Semiparametric Causal Sufficient Dimension Reduction Of Multidimensional Treatments
因果关系通常通过将结果反应与二元治疗值进行比较来评价，二元治疗值代表假设的随机对照试验的两个组。然而，在某些应用中，感兴趣的治疗是连续的和多维的。例如，理解由辐射暴露值的多维向量总结的辐射治疗的严重性与治疗后副作用之间的因果关系是放射肿瘤学中的临床感兴趣的问题。做出可解释的因果结论的适当策略是减少治疗维度。如果多维治疗向量的单个元素对结果的影响很弱，但治疗和结果之间的整体关系很强，则不小心的降维方法可能无法保持这种关系。此外，为回归问题开发的方法由于混杂的复杂性而不直接转移到因果推断。在本文中，我们使用半参数推理理论的结构模型，给出了一个一般的方法，因果充分的降维的多维治疗，使治疗和结果之间的因果关系是保留。我们说明了我们的建议，通过模拟和实际数据应用在放射肿瘤学的效用。
2022-06-13 stat.ME
Estimating the treatment effect on the treated under time-dependent confounding in an application to the Swiss HIV Cohort Study
当在非随机化环境中比较时变治疗时，通常必须校正随时间推移影响治疗选择的时间依赖性混杂因素，这些混杂因素本身也受治疗影响。我们提出了一个新的两步程序，添加剂的风险回归和线性增量模型的基础上，处理这样的混淆时，估计平均处理效应的治疗（ATT）。该方法也可用于中介分析。该方法适用于瑞士艾滋病毒队列研究的数据，估计抗逆转录病毒治疗对艾滋病或死亡时间的影响。与其他估计ATT的方法相比，该方法易于使用现有的R.
2016-10-05 stat.ME
Estimating causal structure using conditional DAG models
本文考虑一类称为“条件DAGs”的图形模型中因果结构的推理。这些是有向无环图（DAG）模型，具有两种变量，主要变量和次要变量。次要变量用于帮助估计主要变量之间的因果关系。我们给这个模型类的因果语义，并证明，在一定的假设下，因果影响的方向是可识别的主要和次要变量的联合观测分布。一个基于分数的方法，估计的因果结构，使用这些模型和一致性的结果建立。经验结果表明，与平等对待所有变量或忽略次要变量的公式相比，有了增益。该方法的动机是分子生物学中的应用，本文使用模拟数据和癌症基因组图谱中的蛋白质组数据分析进行了说明。
2014-11-11 stat.ME
Matching Algorithms for Causal Inference with Multiple Treatments
随机临床试验（RCT）是估计因果效应的理想方法，因为背景协变量的分布在治疗组之间的预期相似。当使用观察数据估计因果效应时，匹配是一种常用的方法，用于复制RCT中实现的协变量平衡。匹配算法的历史可以追溯到20世纪中期，但主要用于估计两个治疗组之间的因果关系。当有两种以上的治疗方法时，估计因果效应需要额外的假设和技术。我们提出了匹配算法，解决目前的方法的缺点，我们使用模拟比较当前和新的方法。所有的方法都显示出在匹配组中相对于匹配前队列的协变量平衡的改善。此外，我们还向研究人员提供关于不同协变量分布首选哪些匹配算法的建议。
2019-02-26 stat.ME
Causal inference from treatment-control studies having an additional factor with unknown assignment mechanism
考虑一个有两种治疗方法的情况，第一种是随机的，而第二种不是，以及这种情况的多因素版本。关注的是处理效应，使用标准阶乘符号定义。我们定义估计的处理效应，并探讨其属性时，有信息的非随机化治疗分配，当没有信息的非随机化治疗的分配。我们展示了隐藏处理何时以及如何使估计量产生偏差并夸大其抽样方差。
2022-02-07 stat.ME
Estimating Causal Moderation Effects with Randomized Treatments and Non-Randomized Moderators
