估计我们的（在）直接影响，同时避免不适当的限制所引起的假设参数模型的滋扰参数泛函。为了补充我们的非参数估计策略，我们引入了推理技术，用于构建置信区间和假设检验，并讨论了开源软件实现所提出的方法。
2022-01-11 math.ST stat.ME stat.TH
Bayesian inference on average treatment effects in the PreventS trial data in the presence of unmeasured confounding
The University of Auckland（奥克兰大学）
本文提出了一种因果框架和贝叶斯建模方法，用于在存在未测量混杂因素、非依从性和缺失数据的情况下估计多值暴露对结果的平均效应，并探讨了未测量混杂因素的估计方法及模型不可识别性问题。
2023-02-28 stat.AP stat.ME
Quantifying Error in the Presence of Confounders for Causal Inference
Microsoft Research India（微软印度研究院）
估计平均因果效应（ACE）是有用的，每当我们想知道干预措施对给定结果的影响。在缺乏随机实验的情况下，许多方法，如分层和反向倾向加权已被提出来估计ACE。然而，很难知道哪种方法对于给定的数据集是最佳的，或者对于所选择的方法使用哪些超参数。为此，我们提供了一个框架来表征损失的因果推理方法对真正的ACE，框架因果推理作为一个表示学习的问题。我们表明，许多流行的方法，包括后门方法，可以被认为是加权或表示学习算法，并提供一般的误差界的因果估计。此外，我们考虑的情况下，未观察到的变量可以混淆的因果估计和扩展建议的界限，使用鲁棒统计的原则，考虑混杂的Huber污染模型下的污染。这些界限也是可估计的，作为一个例子，我们提供了经验的逆倾向加权（IPW）估计的界限，并显示如何使用的界限可以用来优化阈值的裁剪极端倾向得分。我们的工作提供了一种新的方式来推理竞争估计，并开辟了潜在的衍生新方法，最大限度地减少建议的误差范围。
2019-07-10 cs.LG stat.ME stat.ML
On the estimation and interpretation of effect size metrics
本研究利用组合学与信息论新方法评估传统效应量估计方法，发现逻辑回归无法恢复结构对称性，而Mantel-Haenszel估计器难以区分三方与双向效应，影响因果推断的准确性。
2024-02-06 stat.AP stat.ME
Proximal Balancing for Causal Effect Estimation under Unmeasured Confounding
针对未测量混杂下的因果效应估计，提出近端平衡方法，通过学习协变量和代理的低维摘要实现组间可比，无需逆问题或潜模型，并提供理论保证与PROBE算法。
2026-10-22 cs.LG stat.ME stat.ML
Model-Robust Direct Effect Under Confounder-Mediator Ambiguity
Boston University（波士顿大学）
本文探讨了在混杂-中介模糊性下直接效应分析的挑战，提出了一种模型鲁棒的估计量，能够在不同因果场景下保持因果解释性，并通过模拟和实际数据验证了其有效性。
2026-04-10 stat.ME
Causal Decomposition Analysis with Synergistic Interventions: A Triply-Robust Machine Learning Approach to Addressing Multiple Dimensions of Social Disparities
本文提出一种扩展的因果分解分析方法，通过同时处理多个因果有序干预因素，评估其协同效应，以解决多维度社会不平等问题。
2026-04-16 stat.ME stat.ML
The DeCAMFounder: Non-Linear Causal Discovery in the Presence of Hidden Variables
针对存在隐变量时的非线性因果发现问题，本文提出DeCAMFounder方法，通过对观测数据矩阵进行谱分解估计混杂变异，推导出DAG评分函数，证明了恢复DAG排序的一致性，并在模拟与真实数据上取得更优表现。
2023-06-25 stat.ME
Addressing Confounding by Indication Through (Un)Measured Centre Characteristics in Learn-As-you-GO(LAGO) Trials
Boston University（波士顿大学）；University of Washington（华盛顿大学）；Yale University（耶鲁大学）；Duke University（杜克大学）
本文提出通过引入固定中心效应来控制指示偏倚，统一了连续和二元结果类型的LAGO理论，并提供了统计检验和优化方法。
2026-07-29 math.ST stat.ME stat.TH
A Spectral Confounder Adjustment for Spatial Regression with Multiple Exposures and Outcomes
