Causal Inference by Identification of Vector Autoregressive Processes with Hidden Components
从非实验时间序列$X$进行因果推断的一种广泛应用的方法，通常被称为“（线性）格兰杰因果分析”，是对过去进行回归，并因果地解释回归矩阵$\hat{B}$。然而，如果存在影响$X$的未测量的时间序列$Z$，则该方法可能导致错误的因果结论，即，与如果具有诸如$Z$的附加信息则绘制的那些不同。在本文中，我们采取了不同的方法：我们假设$X$与一些隐藏的$Z$一起形成一个一阶向量自回归（VAR）过程的过渡矩阵$A$，并讨论为什么它是更有效的解释$A$的因果关系，而不是$\hat{B}$。然后，我们检查在哪些条件下，$A$的最重要的部分是可识别的或几乎可识别的只有$X$。基本上，充分条件是（1）非高斯、独立噪声或（2）没有从$X$到$Z$的影响。我们提出了两种估计算法，分别针对条件（1）和（2），并评估他们的合成和真实世界的数据。我们讨论了如何使用$X$检查模型。
2015-12-22 stat.ML
Your Autoregressive Model Already Reveals the Causal Graph
Department of Machine Learning \& Computer Vision, University of Augsburg, Augsburg, Germany
本文提出TRACE框架，利用预训练自回归模型作为密度估计器进行条件独立性测试，从单序列离散事件中恢复时间因果图，并在大规模非线性SCM和真实车辆诊断日志上取得显著性能提升。
2026-06-09 cs.LG
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
Estimating the average causal effect of intervention in continuous variables using machine learning
NTT DATA Mathematical Systems Inc.（NTT数据数学系统公司）
最广泛讨论的估计平均因果效应/平均处理效应的方法是离散二元变量的干预方法，其值代表干预/非干预组。另一方面，用于干预独立于数据生成模型的连续变量的方法尚未开发。在这项研究中，我们给出了一种方法来估计平均因果效应的干预连续变量，可以应用于任何生成模型的数据，只要因果效应是可识别的。该方法不依赖于机器学习算法，并保持了数据的可识别性。
2022-03-16 cs.LG stat.ML
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
Autoregressive models for panel data causal inference with application to state-level opioid policies
本文提出基于自回归模型的因果推断方法，用于评估州级阿片类药物政策（PDMPs、NALs、医用大麻法）的效果，并通过模拟验证其优于现有方法。
2025-10-15 stat.AP stat.ME
SpectralAR: Spectral Autoregressive Visual Generation
Tsinghua University（清华大学）
针对现有自回归视觉生成用空间图像块违背因果性的问题，提出SpectralAR框架，通过嵌套谱分词生成有序谱token并以由粗到细方式生成，在ImageNet-1K上以低参数量和少量token实现了优异的生成效果。
2025-06-12 cs.AI cs.CV cs.LG
Causal Inference on Discrete Data via Estimating Distance Correlations
The Chinese University of Hong Kong（香港中文大学）
本文研究了离散域上数据的因果方向推断问题。将原因分布$P(X)$和因果映射条件分布$P(Y|X)$视为独立随机变量，通过比较$P(X)$与$P(Y|X)$之间的距离相关性和$P(Y)$与$P(X|Y)$之间的距离相关性来推断因果方向.如果$P(X)$和$P(Y|X)$之间的依赖系数较小，则我们推断“$X$导致$Y$“。实验结果表明了该方法的有效性。
2018-08-07 cs.AI cs.LG stat.ML
Transfer Learning for Estimating Causal Effects using Neural Networks
UC Berkeley（加州大学伯克利分校）
我们开发了新的算法来估计异质性处理效应，结合神经网络迁移学习的最新发展与因果推断文献的见解。通过利用迁移学习，我们能够有效地使用与相同的潜在因果机制相关的不同数据源。我们比较我们的算法与现有文献中使用广泛的模拟研究的基础上大规模的选民说服实验和MNIST数据库。我们的方法可以执行一个数量级优于现有的基准，而使用的数据的一小部分。
