A Note on Estimating Optimal Dynamic Treatment Strategies Under Resource Constraints Using Dynamic Marginal Structural Models
用于确定最佳治疗或监测策略的现有策略通常假设对资源的无限制访问。然而，当卫生系统面临资源限制时，如资金有限、获得药物或监测能力，医疗决策必须平衡对个人和人口健康结果的影响。也就是说，决策应该考虑到个人之间在资源使用方面的竞争。一个简单的解决方案是在可能的干预下估计（反事实）资源使用，并选择资源使用在可接受范围内的最佳策略。我们提出了一种方法来确定最佳的动态干预策略，导致最佳预期的健康结果占卫生系统的资源限制。然后，我们应用这种方法来确定最佳的动态监测策略，对艾滋病毒感染者的资源限制时，监测存在的观察数据，从艾滋病毒-因果关系协作。
2019-02-14 q-bio.PE stat.AP stat.ME
Estimating the effectiveness of permanent price reductions for competing products using multivariate Bayesian structural time series models
一家意大利连锁超市的佛罗伦萨分店最近实施了一项战略，永久性地降低了几个产品类别的许多商店品牌的价格。为了量化这种政策变化的影响，研究人员经常使用综合控制方法来估计因果关系，当一个子集的单位接受一个单一的持续治疗，其余的不受影响的变化。然而，在我们的应用中，由于替代效应，未分配给治疗的竞争品牌可能会受到干预的影响;更广泛地说，每当一个单位的治疗分配影响另一个单位的结果时，就会发生这种类型的干扰。本文扩展了合成控制方法，以适应部分干扰，允许在预定义的组内，但不允许它们之间的干扰。专注于一类因果被估量，捕获的效果都在治疗和控制单位，我们开发了一个多变量贝叶斯结构时间序列模型生成的合成控制，会发生在没有干预，使我们能够估计我们的新效果。在模拟研究中，我们探索我们的贝叶斯过程的经验性质，并表明，它实现了良好的频率覆盖，即使当模型是错误的。我们使用新的方法对受影响的商店品牌及其直接竞争对手的销售影响进行因果陈述。我们所提出的方法是在CauseMBSTS R包中实现的。
2021-02-22 stat.AP stat.ME
A structural nested rate model for estimating the effects of time-varying exposure on recurrent event outcomes in the presence of death
本文提出半参数结构嵌套复发事件模型及两种估计量，在死亡竞争风险下估计时变暴露的短期与延迟边际因果效应，并通过模拟、R包sncure和Medicare空气污染研究验证。
2025-06-09 math.ST stat.ME stat.TH
Estimating Structural Mean Models with Multiple Instrumental Variables Using the Generalised Method of Moments
以遗传标记为工具的工具变量分析是流行病学和生物统计学中广泛应用的技术。由于单个标记往往只能解释一小部分表型变异，因此越来越多的人对使用多个遗传标记来获得更精确的因果参数估计值感兴趣。结构均值模型（SMM）是使用工具变量来识别因果参数的半参数模型。最近，人们的兴趣开始集中在使用这些模型与多个工具，特别是乘法和逻辑SMM。在本文中，我们将展示如何添加剂，乘法和逻辑SMM与多个正交二进制工具变量可以有效地估计模型，没有进一步的（连续）协变量，使用广义矩（GMM）估计方法。我们讨论了如何汉森J检验可以用来测试模型的误指定，以及如何标准的GMM软件例程可以用来适应SMM。我们进一步表明，乘法SMM，如添加剂SMM，确定加权平均的局部因果效应，如果选择是单调的。我们使用这些方法来重新分析肥胖和高血压之间的关系的研究，使用SMM与两个遗传标记作为肥胖的工具。我们发现肥胖对高血压有很强的影响。
2015-04-08 stat.ME
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
Kernel Debiased Plug-in Estimation: Simultaneous, Automated Debiasing without Influence Functions for Many Target Parameters
本文提出核去偏插入估计（KDPE）方法，基于TMLE框架和再生核希尔伯特空间，无需影响函数即可同时对多个目标参数进行自动化去偏，解决了传统方法在计算和分析上的挑战。
2024-06-02 stat.ME stat.ML
Higher Order Estimating Equations for High-dimensional Models
本文提出基于高阶影响函数与 $U$-统计量估计方程的新方法，用于高维或低正则性半参数、非参数模型的参数估计，并在响应缺失的均值估计中验证其最优速率与有效性。
2023-07-13 stat.ME
Robustness of deepest projection regression functional
Zuo（2018）系统地提出并研究了回归中的深度概念。深度概念的一个突出优点是，它可以直接用于在多维环境中引入位置或回归参数的中值型最深估计泛函（或经验分布情况下的估计量）。回归深度共享优势。深度引起的最深估计泛函被期望继承期望的和固有的鲁棒性属性（例如，有界最大偏差和影响函数以及高击穿点），正如它们的单变量位置对应物一样。本文的主要目的是研究和验证最深投影估计泛函的鲁棒性（最大偏差、渐近和有限样本崩溃点以及影响函数）。证明了最深投影估计泛函具有有界的影响函数和最佳可能的渐近崩溃点以及最佳有限样本崩溃点，并对其一元回归和尺度分量进行了稳健选择.
