A Bayesian Nonparametric Causal Model for Regression Discontinuity Designs
对于非随机化研究,在相对温和的条件下,回归不连续设计(RDD)可用于识别和估计“局部随机化”受试者亚组的因果效应。然而,当前模型通过线性回归将因果推断集中在治疗(与非治疗)变量对因变量均值的影响上。对于RDD,我们提出了一个灵活的贝叶斯非参数回归模型,可以提供准确的估计因果关系的影响,在预测均值,方差,分位数,概率密度,分布函数,或任何其他选择的功能的结果变量。我们通过两个真实的教育数据集的分析来说明该模型,涉及(分别)一个清晰的RDD和一个模糊的RDD。
2015-02-11 stat.ME
Efficient nonparametric causal inference with missing exposure information
暴露信息缺失是许多观察性研究的一个非常常见的特征。在这里,我们研究的可识别性和有效的估计向量结果的因果关系的影响,在这种情况下,治疗是无混淆的,但部分失踪。我们考虑一个随机缺失的设置,其中治疗中的缺失不仅取决于复杂的协变量,而且还取决于治疗后的结果。我们给出了一个新的识别表达式平均处理效应在这种情况下,随着有效的影响函数,这个参数在非参数模型中,这产生了一个非参数的效率界。我们使用后一个结果来构造对维数灾难不像通常那样敏感的非参数估计,例如,通过具有更快的收敛速度比复杂的滋扰估计,他们依赖。进一步,我们表明,这些估计可以根-n一致的和渐近正常的弱非参数条件下,即使使用灵活的机器学习。最后,我们将这些结果应用到部分缺失工具变量的因果推断问题。
2020-02-02 stat.ME
Nonparametric causal inference from observational time series through marginal integration
从观测数据中进行因果推断是一项雄心勃勃但高度相关的任务,具有从自然科学到社会科学的多种应用。在非参数时间序列的范围内,通过干预定义的因果推断(参见Pearl(2000))在很大程度上是未探索的,尽管时间顺序大大简化了问题。我们考虑一个边际积分方案,用于从观测的时间序列数据推断因果效应,MINT-T(时间序列中的边际积分),这是Ernest和Bühlmann(Electron. J. Statist,pp. 3155-3194,第9卷,2015)。我们的平稳随机过程的方法是完全非参数的,并假设没有瞬时效应始终恢复总的因果关系的一个单一的干预与最佳的一维非参数收敛速度$n^{-2/5}$假设正则条件和两次可微的某个相应的回归函数。因此,MINT-T在很大程度上不受维数灾难的影响,只要在更高的维度中保持平滑条件,并且它对于大类平稳时间序列是可行的,包括非线性和多变量过程。对于瞬时效应的情况下,我们提供了一个程序,防止假阳性的因果关系陈述。
2016-12-21 stat.ME
Causal bounds for outcome-dependent sampling in observational studies
结果依赖型抽样设计在流行病学、生态学和经济学等许多不同的科学领域都很常见。与所有的观察性研究一样,这种设计经常受到无法测量的混杂因素的影响,这通常会排除因果效应的非参数识别。非参数边界可以提供一种方法来缩小不可识别因果效应的可能值范围,而无需进行额外的不可检验假设。非参数界文献几乎完全集中在随机抽样的设置,和边界往往是由一个特定的线性规划方法。我们推导了因果风险差异的新界限,通常称为平均处理效应,在六种情况下,采用结果依赖性抽样和未测量的混杂因素,用于二进制结果和暴露。我们的推导的界限说明了两种方法,可能适用于其他设置的边界问题不能直接表示为一个系统的线性约束。我们说明了我们推导出的边界在一个真实的数据例子,涉及维生素D浓度对死亡率的影响。
2020-10-11 math.ST stat.ME stat.TH
Extended Conditional Independence and Applications in Causal Inference
本文的目标是将随机条件独立性和变异条件独立性的概念整合到一个更一般的扩展条件独立性的概念之下。我们表明,在适当的假设下,分别适用于这两种情况(公理的分离体)的微积分仍然适用于扩展的情况。这些结果提供了一个严格的基础,广泛的统计概念,包括辅助性和充分性,特别是决策理论框架的统计因果关系,它使用的语言和演算的条件独立性,以表达因果属性,并作出因果推断。
2015-12-01 math.ST stat.ME stat.TH
Semiparametric Bayesian causal inference
我们开发了一个半参数贝叶斯方法估计的平均响应在一个缺失的数据模型与二进制的结果和非参数建模的倾向得分。等价地,我们估计治疗的因果效应,对混杂进行非参数校正。我们证明了标准高斯过程先验在光滑条件下满足半参数Bernstein-von Mises定理。我们进一步提出了一种新的倾向分数相关的先验知识,在严格较弱的条件下提供有效的推理。我们还表明,理论上最好使用狄利克雷过程或贝叶斯自助法对协变量分布进行建模,而不是使用高斯过程先验对协变量密度进行建模。