研究人员通常对分析条件性处理效应感兴趣。其中一个变体是“因果调节”，这意味着对第三个（调节剂）变量的干预将改变处理效应。本研究认为，在何种条件下，因果温和可以确定，并提出了一个广义的框架，估计因果温和的随机治疗和非随机主持人的影响。作为估计过程的一部分，它允许研究人员实施他们首选的协变量调整方法，包括参数和非参数方法，或他们选择的替代识别策略。此外，它提供了一个设置，从而设计的平均治疗效果的背景下，敏感性分析可以扩展到适度的背景下。为了说明的方法，研究提出了两个应用程序：一个处理的效果使用术语“福利”来描述在美国的公共援助，和一个处理的效果寻求庇护者的宗教对欧洲人的态度寻求庇护者。
2020-08-24 stat.ME
A Bayesian Nonparametric Approach for Evaluating the Causal Effect of Treatment in Randomized Trials with Semi-Competing Risks
我们开发了一种贝叶斯非参数（BNP）方法来评估随机试验中治疗的因果效应，其中非终末事件可以被终末事件删失，但反之亦然（即，半竞争风险）。基于主分层的思想，我们定义了一个新的估计量的因果关系的治疗对非终端事件。我们引入识别假设，索引的敏感性参数，并显示如何使用我们的BNP方法得出推论。我们进行模拟研究，并说明我们的方法使用数据从脑癌试验。
2019-07-21 stat.ME
Robust Estimating Method for Propensity Score Models and its Application to Some Causal Estimands: A review and proposal
在观察性研究中，倾向得分在估计因果效应方面具有核心作用。由于倾向得分通常是未知的，通过适当的程序进行估计是必不可少的步骤。需要注意的一点是，如果错误指定了倾向得分模型，则因果效应估计量可能存在一定偏倚;有效的模型构建很重要。为了克服这个问题，已经提出了各种有趣的方法。本文综述了四种方法：普通的逻辑斯谛回归方法; Imai和Ratkovic提出的CBPS方法; McCaffrey等人提出的boosted CART方法; Liu等人提出的半参数方法。此外，我们提出了新的鲁棒两步策略：在第一步中估计每个候选模型，并在第二步中集成它们。我们通过模拟实例，通过估计李和同事提出的ATE和ATO，证实了这些方法的性能。仿真结果表明，高阶平衡条件下的提升CART和CBPS具有较好的性能，ATE和ATO的估计方差和偏差绝对值均较小。提升CART和CBPS是有用的各种估计和估计程序。
2023-01-18 stat.ME
Estimating causal effects of functional treatments with modified functional treatment policies
University of Minnesota（明尼苏达大学）
本文提出一种新的因果估计量MFTP，通过功能主成分分析分解解决无限维对象平均问题，用于估计个体治疗轨迹微调后的潜在结果，通过模拟和实证研究验证了其有效性。
2026-02-09 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
Causal Inference in Panel Data with a Continuous Treatment
本文提出一个将双向固定效应模型作为特例的框架，用于在 Panel Data 中进行连续处理的因果推断，利用序贯条件独立假设识别处理效应，并开发了最小二乘法和 GMM 估计量及渐近性质，同时提议用 DAGs 检验假设有效性。
2025-06-29 stat.ME
Causal Inference with Two Versions of Treatment
因果效应通常被定义为治疗和对照下潜在结果的比较，但这一定义受到治疗或对照条件定义不明确的可能性的威胁，而是存在于多个版本中。提出了一个简单的，广泛适用的分析，以解决的可能性，治疗或控制条件存在于两个版本，两个不同的处理效应。该分析在治疗和对照的主要比较中没有失去功效，提供了关于版本效应的额外信息，并在几个比较中控制了家族错误率。该方法的动机和说明使用正在进行的研究的可能性，反复头部创伤在高中足球导致早发性痴呆症的风险增加。
2019-04-24 stat.ME
Estimating Causal Effects From Nonparanormal Observational Data