2019-08-12 math.ST stat.ME stat.TH
Estimating Time Delays between Signals under Mixed Noise Influence with Novel Cross- and Bispectral Methods
针对混合噪声导致传统时延估计向零延迟偏移的问题，提出基于相位周期性的互谱方法和双谱反对称化方法，有效提升了低信噪比下的估计精度并消除了虚假零延迟。
2025-05-29 eess.SP math.ST stat.ME
Detecting Structural Shifts and Estimating Change-Points in Interval-Based Time Series
本文针对区间值金融时间序列，提出基于随机微分方程的OULC模型，利用MLE框架与Newton-Raphson算法进行变点检测，并设计参数化自助法计算置信区间，实验证明其优于传统OC模型。
2024-10-13 stat.CO stat.ME
Case based error variance corrected estimation of structural models
提出了一种新的结构方程模型（SEM）估计方法，并对其进行了评价。与大多数其他方法相比，它直接基于数据，而不是基于数据的协方差阵。新方法足够灵活，可以处理非线性和非光滑模型，并允许对各种约束进行建模。讨论了这种方法的优点和缺点，并进行了仿真研究，以揭示这种方法的问题和潜力。
2021-10-20 stat.ME
Semiparametric estimation of structural failure time model in continuous-time processes
结构失效时间模型是用于估计随时间变化的治疗对生存结果的影响的因果模型。在存在时间依赖性混杂和行政截尾的情况下，提出了G估计和人工截尾来估计模型参数。然而，大多数现有的方法需要手动预处理数据成规则间隔的数据，这可能会使随后的因果分析无效。此外，由于人工删失的非光滑性，计算和推理具有挑战性。我们提出了一类连续时间结构故障时间模型，它尊重底层数据过程的连续时间性质。在无不可测混杂的鞅条件下，我们证明了模型参数可由潜在无穷大的估计方程识别。使用半参数效率理论，我们得到的第一个半参数双稳健估计，在这个意义上说，估计是一致的，如果治疗过程模型或故障时间模型是正确的，但不一定两者兼而有之。此外，我们提出了使用截尾加权逆概率来处理相依截尾。与人工删失相比，我们的加权策略不会在估计中引入非光滑性，并确保了重新排序方法可以用于进行推理。
2019-02-17 stat.ME
Structural Nested Models and G-estimation: The Partially Realized Promise
结构嵌套模型（SNM）和相关的G-估计方法最早由James Robins在二十多年前提出，作为建模和估计一系列治疗或暴露的联合效应的方法。这些模型和估计方法已被扩展到处理更广泛的一系列问题，并且比为估计这种联合效应而开发的其他方法具有相当大的优势。尽管有这些优点，但这些方法在应用研究中的应用相对较少;我们认为这是不幸的。为了解决这个问题，我们提供了一个概述的模型和估计方法，主要是由罗宾斯，多年来。我们提供了深入了解他们的优势比其他方法，并考虑一些可能的原因失败的方法被更广泛地采用，以及可能的补救措施。最后，我们考虑几个扩展的标准模型和估计方法。
2015-03-05 stat.ME
Estimating Derivatives of Function-Valued Parameters in a Class of Moment Condition Models
我们开发了一个通用的方法来估计的衍生物的函数值参数$θ_o(u)$，确定为每个值的$u$作为解决方案的时刻条件。这个设置特别涵盖了条件分布的许多有趣的模型，例如分位数回归或分布回归。利用$θ_o(u)$解决了矩条件，我们从隐函数定理得到了其导数的显式表达式，并通过适当的样本模拟来估计该表达式的分量，这需要使用（局部线性）光滑。然后，我们的估计可以用于各种目的，包括估计的条件密度函数，分位数部分效应，和结构拍卖模型在经济学。