North Carolina State University（北卡罗来纳州立大学）；Colorado State University（科罗拉多州立大学）；US EPA, Center for Public Health and Environmental Assessment（美国环境保护署，公共健康与环境评估中心）
该研究针对多暴露多结局空间回归的混杂问题，提出张量回归模型，以局部无混杂假设替代严格因果假设，分析美国南部数据揭示经济韧性对慢性健康结局的效应，提供可解释的流行病学见解。
2026-09-01 stat.ME
Causal Dantzig: fast inference in linear structural equation models with hidden variables under additive interventions
当只有观测数据可用时，因果推断是非常具有挑战性的。随机化实验通常是昂贵和不切实际的，在工具变量回归中，工具的数量必须超过因果预测因子的数量。最近Peters等人[2016]表明，当来自不同观测环境的数据可用时，完整模型的因果推断是可能的，利用响应变量的条件分布在正确的因果模型下是不变的。这种方法的两个缺点是大规模数据的高计算量和假设没有隐藏的混杂因素。在这里，我们表明，这两个缺点可以得到解决，如果一个人愿意作出更严格的假设类型的干预，产生不同的环境。因此，我们来看看一个不同的不变性概念，即内积不变性。通过避免Peters等人[2016]中计算繁琐的逆向工程方法，它允许在线性结构方程模型中进行大规模因果推断。我们讨论了因果参数的可识别性条件，并在低维环境中推导出渐近置信区间。在不可识别的情况下，我们证明了因果Dantzig的解集在某些干预下具有预测保证。我们推导出有限样本的界限，在高维设置和模拟数据集上研究其性能。
2018-06-15 stat.ME
Detecting hidden confounding in observational data using multiple environments
Delft University of Technology（代尔夫特理工大学）
该研究针对单数据集无法验证无隐藏混杂假设的问题，基于独立因果机制假设提出多环境下的隐藏混杂检测理论与检验流程，实验表明其多数情况下能准确检测，混杂偏差大时效果尤佳。
2023-11-03 cs.LG stat.ME stat.ML
Disentangled Representation for Causal Mediation Analysis
University of South Australia（南澳大利亚大学）；Guangxi Normal University（广西师范大学）；Simon Fraser University（西蒙菲莎大学）
本文提出 DMAVAE，通过将潜在混杂因素解耦为三类并采用逐段去混杂假设，替代序列可忽略性，以准确估计因果中介的自然直接、间接和总效应。
2023-12-16 cs.LG stat.ME
Causal mediation analysis for stochastic interventions
传统上，因果推断中的中介分析主要关注二元暴露和确定性干预，以及直接和间接效应方面的平均处理效应分解。在本文中，我们提出了一个类似的分解的\textit{population intervention effect}，定义通过随机干预的曝光。人口干预效应提供了一个广义的框架，其中可以定义各种有趣的因果对比，包括连续和分类暴露的影响。我们发现，在没有受暴露影响的中介-结果混杂因素的假设下，识别群体干预效应的直接和间接效应需要比其对应的平均处理效应更弱的假设。特别是，在随机化暴露和介质的实验中，直接影响的识别是有保证的。我们讨论各种估计的直接和间接的影响，包括替代，重新加权，和有效的估计的基础上灵活的回归技术，允许多变量介质。我们的有效估计是渐近线性的条件下，要求$n^{1/4}$ -某些回归函数的一致性。我们进行了模拟研究，我们评估我们提出的估计的有限样本属性。我们提出了一项说明性研究的结果，在该研究中，我们评估了参加运动队对儿童BMI的影响，使用了运动习惯、每日零食摄入量和超重状况等中介因素。
2019-06-24 stat.ME
Simulation-Based Sensitivity Analysis in Optimal Treatment Regimes and Causal Decomposition with Individualized Interventions
University of California, Riverside（加州大学河滨分校）；University of Central Florida（中佛罗里达大学）
针对最优治疗方案中二元风险因素的遗漏混杂问题，提出基于仿真的敏感性分析方法和正式边界策略，以量化未测量混杂因素强度并校正个体化效应估计偏差。
2025-09-12 cs.LG stat.ME stat.ML
The Multiplicative Quasi-Instrumental Variable Model
University of Pennsylvania（宾夕法尼亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, Irvine（加州大学尔湾分校）
本文提出乘法准工具变量模型，用于处理未测量混杂因素的因果推断，允许准工具变量对结果有直接效应，不通过处理变量，从而违反标准IV排除限制，并通过修改的Wald比估计量进行识别。
2026-05-11 stat.ME
Beyond Additivity: Causal Discovery in Location-Scale Noise Models with Hidden Variables