科学的基本目标之一是解开特定系统的因果链。特别是对于大型系统，这可能是一项艰巨的任务。详细的干预和随机数据采样方法可以用来解决因果关系的问题，但对于许多系统，这样的干预是不可能的或太昂贵，以获得。最近，Maathuis et al.（2010）遵循Spirtes et al.（2000）的思想，引入了一个框架来估计大规模高斯系统中的因果效应。通过将因果网络描述为有向无环图，即使对于非高斯系统，也可以估计一类一致地描述潜在因果相互作用的马尔可夫等价系统。在这些系统中，因果效应不再是线性的，不能再用单一的系数来描述。本文导出了非高斯分布的一个大子类（称为非超正态分布）中因果效应的一般函数形式。我们还得到了一个方便的近似，它可以有效地用于估计。我们将该方法应用于观察基因表达数据集。
2016-11-29 stat.ME
Assessing Time-Varying Causal Effect Moderation in the Presence of Cluster-Level Treatment Effect Heterogeneity
微随机试验（MRT）是一种顺序随机试验设计，以经验评估可能在数百或数千个决策点提供的移动健康（mHealth）干预组件的有效性。MRT已经激发了一类新的因果被估量，称为“因果偏移效应”，对于该因果被估量，可以通过加权的中心最小二乘准则进行半参数推断（Boruvka等人，2018年）。现有的方法假设主体之间的独立性和不干涉。与这些假设的偏差经常发生。在本文中，因果漂移效应下重新集群水平的处理效应异质性和干扰，感兴趣的处理效应可能取决于集群水平的主持人。所提出的方法的效用是通过分析来自多机构队列的第一年在美国的医疗居民的数据。
2021-12-10 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
Estimating Complier Average Causal Effects for Clustered RCTs When the Treatment Affects the Service Population
随机对照试验有时测试旨在改善针对随机化后确定的一部分个体的现有服务的干预措施。因此，这种待遇可能会影响服务接受者的构成和所提供的服务。有了这样的偏见，使用服务接受者和非接受者的数据进行意向治疗估计可能很难解释。本文开发的因果被估量和逆概率加权（IPW）估计编译器的人口在这些设置中，使用广义估计方程的方法，调整标准误差的估计误差的IPW权重。虽然我们的重点是更一般的聚类RCT，但这些方法也适用于（减少）非聚类RCT。仿真结果表明，在假设的识别条件下，估计量达到了标称置信区间覆盖。一个实证的应用程序演示的方法使用的数据从一个大规模的随机对照试验测试的影响，幼儿服务对儿童的认知发展分数。
2022-05-17 stat.ME
Weighted Euclidean balancing for a matrix exposure in estimating causal effect
在许多科学领域，如生物学，心理学和社会学，有越来越多的兴趣，估计因果关系的矩阵暴露的结果。协变量平衡是因果推断中的关键问题，精确平衡和近似平衡方法在过去的几十年中已经被提出。然而，由于大量的约束条件，它是难以实现精确的平衡或选择阈值参数的近似平衡方法时，处理是一个矩阵。为了应对这些挑战，我们提出了加权欧氏平衡方法，从整体的角度近似平衡协变量。该方法同样适用于高维协变量的情形。提出了估计矩阵处理因果效应的参数和非参数方法，并给出了这两种估计的理论性质。仿真结果表明，该方法在各种情况下都优于其他方法。最后，将此方法应用于调查儿童参加各种训练课程与其智商之间的因果关系。结果表明，6-9岁儿童参加实践课程的时间对儿童的智商有显著的积极影响。
2023-03-13 stat.ME
Causal-DRF: Conditional Kernel Treatment Effect Estimation using Distributional Random Forest
University of Geneva（日内瓦大学）；ETH Zürich（苏黎世联邦理工学院）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）
本文提出Causal-DRF方法，利用分布随机森林算法估计条件核治疗效应，通过森林拟合获得一致且渐近正态的估计值，从而更全面理解治疗效应差异。
2026-04-02 stat.ME
Berry-Esseen bounds for design-based causal inference with possibly diverging treatment levels and varying group sizes