2018-08-23 cs.AI cs.LG stat.AP
Estimating Causal Direction and Confounding of Two Discrete Variables
Caltech（加州理工学院）
我们提出了一种方法来分类两个离散变量之间的因果关系，只给变量的联合分布，承认该方法是受固有的基线误差。我们假设因果系统是非循环的，但我们确实允许隐藏的共同原因。我们的算法的前提是，概率分布$P(C)$的原因$C$是独立的概率分布$P(E\mid C)$的因果机制。虽然我们的分类器是用平坦超先验的贝叶斯假设训练的，但我们对我们的测试数据不做这种假设。这项工作连接到最近的事态发展的因果模型的可识别性在连续变量的假设下的“独立机制”。在http://vision.caltech.edu/~kchalupk/code.html上可以找到复制我们所有实验的经过仔细注释的Python笔记本。
2016-11-04 cs.AI cs.LG stat.ML
seq2cause: One Autoregressive Backbone, Four Causal Discovery Tasks in Event Sequences
针对事件序列中四种因果发现任务，提出统一框架Seq2Cause，利用预训练自回归模型作为条件独立性检验引擎，通过预测-因果二元性，以单一冻结主干在规模上解决所有机制。
2026-09-29 cs.LG
Estimating Individual Treatment Effects through Causal Populations Identification
Paris-Dauphine University - PSL（巴黎多芬大学-PSL大学）；CNRS（法国国家科学研究中心）；Ai Square Connect；AdWay Groupe（AdWay集团）
从观察数据中估计个体治疗效果，定义为有和没有治疗或干预的结果之间的差异，同时只观察两者之一，是因果学习中的一个具有挑战性的问题。在本文中，我们制定了这个问题作为一个隐含变量的推断，并强制执行因果约束的基础上，四个排他性的因果种群模型。我们提出了一个新版本的EM算法，被称为期望因果关系最大化（ECM）算法，并提供提示，其收敛性在温和的条件下。我们比较我们的算法合成和真实世界的数据基线方法，并讨论其性能。
2020-05-06 cs.LG stat.ML
Compositional Models for Estimating Causal Effects
本文提出将结构化系统表示为异构组件组合的因果建模方法，通过模块化神经网络分解单元级因果查询，提升观测数据下个体因果效应估计的准确性、样本效率与组合泛化能力。
2025-03-17 cs.AI cs.LG stat.ME
Combining Linear Non-Gaussian Acyclic Model with Logistic Regression Model for Estimating Causal Structure from Mixed Continuous and Discrete Data
RIKEN AIP Center（理化学研究所人工智能项目中心）；Shiga University（滋贺大学）
从观测数据中估计因果模型是数据分析中的一项重要任务。对于连续值数据，Shimizu等人提出了一种线性非循环非高斯模型来理解数据生成过程，并表明当数据数量足够大时，他们的模型是可识别的。然而，连续变量和离散变量共存于同一问题中的情况在实践中很常见。大多数现有的因果发现方法或者忽略离散数据并应用连续值算法，或者将所有连续数据离散化，然后应用离散贝叶斯网络方法。这些方法在忽略离散数据或离散化引入近似误差时，可能会丢失重要信息。在本文中，我们定义了一个新的混合因果模型，它包括连续和离散变量。该模型假设：（1）连续变量的值是其父变量加上非高斯噪声的线性函数，以及（2）每个离散变量是逻辑变量，其分布参数取决于其父变量的值。此外，我们推导出BIC评分函数的模型选择。新算法可以从连续和离散数据中学习因果结构，而不需要离散化。我们通过全面的模拟经验证明了我们的方法的力量。
2018-02-16 cs.AI cs.LG stat.ML
Estimating large causal polytrees from small samples
Indian Institute of Technology, Hyderabad（印度理工学院海得拉巴分校）
针对变量数远多于样本量的场景（如基因调控网络），提出一种仅需温和非退化条件、无需强分布或建模假设的算法，可从小样本高精度估计大型因果多叉树结构。
2024-08-17 cs.LG math.PR math.ST