2019-10-10 math.ST stat.ME stat.TH
When are time series predictions causal? The potential system and dynamic causal effects
Harvard University(哈佛大学)
本文提出潜在系统模型,用于评估时间序列中某一时间点的干预对未来结果的因果影响,并探讨其在时间序列实验、回归和SVAR等方法中的应用。
2026-03-20 econ.EM stat.ME
A Practical Introduction to Bayesian Estimation of Causal Effects: Parametric and Nonparametric Approaches
本文面向统计实践者系统介绍因果效应的贝叶斯估计,涵盖参数先验收缩、稀疏性、概率敏感性分析及非参数贝叶斯方法,并提供点处理、时变处理与开源代码示例。
2020-08-21 stat.ME stat.ML
Nonparametric efficient inference for network quantile causal effects under partial interference
Washington University in St. Louis(圣路易斯华盛顿大学);Yale School of Public Health(耶鲁公共卫生学院)
本文研究了在部分干扰下网络分位数因果效应的非参数高效推断方法,提出了一种非参数高效估计器,具有参数一致性且允许灵活的数据自适应估计复杂 nuisance 函数。
2026-04-14 stat.AP stat.ME stat.ML
Identifying Finite Mixtures of Nonparametric Product Distributions and Causal Inference of Confounders
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
我们提出了一个核方法来识别有限混合非参数乘积分布。它基于联合分布的Hilbert空间嵌入。构造的张量的秩等于混合分量的个数。我们提出了一种算法来恢复组件的数据点划分成集群,使变量是联合条件独立给定的集群。该方法可用于识别有限混杂因素。
2013-09-26 cs.AI cs.LG stat.ML
Nonparametric identification and efficient estimation of causal effects with instrumental variables
本文整理了基于条件Wald估计量的因果效应非参数识别条件,提出了对应边际和条件因果对比泛函的非参数有效估计量,并通过观察性研究和随机试验验证了方法。
2024-02-14 stat.ME
Nonparametric Causal Decomposition of Group Disparities
本研究提出一种非参数因果分解方法,识别处理变量影响群体结果差异的三类机制,开发了兼具多重优良统计性质的估计量,实证发现新的选择成分在代际收入持续性中存在未被揭示的作用。
2024-12-14 econ.EM stat.ME
Nonparametric Bounds in Causal Mediation Analysis in the Presence of Unmeasured Confounding and Imperfect Compliance
针对存在未测量混杂和不依从时因果中介参数不可识别的问题,本文扩展了Sjölander的非参数界方法,推导了随机对照试验中ACME、NDE及依从者子群体局部因果参数的非参数锐界,并通过工作搜索干预研究数据集验证了其实用性。
2025-09-02 stat.ME
Nonparametric Instrumental Variable Regression with Observed Covariates
University College London(伦敦大学学院);University of Stuttgart(斯图加特大学)
本文提出了一种结合观测协变量的非参数工具变量回归方法,通过引入傅里叶测度和自适应核长度尺度,实现了对异质因果效应的高效估计,并建立了理论学习速率的上下界。
2025-11-24 cs.LG math.ST stat.ML
Efficient nonparametric estimation of causal mediation effects