RIKEN AIP（理化学研究所Advanced Institute for Science Technology）；University of Bergen（卑尔根大学）；The University of Osaka（大阪大学）；Shiga University（滋贺大学）
针对含隐变量且数据生成过程遵循位置-尺度噪声模型（LSNM）的因果发现，证明满足无弓条件的非循环有向混合图（ADMG）可识别，并提出两阶段算法LSNM-UV，在异方差数据上优于可加性基线。
2026-06-06 cs.AI cs.LG stat.ME
Peer Effect Estimation in the Presence of Simultaneous Feedback and Unobserved Confounders
针对复杂网络中同时反馈与未观测混淆因素导致同伴效应估计不准的问题，提出深度学习框架DIG2RSI，结合I-G转换与2SRI技术消除偏差，实现真实同伴效应的渐近一致估计。
2025-08-05 cs.AI cs.LG stat.ME
FoundCause: Causal Discovery with Latent Confounders from Observational Data
Amazon Web Services（亚马逊云服务）；Department of Statistics, University of California, Davis（加州大学戴维斯分校统计系）
提出FoundCause，一种基于合成数据训练的摊销因果发现模型，通过单次前向传递直接映射数据集到因果图，显式建模隐混淆因子，在15个真实数据集上优于11种非摊销和4种摊销方法。
2026-06-17 cs.AI cs.LG 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
Robust and Flexible Estimation of Stochastic Mediation Effects: A Proposed Method and Example in a Randomized Trial Setting
因果中介分析可以提高对流行病学关联机制的理解。然而，自然的直接和间接效应估计的效用受到了限制的假设，没有混杂因素的中介结果的关系，是受先前的曝光-一个假设，在实践中经常违反。我们建立在最近的工作，确定替代被估量，不需要这个假设，并提出了一个灵活的和双鲁棒的半参数有针对性的最小损失为基础的估计数据依赖的随机直接和间接的影响。所提出的方法将受先前暴露影响的中间混杂因素视为随时间变化的混杂因素，并使用一个分布对中介进行随机干预，该分布条件为基线协变量并边缘化中间混杂因素。此外，我们假设的随机干预，观察到的数据，这导致在一个更简单的估计和较弱的识别假设的条件。我们证明了估计的有限样本和鲁棒性在一个简单的模拟研究。我们将该方法应用到一个例子，从移动到机会的实验。在该应用中，随机化获得住房券是影响搬到低贫困社区的治疗/工具，这是中间混杂因素。我们估计随机化的凭证组的数据依赖随机直接影响青少年大麻的使用不介导的变化在学区和随机间接影响介导的变化在学区。我们找不到调解的证据。我们的估计器很容易在标准统计软件中实现，并且我们提供注释的R代码以进一步降低实现障碍。
2018-10-29 stat.AP stat.ME
The Multiplicative Instrumental Variable Model
University of Pennsylvania（宾夕法尼亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Washington University in St. Louis（圣路易斯华盛顿大学）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
本文提出乘法工具变量模型，通过非参数方法识别处理效应，引入了新的估计器以提高效率和鲁棒性。
2026-05-11 stat.ME
Interpretable (not just posthoc-explainable) heterogeneous survivor bias-corrected treatment effects for assignment of postdischarge interventions to prevent readmissions
Mederrata（梅德拉塔）；National Institutes of Health（美国国立卫生研究院）；University of Vermont（佛蒙特大学）
本研究提出一种可解释的贝叶斯生存分析框架，通过推导并控制幸存者偏差等其他偏差，量化出院后干预对预防再入院或死亡的影响，发现病例管理服务在减少再入院方面效果最显著。
2023-08-04 cs.LG q-bio.QM stat.ME
Independence weights for causal inference with continuous treatments
针对连续处理观察性研究中加权法对模型误设敏感的问题，提出基于独立性度量的无模型权重估计方法，可显式缓解处理-混杂因素依赖，鲁棒性强且适用场景广。
2023-04-06 stat.ME
Causal Inference Using Augmented Epidemic Models