该研究针对处理水平发散、组规模可变的随机化模型因果推断理论缺口，用Stein方法推导估计量的Berry-Esseen界，提出无重复多处理水平实验的方差估计量，完善了基于设计的因果推断理论保障。
2025-06-12 stat.ME
The Instrumental Variable Method for Estimating Local Average Treatment Regime Effects
我们提出的工具变量制度（IVR）的方法来估计多个序贯治疗的因果关系。该方法用于解决顺序处理的内源性选择问题。IVR是一系列工具变量，其中每个IV工具用于内源性治疗变量。我们提出的方法将Imbens和Angrist（1994）中的LATE模型从单一治疗推广到顺序应用的许多治疗。更确切地说，使用IVR，该模型允许估计局部平均治疗方案效应（LATRE），可能以一组初始协变量为条件。虽然有研究在这方面使用IVR，他们都需要一个结构功能形式的假设。我们的方法是新颖的，因为我们不需要任何这样的假设。因此，与以前的方法不同，我们的方法对模型错误指定具有鲁棒性，这通常发生在治疗方案设置中。本文中的想法和估计的动机和说明通过上下文的例子显示使用IVR在估计治疗方案的广告效果的购买行为时，广告显示在多个时期。我们证明了所提出的方法与模拟的性能。
2017-02-18 stat.ME
Causal Inference with Confounders MNAR under Treatment-independent Missingness Assumption
观察性研究中的因果推断在混杂因素可能缺失时具有挑战性。一般来说，即使在限制性参数模型假设下，当混杂因素非随机缺失时，也不能保证因果效应的识别。为了解决这一问题，我们提出了一个通用框架，以建立因果关系的识别时，混杂因素受到治疗无关的缺失，这意味着缺失数据机制是独立的治疗，考虑到结果和可能的缺失混杂因素。我们特别考虑了常用的连续和二元结果模型，并在识别失败时提供了反例。在估计方面，我们给出了模型参数的加权估计方程估计方法，并在估计模型的基础上给出了平均因果效应的三个估计量。我们通过模拟评估有限样本的估计性能。我们进一步说明了所提出的方法，从全国健康和营养检查调查的真实数据集。
2023-03-22 stat.ME
Matching Estimators for Causal Effects of Multiple Treatments
平均处理效应的匹配估计量广泛用于二元处理设置，其中缺失的潜在结果插补为每个单位所有匹配的观察结果的平均值。然而，对于两个以上的治疗组，使用匹配的估计需要额外的技术。在本文中，我们提出了一个最近邻匹配估计使用多个，标称治疗，并使用模拟表明，这种方法是精确的，覆盖水平接近标称。此外，我们实施建议的推理方法，以检查不同的药物治疗方案对长期疼痛的患者经历机动车碰撞的影响。
2019-04-25 stat.ME
Estimating causal quantile exposure response functions via matching
本文提出一种基于广义倾向得分匹配与核分位数回归的两步匹配估计量，用于估计连续处理的因果分位数暴露-反应函数，并应用于PM$_{2.5}$暴露对住院时间影响的评估。
2023-08-03 stat.ME
Relaxed covariate overlap and margin-based causal effect estimation
在大多数非随机观察性研究中，治疗组间的差异不仅可能由于治疗，还可能由于混杂因素的影响。因此，关于处理效应的因果推断不像随机试验那样直接。为了调整由于测量的协变量引起的混杂，使用基于潜在结局框架的各种方法来估计平均处理效应。其中一个关键假设是治疗积极性，即对于任何可能的混杂因素组合，治疗的概率都不超过0和1。当违反这一假设时，用于执行因果推断的方法相对有限。在这篇文章中，我们讨论了一个新的平衡相关的条件，涉及到治疗组的凸包，我术语放松协变量重叠。这个概念的一个优点是，它可以链接到一个概念，从机器学习，称为余量。松弛的协变量重叠的引入导致一种方法，其中可以执行因果推断在三个步骤的方式。用两个例子说明了该方法。
2018-07-03 stat.ME
Semi- and non-parametric approaches to individualized treatment regimes in the presence of causal mediation
McGill University（麦吉尔大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）