项目评估和科学研究的一个基本目标是调查因果机制。在过去的几十年里,因果中介分析被用于医学和社会科学,将处理效应分解为自然的直接效应和间接效应。然而,所有现有的中介分析方法都以这样或那样的方式依赖于参数建模假设,通常需要研究人员指定涉及治疗,中介,结果和治疗前混杂因素的多元回归模型。为了克服这一局限性,我们提出了一种新的非参数估计方法的因果中介分析,消除了应用研究人员模型多个条件分布的需要。所提出的方法通过加权每个观察值来平衡治疗组和对照组之间的经验矩;特别是,我们建立了所提出的估计量是全局半参数有效的。我们还展示了如何一致地估计所提出的估计量的渐近方差,而无需额外的努力。最后,我们将所提出的方法扩展到其他相关的设置,包括因果中介分析与多个调解人。
2016-01-14 stat.ME
Causal Inference with the Instrumental Variable Approach and Bayesian Nonparametric Machine Learning
Arizona State University(亚利桑那州立大学);Medical College of Wisconsin(威斯康星医学院)
我们提供了一个新的灵活的推理框架与工具变量模型。而不是使用线性规格,函数表征的影响,文书和其他解释变量估计使用机器学习通过贝叶斯加性回归树(BART)。误差项及其分布推断使用狄利克雷过程混合物。仿真和实例表明,当真函数为线性时,损失很小。但是当存在非线性时,几乎不需要手动调谐就可以获得显著的改善。
2021-02-01 cs.LG stat.ML
Nonparametric tests of the causal null with non-discrete exposures
在许多科学研究中,确定暴露是否对结果产生因果影响是很有意义的。在观察性研究中,这是一项具有挑战性的任务,因为存在影响暴露和结局的混杂变量。已经开发了许多方法来测试当观察到所有这些混杂变量并且当感兴趣的暴露是离散的时是否存在因果效应。在这篇文章中,我们提出了一类非参数检验的原假设,有没有平均因果效应的任意单变量暴露的结果中观察到的混杂。我们的测试适用于离散、连续和混合离散-连续曝光。我们表明,我们提出的测试是双重强大的一致性,他们有正确的渐近第一类错误,如果两个滋扰参数参与的问题估计在足够快的速度,他们有能力检测本地替代品接近零的速度$n^{-1/2}$。我们在数值研究中研究了我们的测试的性能,并使用它们来测试吸烟母亲中吸烟对出生体重的因果影响。
2020-10-06 stat.ME
Causal Inference with Treatment Measurement Error: A Nonparametric Instrumental Variable Approach
University College London(伦敦大学学院);University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所)
我们提出了一个基于核的非参数估计的因果效应时,原因被错误损坏。我们这样做是通过在工具变量设置中推广估计。尽管在具有测量误差的回归方面做了大量的工作,但在连续设置中处理未观察到的混杂是不平凡的:我们几乎没有看到以前的工作。作为我们研究的副产品,我们澄清了均值嵌入和特征函数之间的联系,以及如何同时学习一个允许一个学习另一个。这为核方法研究在特征函数估计中利用现有结果开辟了道路。最后,我们的经验表明,我们提出的方法,MEKIV,提高了基线和测量误差的强度和类型的误差分布的变化下是强大的。
2022-06-18 cs.LG stat.ME
Nonparametric Identification and Estimation of Causal Effects on Latent Outcomes
Duke University(杜克大学);Columbia University(哥伦比亚大学)
本文提出非参数框架,解决潜在结果测量不完美时的因果推断问题,通过非参数桥函数实现估计和识别,克服跨研究和跨指标的非可比性挑战。
2026-10-21 econ.EM stat.AP stat.ME
Causal bootstrapping
School of Computer Science, University of Birmingham(伯明翰大学计算机学院);MIT(麻省理工学院)
为了得出科学上有意义的结论并建立可靠的定量现象模型,必须考虑因果关系(无论是隐含的还是明确的)。当测量结果不是来自受控实验(干预)环境时,这尤其具有挑战性,因为因果关系可能会被虚假的间接影响所掩盖。来自机器学习的现代预测技术能够捕获变量之间的高维非线性关系,同时依赖于很少的参数或概率模型假设。然而,由于这些技术是关联的,应用于观测数据,它们很容易从非实验(观测)数据中获得虚假的影响,使它们的预测不可靠。因果推理的技术,如概率因果图和do-calculus,提供了强大的(非参数)工具,用于从这些观察数据中得出因果推理。然而,这些技术通常与现代的非参数机器学习算法不兼容,因为它们通常需要显式概率模型。在这里,我们开发因果自举增强经典的非参数自举响应与变量之间的因果关系的信息。这使得可以对观察数据进行重新采样,使得如果可以从该数据识别干预关系,则可以从原始观察数据模拟表示该关系的新数据。通过这种方式,我们可以使用现代机器学习算法不变地做出统计上强大但因果上稳健的预测。我们开发了几种因果自举算法,用于从观测数据中提取干预性推断,用于分类和回归问题,并使用合成和真实世界的例子来证明这种方法的价值。