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 Causal Effects from Learned Causal Networks
University of California, Irvine（加利福尼亚大学欧文分校）；Iowa State University（爱荷华州立大学）
提出直接从观测数据学习因果贝叶斯网络及混杂潜变量并应用PGM算法的模型补全方法，在大型模型上比传统估计量方法更有效地回答因果效应查询。
2024-08-27 cs.AI cs.LG
Rethinking Causal Action Tokenization with Conditional Annealing in Flow Matching
IIIS, Tsinghua University（清华大学智能产业研究院）；Shanghai Qizhi Institute（上海期智研究院）
针对自回归视觉-语言-动作模型动作标记化与骨干网络语义不对齐的问题，提出因果动作标记器CATok，通过条件退火流匹配构建从粗到细的因果标记空间，配合MMDiT解码器实现高保真重建，在模拟和真实机器人任务中优于现有方法。
2026-09-29 cs.AI cs.LG cs.RO
Granger causality for state space models
格兰杰因果关系是确定随机过程之间因果影响的一种流行方法，最常见的是通过线性自回归模型估计。然而，这种方法有一个严重的缺点：如果被建模的过程具有移动平均分量，那么自回归模型的阶数在理论上是无限的，并且在有限样本中，大的经验模型阶数可能是必要的，从而导致弱的格兰杰因果推断。当过程被滤波、下采样或观察到（加性）噪声时，这一点尤其重要--所有这些都会引起移动平均分量，并且在计量经济学和神经科学等各种应用领域都很常见。相比之下，自回归滑动平均模型类-或等效地，线性状态空间模型-在数字滤波、下采样（和其他形式的聚合）以及加性观测噪声下是封闭的。在这里，我们展示了如何格兰杰因果关系，有条件的和无条件的，在时域和频域中，可以简单，直接从状态空间模型参数计算，通过一个离散的代数Riccati方程的解决方案。数值模拟表明，由此得到的Granger因果关系估计比纯自回归估计具有更大的统计功效和更小的偏差。我们的结论是，状态空间的方法应该是默认的（线性）格兰杰因果关系估计。
2015-02-05 math.ST stat.TH
Estimating Bidirectional Causal Effects with Large Scale Online Kernel Learning
Japan Society for the Promotion of Science（日本学术振兴会）
提出一种可扩展的在线核学习框架，结合异方差识别和拟极大似然估计，用于估计存在相互依赖和异方差系统中的双向因果效应，并通过随机傅里叶特征和自适应在线梯度下降实现高效计算。
2026-06-02 cs.LG stat.ME stat.ML
Estimating Treatment Effects with Causal Forests: An Application
我们将因果森林应用于来自国家学习思维模式研究的数据集，并考虑由此产生的实际和概念上的挑战。特别是，我们讨论了因果森林如何使用估计的倾向得分更强大的混淆，以及他们如何处理数据与聚类错误。
2019-02-20 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
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
Neural Autoregressive Flows for Markov Boundary Learning
Edith Cowan University（埃德温·考文大学）
本文提出利用条件熵作为评分标准，设计新型掩码自回归网络，结合并行贪心策略实现高效马尔可夫边界发现，提升因果发现任务的性能。
2026-03-21 cs.LG
Modified Causal Forests for Estimating Heterogeneous Causal Effects
揭示政策和业务决策在不同粒度级别的因果效应的异质性，为决策者提供了大量的价值。本文通过在多个维度上修改Wager和Athey（2018）提出的因果森林方法，在选择可观察量框架中为多个治疗模型开发了新的估计和推理程序。新的估计量具有理想的理论，计算和实践性质的因果效应的各种聚集水平。虽然经验蒙特卡罗研究表明，他们优于以前建议的估计，应用到积极的劳动力市场方案的评价显示的应用研究的新方法的价值。
2019-07-05 econ.EM stat.ML
Estimating average causal effects from patient trajectories
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；ETH Zurich（苏黎世联邦理工学院）