提出贝叶斯半参数和非参数估计器估计条件中介效应，用于优化个体化治疗方案，并应用于丙肝阳性供体肾移植分配。
2026-06-23 stat.ME
Incremental Causal Effect for Time to Treatment Initialization
本文研究治疗初始化时间的增量因果效应，提出无需正定性假设的识别方法及基于逆概率加权的估计框架，并通过模拟和类风湿关节炎研究验证了其有效性。
2025-08-13 stat.ME
Causal Inference for Functional Treatments with Stochastic Policies
Division of Biostatistics and Health Data Science, School of Public Health, University of Minnesota（明尼苏达大学公共卫生学院生物统计与健康数据科学系）
针对功能型处理（如加速度计测量的身体活动）的因果效应估计，提出随机策略方法，通过单一基函数修改处理分布，避免正性假设，并实现率双稳健估计。
2026-06-29 stat.ME
The risks of risk assessment: causal blind spots when using prediction models for treatment decisions
该研究指出临床常用的三种预测模型治疗处理方法存在因果盲点，易引发误读与决策失误，建议扩展模型开发指南并引入因果推断技术，以保障治疗决策安全。
2025-06-16 stat.ME
Investigating the causal effects of multiple treatments using longitudinal data: a simulation study
本文通过模拟研究比较五种g-methods在多种治疗和时依性混杂下的因果效应估计性能，并用英国CF注册处数据验证其应用。
2024-05-02 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
On High Dimensional Covariate Adjustment for Estimating Causal Effects in Randomized Trials with Survival Outcomes
这项工作的目的是提高效率，估计平均因果效应（ACE）的生存规模存在右删失和高维协变量信息。我们提出了新的估计使用正则化生存回归和生存随机森林（SRF），使调整高维协变量，以提高效率。我们研究了调整后的估计量在温和的假设下的行为，并从理论上保证了所提出的估计量在使用SRF进行调整时比未调整的估计量更有效。此外，这些调整后的估计量是$\sqrt{n}$ -一致的和渐近正态分布。通过仿真研究了该方法的有限样本行为，其结果与理论结果一致。我们还通过分析移植研究的真实数据来说明我们的方法，以确定相同同胞供体与不相关供体相比的相对有效性，并调整细胞遗传学异常。
2021-06-25 stat.ME
Targeted smoothing parameter selection for estimating average causal effects
观察性研究中平均因果效应的非参数估计通常依赖于通过平滑回归方法（如核、样条或局部多项式回归）控制混杂协变量。这种回归方法通过平滑参数进行调整，该平滑参数调节拟合中使用的自由度的量。在本文中，我们提出了数据驱动的方法来选择平滑参数时，目标参数是一个平均的因果效应。为此，我们提出估计的均方误差的精确表达式。渐近近似表明，最小化此均方误差的平滑参数收敛到零的速度比最佳平滑参数的估计的回归函数。在模拟研究中，我们表明，所提出的用于选择平滑参数的数据驱动方法比其他可用方法产生更低的经验均方误差，例如，交叉验证
2013-06-19 stat.ME
Causal Inference with Truncation-by-Death and Unmeasured Confounding
临床研究有时会因死亡而截断，结果不确定。仅基于观察到的存活者的统计分析可能会产生偏倚结果，因为治疗组之间存活者的特征不同。通过主成分分层，幸存者平均因果效应被提出作为定义在总是幸存者中的因果被估量。然而，当治疗分配和生存或结局过程之间存在不可测量的混杂时，该被估量无法识别。在本文中，我们考虑了一个积极的治疗和保守治疗的生存单调性之间的比较。首先，我们表明，幸存者的平均因果效应的保守治疗是可识别的替代变量在适当的假设下，即使当治疗分配是不合理的。其次，我们提出了一个增广的逆概率加权（AIPW）型估计量，这个估计量具有双重的鲁棒性。最后，建立了该估计量的大样本性质。该方法被应用于研究异基因造血干细胞移植类型对白血病复发的影响。