2020-12-10 cs.LG math.ST stat.ME
Nested Nonparametric Instrumental Variable Regression
Harvard University(哈佛大学)
针对短面板数据中嵌套非参数工具变量回归因复合病态性导致收敛速率未知的问题,提出相对良态性与多重稳健性技术,实现了显式均方收敛速率与有效推断,并兼容多种机器学习方法。
2025-05-30 cs.LG econ.EM math.ST
Nonparametric causal structure learning in high dimensions
PC和FCI算法是流行的基于约束的方法,用于学习有向无环图(DAG)的结构,分别在存在和不存在潜在变量和选择变量的情况下。这些算法(以及它们的阶数无关的变体,PC稳定和FCI稳定)已经被证明是一致的,用于学习基于偏相关的稀疏高维DAG。然而,从偏相关性推断条件独立性是有效的,如果数据是联合高斯或从线性结构方程模型生成的-在许多应用中可能违反的假设。为了拓宽高维因果结构学习的范围,我们提出了PC稳定和FCI稳定算法的非参数变体,这些算法采用条件距离协方差(CdCov)来测试条件独立关系。作为关键的理论贡献,我们证明了高维的PC稳定和FCI稳定算法的一致性进行一般分布的DAG时,我们实现了基于CdCov-based的非参数检验的条件独立性。数值研究表明,我们提出的算法表现得几乎一样好的PC稳定和FCI稳定的高斯分布,并提供在非高斯图形模型的优势。
2021-06-21 stat.ME
Bayesian nonparametric generative models for causal inference with missing at random covariates
我们提出了一个一般的贝叶斯非参数(BNP)的方法,因果推断在点处理设置。观察数据(结局、治疗和混杂因素)的联合分布使用富集Dirichlet过程建模。观测数据模型和因果假设的结合使我们能够识别任何类型的因果效应-差异,比率或分位数效应,无论是边缘还是针对感兴趣的亚群。所提出的BNP模型非常适合于因果推断问题,因为它不需要关于混杂因素分布的参数假设,并且自然地导致计算效率高的吉布斯抽样算法。通过对联合分布进行灵活建模,我们还能够在假设可验证的缺失情况下,对算法内的缺失协变量值进行插补(通过数据增强),从而无需创建单独的插补数据集。这种插补缺失协变量的方法具有额外的优势,可以保证插补模型和分析模型之间的一致性,并且由于我们使用BNP方法,因此避免了参数模型进行插补。使用模拟研究的方法的性能进行评估。该方法适用于人类免疫缺陷病毒/丙型肝炎病毒合并感染患者的队列研究数据。
2017-02-27 stat.ME
Bayesian Nonparametric Trees for Principal Causal Effects
针对连续中间变量下无限多主层导致的主因果效应评估难题,提出基于贝叶斯因果森林的双贝叶斯加性回归树模型,灵活评估跨主层的处理效应异质性,并应用于发电厂排放控制技术对颗粒污染的影响分析。
2024-03-20 stat.ME
A Bayesian Nonparametric Model for Zero-Inflated Outcomes: Prediction, Clustering, and Causal Estimation
研究人员通常对预测结果感兴趣,进行聚类分析以检测其数据的不同亚组,或计算因果处理效应。表现出偏态和零膨胀的病理数据分布使这些任务复杂化-需要高度灵活的数据自适应建模。在本文中,我们提出了一个完全非参数贝叶斯生成模型,连续,零膨胀的结果,同时预测结构零,捕获偏度,并聚类患者相似的联合数据分布。我们的方法的灵活性产生的预测,捕捉联合数据分布比常用的零膨胀的方法。此外,我们证明,我们的模型可以连贯地纳入一个标准化程序,用于计算因果效应估计,这些数据病理是强大的。该模型所有级别的不确定性都流向感兴趣的因果效应估计-允许简单的点估计、区间估计和验证阳性的后验预测检查,这是一个必需的因果识别假设。我们的模拟结果表明,在复杂的数据设置下,点估计有低偏差和区间估计有接近名义覆盖。在更简单的设置下,这些结果保持不变,同时比比较方法产生更低的效率损失。最后,我们使用我们提出的方法来分析零膨胀的住院医疗费用子宫内膜癌患者接受化疗和放疗的SEER医疗数据库。
2019-03-09 stat.ME
Bayesian nonparametric mixtures of categorical directed graphs for heterogeneous causal inference