在医疗实践中，治疗方法的选择是基于对患者结局的预期因果影响。在这里，估计因果效应的金标准是随机对照试验;然而，这样的试验是昂贵的，有时甚至是不道德的。相反，医疗实践越来越有兴趣从电子健康记录（即观察数据）中估计患者（子）组之间的因果关系。在本文中，我们的目的是估计平均因果效应（ACE）的观察数据（患者轨迹），随着时间的推移收集。为此，我们提出了DeepACE：一种端到端的深度学习模型。DeepACE利用迭代G计算公式来调整时变混杂因素引起的偏倚。此外，我们开发了一种新的顺序靶向程序，确保DeepACE具有良好的理论特性，即，具有双重鲁棒性和渐近有效性。据我们所知，这是第一个提出端到端深度学习模型的工作，该模型专为估计随时间变化的ACE而量身定制。我们在大量的实验中比较了DeepACE，证实它达到了最先进的性能。我们还为患有腰痛的患者提供了一个案例研究，以证明DeepACE为临床实践提供了重要和有意义的发现。我们的工作使医生能够根据人群效应制定有效的治疗建议。
2023-01-23 cs.LG stat.CO stat.ML
Estimating Heterogeneous Causal Effect on Networks via Orthogonal Learning
Department of Statistics（统计学系）
本文提出一种两阶段正交学习框架，用于估计网络上的异质直接和溢出效应。通过图神经网络估计噪声成分，再利用可解释的注意力模型估计因果效应，支持可解释的下游分析。
2026-05-10 cs.LG stat.ML
Estimating Heterogeneous Causal Effects in the Presence of Irregular Assignment Mechanisms
IMT School for Advanced Studies（IMT高等研究院）
本文提供了因果推理和机器学习技术之间的联系-特别是分类和回归树（CART）-在观察性研究中，治疗的接受不是随机的，但治疗的分配可以假设是随机的（不规则分配机制）。本文有助于不断增长的应用机器学习文献的因果推理，提出了一个修改版本的因果树（CT）算法，从一个不规则的分配机制得出因果推理。该方法是通过将CT方法与工具变量框架合并到因果推理中来开发的，因此命名为工具变量因果树（CT-IV）。与CT相比，CT-IV的主要优势在于它可以更有效地处理因果效应的异质性，这一点已在合成数据上获得的一系列数值结果中得到证明。然后，所提出的算法被用来评估托斯卡纳地区管理局（意大利），其目的是减轻获得信贷的小企业实施的公共政策。在这方面，CT-IV为基于目标的政策开辟了新的天地，确定了有趣的异质因果效应。
2019-05-21 cs.LG stat.ML
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
Estimating Causal Effects with Double Machine Learning -- A Method Evaluation
School of Business and Economics, University of Tübingen（蒂宾根大学商学院与经济学院）；Hertie Institute for AI in Brain Health, University of Tübingen（蒂宾根大学赫蒂脑健康人工智能研究所）
本文评估了双重机器学习（DML）在因果效应估计中的表现，发现灵活的机器学习算法能更好地调整非线性混杂，但DML仍依赖标准因果识别假设，并给出了实践应用建议。
2024-04-30 cs.LG econ.EM stat.ME
Local Causal Discovery for Estimating Causal Effects
Carnegie Mellon University（卡内基梅隆大学）
本文提出局部因果发现算法 LDECC，通过非屏蔽碰撞子定向处理变量父节点，以估计可能的 ATE 集合，并在计算效率和忠实性假设上与现有方法形成互补。
2024-04-10 cs.LG stat.ME
On Counterfactual Interventions in Vector Autoregressive Models
Department of Electrical；Computer Engineering, Stony Brook University, Stony Brook, NY 11794, USA
本文提出在向量自回归模型中引入反事实推理，通过联合回归学习因果模型，并利用线性特性精确预测干预效果及量化总因果效应。
2024-06-27 cs.LG eess.SP stat.ME
The Amenability Framework: Rethinking Causal Ordering Without Estimating Causal Effects