2022-11-21 stat.ME
A Unified Approach for Estimating Various Treatment Effects in Causal Inference
本文提出一种基于统计泛函和累积分布函数的统一估计器，可估计多种处理效应（如ATE和QTE），兼顾变量选择，理论性质完备，数值实验显示其优于现有方法。
2025-03-28 stat.ME
Copula-based Sensitivity Analysis for Multi-Treatment Causal Inference with Unobserved Confounding
本研究针对多重治疗且存在未观测混杂的观察性研究，提出基于 copula 分解的敏感性分析方法，以刻画因果效应的部分识别范围，并给出高斯 copula 实现与效应有界条件。
2025-03-26 stat.ME
Estimating Average Causal Effects with Incomplete Exposure and Confounders
针对暴露和混杂因素缺失时的平均因果效应估计问题，提出了在随机缺失和非随机缺失假设下的双重稳健目标最大似然估计器（TMLE），并通过模拟和NHANES数据验证了其有效性。
2025-06-26 stat.ME
Estimating Heterogeneous Treatment Effects for General Responses
异质处理效应模型允许我们在亚组和个体水平上比较治疗，并且在个性化医疗、广告和教育等应用中越来越受欢迎。在这次演讲中，我们首先调查了实践中使用的不同因果被估量，重点是估计条件均值的差异。然后，我们提出DINA（自然参数差异）来量化指数家族和Cox模型中的异质性处理效应。对于二元结局和生存时间，DINA对于协变量对处理效应的影响建模既方便又实用。其次，我们介绍了一个元算法DINA，它允许从业者使用强大的现成的机器学习工具的滋扰功能的估计，这也是统计稳健的错误不准确的滋扰功能估计。我们证明了我们的方法与各种机器学习基础学习者在模拟和真实数据集相结合的有效性。
2022-01-27 stat.ME
Estimating heterogeneous treatment effects in nonstationary time series with state-space models
随机试验和观察性研究通常会持续一段时间。处理效应在此期间发生变化，这为治疗反应和长期效果提供了重要见解。许多用于估计处理效应的常规方法限于i.i.d.并且不适于推断处理效应的时间动态。在这些设置中遇到的时间序列是高度信息化的，但往往是非平稳的，由于不断变化的治疗效果。这增加了困难，因为平稳性，时间序列分析中的常见假设，不能合理地假设。另一个挑战是当处理对单元的影响不同时，处理效应的异质性。从非平稳，特别是介入性时间序列中估计异质处理效应的任务是高度相关的，但尚未得到探索。我们提出了因果转移，一种结合回归调整混杂与时间序列建模的方法，以了解治疗的效果以及它如何随着时间的推移而演变。因果转移不假设数据是固定的，可以应用于随机试验和观察性研究，其中治疗是混杂的。因果转移调整可能混杂因素的效应，并将学习效应转移到其他时间序列，从而估计各种形式的处理效应，例如平均处理效应（ATE）或条件平均处理效应（CATE）。通过学习效果的时间动态，因果转移还可以预测未观察到的未来时间点的处理效应，并确定处理的长期后果。
2020-04-10 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
Estimating heterogeneous treatment effects by W-MCM based on Robust reduced rank regression
本文提出基于稳健降秩回归的W-MCM方法，用于多结局场景下的异质性处理效应估计与有效亚组识别，能够处理结局间高相关性和离群值，并通过模拟与真实数据验证其有效性。
2024-08-01 stat.ME
A longitudinal Bayesian framework for estimating causal dose-response relationships