本文提出基于分类DAG的狄利克雷过程混合模型,在个体层面进行异质性因果推断,并通过模拟和乳腺癌心脏毒性数据验证其有效性。
2024-08-31 stat.AP stat.ME
Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments
Institute of Mathematics and Computer Sciences at University of São Paulo(圣保罗大学数学与计算机科学研究所)
提出广义 ps-BART 非参数模型估计连续处理下的 ATE 与 CATE,在多组 DGP 中优于 BCF,尤其适用于非线性关系。
2024-09-10 cs.LG stat.AP stat.ML
A Bayesian Nonparametric Hypothesis Testing Approach for Regression Discontinuity Designs
非连续回归设计是非随机研究中常用的因果推断方法。这是因为它可用于在温和条件下识别和估计因果效应。具体而言,对于每例受试者,研发设计根据分配变量的观察值是否超过固定和已知的临界值分配治疗或非治疗。在本文中,我们提出了一个贝叶斯非参数回归建模方法的RD设计,它利用了当地的随机化功能。在这种方法中,分配变量被视为协变量,标量值混杂变量被视为因变量(可能是多变量混杂评分)。然后,在模型的局部随机化受试者的后验分布上,通过治疗结局和非治疗结局的两组统计学比较,在该随机群内进行因果效应的推断。我们通过对一个真实的教育数据集的分析,说明贝叶斯非参数方法,调查基本技能和教学能力之间的因果关系。
2014-02-09 stat.ME
Fast Nonparametric Conditional Independence Testing via Two-Stage Regression
Department of Biomedical Informatics, University of Pittsburgh(生物医学信息学系,匹兹堡大学)
提出BLITZ方法,通过两阶段回归(低阶多项式+浅层树)快速消除条件集影响,实现校准良好的非参数条件独立性检验,适用于因果发现。
2026-06-23 cs.LG stat.ME stat.ML
Doubly Robust Inference on Causal Derivative Effects for Continuous Treatments
针对连续处理,研究存在和不存在positivity条件下剂量反应曲线导数的非参数推断,提出双重稳健估计量,解决传统方法不足,通过模拟和案例验证其适用性与效率。
2025-04-18 econ.EM math.ST stat.ME
Marginal integration for nonparametric causal inference
我们考虑的问题推断的总因果效应的一个单一的变量干预(响应)变量的利益。我们提出了一定的边际积分回归技术的一个非常一般的一类潜在的非线性结构方程模型(SEMs)与已知的结构,或至少已知的超集的调整变量:我们称之为S-薄荷回归的过程。我们很容易得出,它达到了非参数回归的收敛速度:例如,单变量干预效应可以估计与收敛速度$n^{-2/5}$假设光滑的二次可微函数。我们的结果也可以被看作是一个主要的鲁棒性的模型误指定远远超出了双重鲁棒性的概念。此外,当SEM的结构未知时,我们可以估计对应于SEM的有向无环图(的等价类),然后基于这些估计使用S-mint进行。我们实证比较的S-mint回归方法与更经典的方法,并认为前者确实是更强大,更可靠和更简单。
2015-11-12 stat.ME
Causal inference with confounders missing not at random
从观察性研究中得出因果推断是很重要的,但是,如果混杂因素有缺失值,这将变得具有挑战性。一般来说,如果混杂因素是非随机缺失,则无法识别因果效应。我们提出了一个新的框架,以非参数识别因果关系的影响与混杂因素的结果无关的missingness,即缺失数据的机制是独立的结果,给定的治疗和可能的缺失混杂因素。然后,我们提出了一个非参数两阶段最小二乘估计和因果效应的参数估计。
2019-02-01 stat.ME
Doubly Robust Nonparametric Instrumental Variable Estimators for Survival Outcomes
工具变量(IV)方法使我们有机会解决因果推断中的不可测混杂。然而,大多数IV方法仅适用于离散或连续结局,很少有IV方法适用于删失生存结局。在这项工作中,我们提出了非参数估计的局部平均处理效应的生存概率下不可删失和可删失。我们提供了一个有效的基于影响函数的估计和一个简单的估计过程时,IV是二进制或连续的。所提出的估计具有双重鲁棒性,可以很容易地将非参数估计使用机器学习工具。在模拟研究中,我们证明了我们提出的估计在各种合理的情况下的灵活性和效率。我们将我们的方法应用于前列腺癌、肺癌、结直肠癌和卵巢癌筛查试验,以估计筛查对生存概率的因果影响,并研究在不同删失假设下两种干预措施之间的因果对比。