2016-10-28 stat.ME
A Two Stage Quasi-Likelihood Estimation Method for High Dimensional Generalized Structural Equation Models
针对高维广义结构方程模型估计的计算挑战，提出两阶段拟似然期望最大化框架，分离结构与测量模型，可缩短运行时间、提升数值稳定性并降低误差，为复杂潜变量模型分析提供灵活可扩展的方案。
2026-08-18 stat.AP stat.CO stat.ME
Visually Communicating and Teaching Intuition for Influence Functions
基于影响函数（IF）的估计器已被证明在许多设置中是有效的，特别是当与机器学习技术相结合时。通过集中于估计感兴趣的特定目标（例如，处理的平均效应），而不是估计全部潜在数据生成分布，基于IF的估计器通常能够实现渐近最优的均方误差。尽管如此，许多研究人员发现基于IF的估计是不透明的或过于技术性的，这使得它们的使用不那么普遍，它们的好处也不那么可用。为了帮助促进对基于IF的估计器的理解和信任，我们提出了基于IF的估计器何时以及如何优于标准“插件”估计器的有形的、视觉的说明。我们展示的图是基于IF、梯度、线性近似和牛顿-拉夫逊之间的联系。
2019-10-27 math.ST stat.ME stat.TH
Enhanced sequential directional importance sampling for structural reliability analysis
本研究针对结构可靠度分析，提出增强型序列方向重要性抽样方法，用子集模拟替代蒙特卡洛模拟估计首个积分，并设计基于Kriging的主动学习算法识别重要方向多根，经基准测试验证其高效稳健性。
2024-10-28 math.PR stat.ME
Conditional Influence Functions
本文推广了经典影响函数，提出条件影响函数，用于推导依赖高维回归的条件感兴趣对象（如条件平均处理效应）的局部线性估计与Neyman正交估计方程，并给出机器学习器不影响渐近分布的速率条件。
2024-12-24 econ.EM math.ST stat.ME
A Pseudo-Marginal Metropolis-Hastings Algorithm for Estimating Generalized Linear Models in the Presence of Missing Data
缺失数据问题常常使估计广义线性模型（GLM）的任务复杂化。我们描述了为什么伪边缘梅特罗波利斯-黑斯廷斯算法，在此设置中使用，是一个有效的策略，参数估计。这种方法需要较少的假设，它提供了对似然参数、协变量模型和缺失机制参数的联合推断，并且没有假设存在多个后验分布的逻辑不一致。此外，这种方法是渐近精确的，就像大多数其他马尔可夫链蒙特卡罗技术。我们讨论计算策略，进行模拟研究，演示如何标准误变化的函数的百分比缺失，我们使用我们的方法在“现实世界”的数据集来描述如何收集的变量影响车祸的结果。
2019-07-22 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
Robust variance estimation and inference for causal effect estimation
我们考虑一个纵向数据结构，包括基线协变量、随时间变化的治疗变量、中间时间依赖协变量和可能的不定常结果。先前的研究表明，在这种情况下，使用经验影响函数估计渐近线性估计量的方差会导致反保守估计，并增加正违规的幅度，导致覆盖率差和不受控制的I型错误。在本文中，我们提出了两种替代方法估计这些估计量的方差：（i）一个强大的方法，直接针对的影响函数的方差作为一个反事实的平均结果，和（ii）一个非参数的自助方法，理论上是有效的，降低了计算成本，从而增加了在非参数设置使用复杂的机器学习算法的可行性。这些方法的性能进行了比较，经验影响函数在不同水平的积极违规和治疗效果大小的模拟。
2018-10-06 math.ST stat.ME stat.TH