King’s College London（伦敦国王学院）；University of Toronto（多伦多大学）；Technical University of Munich（慕尼黑工业大学）；Imperial College London（帝国理工学院）
提出一种可扩展的非参数贝叶斯框架，通过广义倾向得分处理时变混杂，估计连续暴露下的边际纵向因果剂量-反应函数，并应用于地铁客流量与COVID-19病例数的因果分析。
2026-10-14 stat.AP 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
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
Estimating complex causal effects from incomplete observational data
University of Jyväskylä（于韦斯屈莱大学）
尽管因果建模取得了重大进展，因果关系仍然是许多统计学家不熟悉的话题。在本文中，它是从开始到结束演示如何因果效应可以估计从观测数据假设的因果结构是已知的。为了使问题更具挑战性，因果效应是高度非线性的，数据是随机随机缺失的。估计中使用的工具包括设计因果模型、因果演算、多重插补和广义可加模型。主要的信息是，一个训练有素的统计学家可以通过明智地结合现有的工具来估计因果效应。
2014-07-02 cs.LG math.ST stat.ME
Estimating Marginal Treatment Effects under Unobserved Group Heterogeneity
研究了基于异质性处理规则将个体划分为不可观测组的处理效应模型。使用有限混合的方法，我们提出了一个边际处理效应（MTE）的框架，其中的治疗选择和结果方程可以是异质组。在特定于每个组的工具变量的可用性下，我们表明，每个组的MTE可以单独识别。基于我们的识别结果，我们提出了一个两步半参数估计的MTE组。我们说明了所提出的方法的实用性与应用程序的经济回报，大学教育。
2022-05-23 econ.EM stat.ME
Causal Mediation Analysis with Multiple Treatments and Latent Confounders
因果中介分析是通过中介变量或中介变量来评估治疗对目标结果的直接和间接因果效应，但在实际应用中，由于中介变量不能随机分配，直接和间接因果效应难以识别。在这篇文章中，我们考虑一个因果模型，包括潜在的混杂因素之间的调解人和结果。我们提出了充分的条件，确定直接和间接的影响，并提出了一种方法来估计它们。所提出的方法的性能进行了评估，通过仿真研究。最后，我们将该方法应用于一个电信公司的客户忠诚度调查数据集。
2020-01-13 stat.AP 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
Estimating Average Treatment Effects Utilizing Fractional Imputation when Confounders are Subject to Missingness
观测数据的缺失问题是普遍存在的。当混杂因素随机缺失时，通常使用多重插补;然而，该方法要求有效推断的一致性条件，在估计平均因果处理效应时可能无法满足。或者，Kim 2011年提出的分数插补已被用于处理回归背景下的缺失值。在这篇文章中，我们开发了部分插补方法来估计混杂因素随机随机缺失的平均处理效应。我们证明了平均处理效应的分数插补估计是渐近正态的，这使得方差估计是一致的。通过仿真研究，比较了分数填补和多重插补的准确度和精确度。
2020-07-08 stat.ME stat.OT
Estimating Causal Effects with the Neural Autoregressive Density Estimator
Technical University of Denmark（丹麦技术大学）
在潜在系统将受到积极干预的情况下，因果效应的估计是基本的。构建因果推断引擎的一部分是定义变量如何相互关联，也就是说，定义给定条件依赖关系的变量之间的函数关系。在本文中，我们偏离因果模型中的线性关系的共同假设，利用神经自回归密度估计，并使用它们来估计因果关系的珍珠做演算框架内。使用合成数据，我们表明，该方法可以检索因果关系的影响，从非线性系统，而不明确建模的变量之间的相互作用。
2021-03-01 cs.AI cs.LG stat.ME