2020-09-28 stat.ME
Sample Complexity of Nonparametric Closeness Testing for Continuous Distributions and Its Application to Causal Discovery with Hidden Confounding
EPFL(洛桑联邦理工学院);College of Management of Technology, EPFL(洛桑联邦理工学院技术管理学院);Department of Computer and Communication Sciences, EPFL(洛桑联邦理工学院计算机与通信科学系)
本文研究连续分布接近性检验的样本复杂度,提出基于 von Mises 展开的 KL 散度估计器,并将其用于含隐藏混杂的多维非高斯非线性因果发现,首次给出因果方向判别的样本复杂度保证。
2025-03-10 cs.LG stat.ML
Nonparametric causal effects based on incremental propensity score interventions
因果推断中的大多数工作考虑确定性干预,将每个单元的处理设置为某个固定值。然而,在积极性违规的情况下,这些干预措施可能会导致不识别,效率低下,并且几乎没有实际意义。此外,纵向研究中的相应效应对维度灾难高度敏感,导致广泛使用不切实际的参数模型。我们提出了一个新的解决方案,这些问题:增量干预,改变倾向得分值,而不是设置治疗固定值。渐进式干预有几个关键优势。首先,他们完全避免积极的假设。第二,他们不需要参数假设,但仍然承认一个简单的纵向效应的表征,独立于时间点的数量。例如,它们允许用单个曲线而不是系数列表来可视化纵向效应。在描述这些增量干预措施并给出相应效果的识别条件后,我们还开发了一般效率理论,提出了有效的非参数估计,即使在结合灵活的机器学习时也可以达到快速收敛速度,并提出了基于Bootstrap的置信带和无处理效应的同时检验。最后,我们通过模拟探索有限样本的性能,并应用该方法来研究时变社会学的监禁对进入婚姻的影响。
2018-06-18 stat.ME
Towards Dynamic Causal Discovery with Rare Events: A Nonparametric Conditional Independence Test
University of California, Berkeley(加州大学伯克利分校)
针对动态系统中仅在稀有低概率事件发生时显现的因果联系,提出基于时不变状态叠加数据的非参数条件独立性检验,给出非渐近样本复杂度界,并在模拟与PeMS真实事故数据上验证。
2023-07-17 cs.LG cs.SY eess.SY
Beyond principal ignorability: Nonparametric sensitivity bounds for principal stratification
Mississippi State University(密西西比州立大学);University of Pennsylvania(宾夕法尼亚大学);Yale School of Public Health(耶鲁公共卫生学院)
针对因果推断中主分层框架下主因果效应不可识别的问题,提出一种基于未测量混杂因子相对风险的无界参数化非参数敏感性分析方法,推导出每个主因果效应的尖锐非参数界,并推广至主广义因果效应。
2026-06-01 stat.ME
Nonparametric efficient causal estimation of the intervention-specific expected number of recurrent events with continuous-time targeted maximum likelihood and highly adaptive lasso estimation
本文针对连续时间复发性事件数据,利用g-计算和乘积积分干预定义因果目标参数,并提出结合目标最大似然估计与高度自适应套索的双重稳健非参数推断方法。
2025-04-11 stat.ME
A general nonparametric framework for testing hypotheses about function-valued parameters
University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心)
本文提出一种非参数方法,用于检验条件分布定义的统计参数是否在条件变量上恒定,应用于治疗异质性、条件关联效应和条件均值依赖等问题,通过函数值参数的范数研究建立检验方法,并在模拟和乳腺癌试验中验证其有效性。
2026-04-21 stat.ME
A Bayesian nonparametric approach for causal inference with multiple mediators