Purdue University（普渡大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出通过调整混杂因素来对流行病模型中的参数进行因果推断，以评估干预措施对流行病的影响。
2026-01-24 stat.AP stat.ME
Forecasting Causal Effects of Future Interventions: Confounding and Transportability Issues
Yale University（耶鲁大学）；University of Florence（佛罗伦萨大学）
本文提出了一种非参数识别公式，用于预测未来干预的因果效应，并探讨了时间变化混杂因素对因果推断的影响。
2026-03-09 stat.ME
Restricted maximum-likelihood method for learning latent variance components in gene expression data with known and unknown confounders
University of Bergen（卑尔根大学）
随机效应模型是用于检测和校正由于全基因组基因表达数据中隐藏的混杂因素而导致的虚假样本相关性的流行统计模型。在已知某些混杂因素的应用中，同时估计随机效应模型中已知和潜在方差分量的贡献是一项挑战，迄今为止，该挑战依赖于基于数值梯度的优化器来最大化似然函数。这是不令人满意的，因为所得的解决方案的特征很差，并且该方法的效率可能是次优的。在这里，我们证明分析，最大似然潜变量总是可以选择正交的已知的混杂因素，换句话说，最大似然潜变量解释样本协方差还没有解释已知的因素。基于这一结果，我们提出了一种限制最大似然方法，通过最大化正交于已知混杂因素的限制子空间上的似然来估计潜在变量，并表明这降低到该子空间上的概率PCA。然后，该方法使用该问题的新推导的解析解，通过在给定潜变量的情况下最大化似然函数中的剩余项来估计方差-协方差参数。与基于梯度的优化器相比，我们的方法获得了更大或相等的似然值，可以使用标准矩阵运算进行计算，导致潜在因素不与任何已知因素重叠，并且运行时间减少了几个数量级。因此，限制的最大似然方法有利于随机效应建模策略的应用，学习潜在的方差分量更大的基因表达数据集比可能与当前的方法。
2021-11-04 cs.LG q-bio.GN q-bio.QM
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
Transferring Causal Effects using Proxies
ETH Zürich（苏黎世联邦理工学院）
本文提出通过代理变量在多领域中估计因果效应的方法，证明了可识别性并提供了估计技术与实证支持。
2025-12-27 cs.AI cs.LG stat.ME
Bias through time-varying covariates in the analysis of cohort stepped wedge trials: a simulation study
在逐步楔形分组随机试验（SW-CRT）中，对照条件下收集的观察结果平均而言比干预条件下收集的观察结果更早。在队列设计中，参与者在整个研究过程中都会被随访，因此参与者内部测量值之间的相关性取决于观察的时间。因此，在估计干预效果时，必须考虑到参与者特征随时间的变化。例如，参与者的年龄增长，这可能会影响研究期间的结果。出于老年护理干预的SW-CRT，以提高生活质量，我们进行了一项模拟研究，比较模型配方分析数据的SW-CRT在不同的情况下，时间与协变量和结果。目的是找到一个模型规格，产生可靠的估计干预效果。拟合了6个具有不同规格的固定效应的线性混合效应（LME）模型。在每个参数组合的1000次模拟中，我们计算了估计干预效应的平均值和标准误。我们发现，LME模型与固定的分类时间效应，除了固定的干预效果和两个随机效应用于解释集群（集群内相关性）和多个测量参与者（个体内相关性）似乎产生无偏估计的干预效果，即使随时间变化的混杂因素或其功能的影响结果是未知的或未测量的，如果长期的时间趋势发生。因此，包括描述研究队列的（随时间变化的）协变量似乎是可以避免的。
2023-02-22 stat.ME
Debiasing Multimodal Models via Causal Information Minimization
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出通过因果信息最小化学习混淆因子表示以消除多模态模型偏差，在多个数据集上提升分布外性能且不损害分布内性能。
2023-11-28 cs.AI cs.CL cs.CV
Estimating Causal Effects With Partial Covariates For Clinical Interpretability
University of Basel（巴塞尔大学）
在诸如医学的应用中，在存在混杂的情况下估计干预的因果效应是经常发生的问题。这项任务是具有挑战性的，因为可能有多个混杂因素，其中一些可能会丢失，并且必须从高维噪声测量中进行推断。在本文中，我们提出了一个决策理论的方法来估计因果影响的干预措施，其中一个子集的协变量是不可用的一些患者在测试过程中。我们的方法使用的信息瓶颈原则进行离散的，低维的协变量数据的充分减少，以估计分布的混杂因素。在这样做时，我们可以估计干预措施的因果效应，其中只有部分协变量信息可用。我们在因果推断基准和治疗败血症的实际应用上的结果表明，我们的方法实现了最先进的性能，而不牺牲可解释性。
2018-11-26 cs.AI stat.ME