本文提出基于可干预性的概念框架，证明在无法估计因果效应时，可使用预测得分作为个体干预倾向的有效代理进行排序，在资源受限环境中实现更稳健的干预优先级排序。
2025-04-04 cs.LG 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 of continuous-time dynamic treatments with unmeasured confounders
Key Laboratory of Advanced Theory and Application in Statistics and Data Science -MOE, School of Statistics, East China Normal University（华东师范大学统计学院统计学与数据科学前沿理论及应用教育部重点实验室）
本文提出一种新的方法，从贝叶斯视角估计连续时间动态治疗的因果效应，以处理未测量混杂因素，通过模拟验证其在不同混杂程度下的有效性，并应用于静脉注射催产素与产后出血的因果关系分析。
2026-04-01 stat.ME
Posterior Predictive Treatment Assignment for Estimating Causal Effects with Limited Overlap
使用倾向得分估计因果效应依赖于在估计的每个倾向得分值下观察到的经处理和未经处理单位的可用性。在强混杂的环境中，倾向得分分布中有限的所谓“重叠”可能会破坏估计因果效应的经验基础，并产生现有估计量的不稳定的有限样本性能。我们提出了一个贝叶斯过程，旨在估计因果效应的设置有有限的重叠倾向得分分布。我们的方法依赖于后验预测治疗分配（PPTA），这是一个来自倾向得分的量，但在估计因果关系中起着不同的作用。我们使用PPTA来估计因果效应，通过边缘化每个观察是否是未知子集的成员的不确定性，可以假设治疗分配无混淆。由此产生的后验分布取决于估计每个观察结果的因果效应的经验基础，并且与Li et al.（2016）最近提出的“重叠权重”具有共性。我们发现，PPTA方法可以被解释为现有的ad-hoc方法，如修剪的基础上的倾向得分或截断的治疗权重的逆概率的随机版本，并突出几个实际的优势，包括不确定性量化和改进的有限样本性能。我们说明了在美国的发电厂减少有害污染排放的技术的有效性评估的方法。
2017-10-24 stat.ME
Estimating causal effects with optimization-based methods: A review and empirical comparison
HEC Montréal（蒙特利尔高等商学院）；Michigan State University（密歇根州立大学）；Harvard University（哈佛大学）；McGill University（麦吉尔大学）
在没有随机对照和自然实验的情况下，有必要平衡给药组和对照组（可观察）协变量的分布，以获得感兴趣的因果效应的无偏估计;否则，可能会估计不同的效应量，并可能给出不正确的建议。为了实现这种平衡，存在各种各样的方法。特别是，最近在因果推断文献中提出了几种基于优化模型的方法。虽然这些优化为基础的方法经验表明，改善了有限数量的其他因果推断方法在其相对能力，以平衡协变量的分布和估计因果关系的影响，他们还没有彻底比较彼此和其他值得注意的因果推断方法。此外，我们认为，存在几个未解决的机会，业务研究人员可以贡献他们的先进知识的优化，为应用研究人员的利益，使用因果推断工具。在这篇综述论文中，我们提出了一个概述的因果推断文献和更详细地描述了基于优化的因果推断方法，提供了一个比较分析的流行的基于优化的方法，并讨论新方法的机会。
2022-02-28 cs.AI cs.LG econ.EM
Causal Inference out of Control: Estimating the Steerability of Consumption
Stanford University（斯坦福大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tübingen AI Center（图宾根人工智能中心）
监管机构和学者对数字平台的算法行为对消费的因果影响越来越感兴趣。我们引入了一个一般的因果推理问题，我们称之为消费的可操纵性，抽象了许多感兴趣的设置。专注于观察设计和利用问题的结构，我们展示了一组因果可识别性的假设，显着削弱了标准设计往往不切实际的重叠假设。我们的方法的关键新颖之处在于明确地对消费随时间的动态进行建模，将平台视为作用于动态系统的控制器。从这个动态系统的角度来看，我们能够表明，消费和适当的响应算法控制动作的外源性变化足以识别消费的可操纵性。我们的研究结果说明了控制理论和因果推理的富有成效的相互作用，我们从计量经济学，宏观经济学和机器学习的例子说明。
2023-02-10 cs.CY cs.LG stat.ML