Generalization bound for estimating causal effects from observational network data
Guangdong University of Technology（广东工业大学）；Shantou University（汕头大学）
针对观测网络数据因果效应估计缺乏泛化界分析的问题，本文结合联合倾向得分重加权与IPM表示学习推导出泛化界，并据此提出加权回归方法，在真实网络半合成数据上验证了有效性。
2023-08-08 cs.LG stat.ME
A flexible approach for causal inference with multiple treatments and clustered survival outcomes
当使用观察数据对多种治疗对聚集生存结局的影响进行因果推断时，我们需要解决因果分析中多水平数据结构、多种治疗、删失和未测量混杂的影响。很少有现成的因果推断工具可用于同时解决这些问题。我们开发了一个灵活的随机截距加速失效时间模型，在该模型中，我们使用贝叶斯加性回归树来捕获截尾生存时间和预处理协变量之间的任意复杂关系，并使用随机截距来捕获特定于簇的主效应。我们开发了一个有效的马尔可夫链蒙特卡罗算法得出后验推论的人口生存的影响，多种治疗和研究的变化，集群水平的影响。我们进一步提出了一种可解释的敏感性分析方法，以评估得出的关于处理效应的因果推断对偏离无未测量混杂的因果假设的潜在幅度的敏感性。扩展的模拟经验验证，并证明我们提出的方法具有良好的实际操作特性。将所提出的方法应用于从国家癌症数据库中提取的老年高风险局部前列腺癌患者的数据集，我们评估了三种治疗方法对患者生存率的比较效果，并评估了潜在的未测量混杂因素的影响。在这项工作中开发的方法是很容易在$\textsf{R}$包$\textsf{riAFTBART}$。
2022-02-16 stat.AP stat.ME
Estimating heterogeneous treatment effects versus building individualized treatment rules: Connection and disconnection
估计异质性处理效应是统计学文献中研究得很好的主题。最近，由于对精确医学的需求日益增加以及在估计中越来越多地使用最先进的机器学习方法，它重新受到关注。此外，估计异质性处理效应直接关系到建立个体化治疗规则，个体化治疗规则是根据患者特征进行治疗的决策规则。本文考察了这两个研究问题之间的联系和脱节。值得注意的是，对异质处理效应的更好估计可能会或可能不会导致更好的个体化处理规则。我们提供了理论框架来解释连接和断开，并通过模拟演示了两种不同的情况。我们的结论揭示了一个实际的指导，在某些情况下，没有必要加强估计的处理效应，因为它不会改变治疗的决定。
2022-10-04 math.ST stat.ME stat.TH
Causal Effect Estimation for Multivariate Continuous Treatments
因果推断广泛应用于生物学、心理学和经济学等领域。在观察研究中，我们需要在估计因果效应之前对协变量进行平衡。本研究将一维熵平衡法扩展到多维，以平衡协变量。提出了估计多变量连续处理因果效应的参数和非参数方法，并给出了这两种估计的理论性质。仿真结果表明，该方法在各种情况下都优于其他方法。最后，我们应用该方法分析了吸烟时间和频率对医疗费用的影响。研究结果表明，吸烟频率会显著增加医疗费用，而吸烟时间不会显著增加医疗费用。
2022-05-18 stat.AP stat.ME
Estimating heterogeneous treatment effects with right-censored data via causal survival forests
Zhejiang University（浙江大学）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Stanford University（斯坦福大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
基于森林的方法最近在非参数处理效应估计中得到普及。在这一工作的基础上，我们引入了因果生存森林，它可用于估计异质性处理效应的生存和观察设置的结果可能是右删失。我们的方法依赖于正交估计方程，以鲁棒地调整下unconfoundness的删失和选择效果。在我们的实验中，我们发现我们的方法相对于一些基线表现良好。
2023-02-28 cs.LG stat.ME stat.ML