Estimating Causal Effects Under Image Confounding Bias with an Application to Poverty in Africa
Institute for Analytical Sociology（分析社会学研究所）；Linköping University（林雪平大学）；Chalmers University of Technology（查尔姆斯理工大学）
因果效应的观察性研究需要调整混杂因素。在表格设置中，这些因素是明确定义的独立随机变量，混淆的影响很好理解。然而，在公共政策、生态学和医学中，决策通常是在非表格设置中做出的，由图像中检测到的模式或对象（例如，地图、卫星或层析成像）。使用这种图像进行因果推理提供了一个机会，因为图像中的对象可能与感兴趣的治疗和结果有关。在这些情况下，我们依靠图像来调整混淆，但观察到的数据并不直接标记重要物体的存在。受现实世界应用的启发，我们正式提出了这一挑战，如何处理它，以及什么条件足以识别和估计因果效应。我们使用模拟实验分析有限样本性能，使用倾向调整算法估计效果，该算法采用机器学习模型来估计图像混淆。我们的实验还研究了对图像模式机制的错误指定的敏感性。最后，我们使用我们的方法来估计政策干预对非洲社区的卫星图像贫困的影响。
2023-02-15 cs.LG stat.ME
Causal Machine Learning Methods for Estimating Personalised Treatment Effects -- Insights on validity from two large trials
University of Zurich（苏黎世大学）；Epidemiology, Biostatistics and Prevention Institute（流行病学、生物统计学与预防研究所）
本文基于两项大型卒中随机对照试验评估17种因果异质性机器学习方法，发现其个体化治疗效应估计在内部和外部验证中均无法可靠泛化，凸显加强稳健验证的必要性。
2025-01-07 cs.LG stat.ML
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
Generalized Independent Noise Condition for Estimating Latent Variable Causal Graphs
Guangdong University of Technology（广东工业大学）；Peking University（北京大学）；Pazhou Lab（琶洲实验室）；Carnegie Mellon University（卡内基梅隆大学）；Foshan University（佛山大学）
因果发现旨在恢复观察到的数据背后的因果结构或模型。尽管它在某些领域取得了成功，但大多数现有方法都集中在观测变量之间的因果关系上，而在许多情况下，观测变量可能不是潜在的因果变量（例如，图像像素），但是由潜在的因果变量或因果相关的混淆因素产生。为此，在本文中，我们考虑线性，非高斯潜变量模型（LiNGLaMs），其中潜在的混杂因素也是因果相关的，并提出了一个广义独立噪声（GIN）的条件来估计这样的潜变量图。具体地，对于两个观察到的随机向量$\mathbf{Y}$和$\mathbf{Z}$，当且仅当$ω^{\intercal}\mathbf{Y}$和$\mathbf{Z}$在统计上独立时，GIN成立，其中$ω$是由$\mathbf{Y}$和$\mathbf{Z}$之间的互协方差表征的参数向量。从图形的角度来看，粗略地说，GIN意味着$\mathbf{Y}$中变量的因果上较早的潜在共同原因将$\mathbf{Y}$与$\mathbf{Z}$分开。有趣的是，我们发现独立噪声条件，即，如果不存在混杂因素，原因是独立的，回归误差对原因的影响，可以看作是GIN的一个特例。此外，我们表明，GIN有助于定位潜在变量，并确定其因果结构，包括因果方向。我们进一步开发了一个递归的学习算法来实现这些目标。在合成数据和真实数据上的实验结果证明了该方法的有效性。
2020-11-18 cs.LG stat.ML
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
Estimating Causal Effects using a Multi-task Deep Ensemble
Duke University（杜克大学）；Duke University School of Medicine（杜克大学医学院）；University of Michigan Ross School of Business（密歇根大学罗斯商学院）
本文提出因果多任务深度集成框架CMDE，通过同时学习共享与群体特定信息，高效处理高维多模态数据并提供因果效应不确定性估计，在多数任务上超越现有方法。
2023-05-27 cs.LG stat.ML
Conditional Residual Prediction: Improving Autoregressive Video Diffusion without a Bidirectional Teacher
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Tencent Hunyuan（腾讯混元）
本文提出条件残差预测（CRP）方案，无需双向教师模型，训练出20亿参数的因果视频模型Optica，大幅缩小与双向模型的质量差距，仅用约1500万训练视频便生成高质量5秒480p视频。
2026-10-09 cs.AI cs.CV cs.LG
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 Categorical Counterfactuals via Deep Twin Networks
Imperial College London（帝国理工学院）；Spotify（Spotify公司）；FAU Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）；University College London（伦敦大学学院）
反事实推理是一种强大的工具，能够解决备受瞩目的领域中的挑战性问题。为了进行反事实推理，需要了解潜在的因果机制。然而，因果机制不能仅仅从观察和干预来确定。这就提出了一个问题，即如何选择因果机制，使所得的反事实推理在给定的领域是可信的。这个问题已经在二元变量的因果模型中得到了解决，但是分类变量的情况仍然没有答案。我们通过引入因果模型与分类变量的概念，反事实排序，假设理想的属性因果机制应该是一个原则，并证明它是等价于特定的功能约束的因果机制，以应对这一挑战。为了学习满足这些约束的因果机制，并使用它们进行反事实推理，我们引入了深度孪生网络。这些是深度神经网络，在训练时，能够进行双网络反事实推理--一种替代绑架、行动和预测方法的方法。我们在来自医学、流行病学和金融的各种真实世界和半合成数据上实证测试了我们的方法，报告了对反事实概率的准确估计，同时展示了当反事实排序不被强制执行时反事实推理所产生的问题。
2023-01-20 cs.AI cs.LG
Estimating Transfer Entropy via Copula Entropy
Hitachi (China) Research & Development Corporation（日立（中国）研究开发有限公司）
因果发现是统计学中的一个基本问题，在各个领域有着广泛的应用。传递熵是度量因果关系的一个重要概念，其本质是条件互信息。Copula Entropy（CE）是一种度量统计独立性的理论，与MI是等价的.在本文中，我们证明了TE可以表示只有CE，然后提出了一个非参数的方法估计TE通过CE。将该方法应用于北京PM2.5数据的实验分析。实验结果表明，该方法可以有效地从数据中推断因果关系，从而有助于更好地理解数据。
2021-03-06 cs.IT cs.LG math.IT
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
I See, Therefore I Do: Estimating Causal Effects for Image Treatments
Sony Research India（索尼印度研究院）
本文针对图像作为高维干预时的个体因果效应估计问题，提出 NICE 模型及半合成数据模拟框架，并在多种设置（含零样本）下验证其显著优于现有方法。
2024-11-28 cs.AI stat.AP stat.ML
Efficient least squares for estimating total effects under linearity and causal sufficiency
递归线性结构方程模型被广泛用于假设观测数据背后的因果机制。在这些模型中，每个变量等于剩余变量的子集加上误差项的线性组合。当不存在未观察到的混杂或选择偏倚时，假设误差项是独立的。我们考虑在这种情况下估计总的因果效应。因果结构被假定为已知的最大定向部分有向无环图（MPDAG），一般类的图形，可以表示马尔可夫等价类的有向无圈图（DAG）与添加的背景知识。我们提出了一个简单的估计基于递归最小二乘法，它可以一致地估计任何确定的总的因果效应，在点或联合干预。我们表明，这种估计是最有效的所有定期估计的基础上的样本协方差，其中包括协变量调整和估计采用联合IDA算法。值得注意的是，我们的结果在没有假设高斯误差的情况下成立。
2022-03-17 math.ST stat.ME stat.TH
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
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