同时观察多个中介物的中介分析是因果推断的一个重要领域。最近的方法,多个调解人往往是基于参数模型,因此可能会遭受模型误指定。此外,许多现有的文献要么只允许估计的联合调解效果,或估计的联合调解效果的总和,个别调解人的影响,这往往是不合理的假设。在本文中,我们提出了一种方法,克服了上述两个缺点。我们的方法是基于一种新的贝叶斯非参数(BNP)方法,其中观测数据的联合分布(结果,介质,治疗和混杂因素)使用具有三个水平的丰富Dirichlet过程混合物灵活建模:第一个水平描述了给定中介、治疗和混杂因素的结果的条件分布,第二级对应于给予治疗和混杂因素的每个介质的条件分布,第三级对应于治疗和混杂因素的分布。我们使用标准化(g-计算)来计算因果中介效应下三个不可检查的假设,允许识别的个人和联合中介效应。我们所提出的方法的有效性与模拟证明。我们应用我们提出的方法来分析来自呼吸机相关肺炎(VAP)合并感染患者的研究数据,其中假单胞菌的丰度对VAP感染的影响被怀疑是通过抗生素介导的。
2022-08-29 stat.AP stat.ME stat.OT
Bayesian Nonparametric Causal Inference for High-Dimensional Nutritional Data via Factor-Based Exposure Mapping
Brown University(布朗大学);La Sapienza University of Rome(罗马第一大学)
本文提出基于因子暴露映射的贝叶斯非参数方法,用于高维营养数据中饮食模式的因果推断,识别六个饮食模式并评估其与健康风险因素的因果联系。
2026-01-23 stat.ME
Nonparametric causal inference for optogenetics: sequential excursion effects for dynamic regimes
本文提出一种非参数因果推断框架,通过扩展序列偏移效应方法分析光遗传学实验中的动态治疗机制,解决了正定性违规下的因果效应估计问题,并提供了可识别性条件和渐近统计保证。
2025-07-01 stat.AP stat.ME
Bias-Targeted Nonparametric Balancing for Stable Causal Mediation Analysis
Department of Mathematics and Statistics, Boston University(波士顿大学数学与统计系)
本文提出一种非参数加权平衡方法,用于稳定因果中介分析中的估计器,通过重新参数化似然函数减少连续中介变量带来的偏倚和方差。
2026-02-09 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
Modeling Systemic Risk: A Time-Varying Nonparametric Causal Inference Framework
Technical University of Munich(慕尼黑工业大学);Virginia Tech(弗吉尼亚理工大学);Ecole Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
提出时变非参数有向信息图框架,基于广义格兰杰因果度量估计动态因果网络,用于识别和监测金融系统(含加密货币)中的系统性风险及其跨部门溢出效应。
2023-12-27 cs.AI cs.IT econ.EM
Bayesian Nonparametric Causal Inference: Information Rates and Learning Algorithms
University of California Los Angeles (UCLA)(加州大学洛杉矶分校);University of Oxford(牛津大学)
我们研究了从观察数据中估计治疗对个体受试者的因果效应的问题,这是各个应用领域的核心问题,包括医疗保健,社会科学和在线广告。在Neyman Rubin潜在结果模型中,我们使用估计和真实分布之间的Kullback Leibler(KL)分歧作为估计准确性的度量,并且我们将贝叶斯因果推断过程的信息率定义为估计和真实分布之间的库尔贝克-莱布勒散度的预期值(的渐近等价类)作为样本数的函数。利用Fano方法,我们建立了一个贝叶斯估计所能达到的信息率的基本极限,并证明了这个基本极限与观测数据中的选择偏差无关。我们表征贝叶斯先验的潜在(事实和反事实)的结果,实现最佳的信息率。因此,我们表明,一个特定的类的先验,已被广泛使用的因果推断文献不能达到最佳的信息率。另一方面,更广泛的先验类别可以实现最优信息率。我们继续提出了一个先验适应程序(我们称之为基于信息的经验贝叶斯程序),通过最大化恢复的因果效应的信息理论标准,而不是最大化所观察到的(事实)数据的边际可能性,优化贝叶斯先验。在此基础上,我们构造了一个信息最优的贝叶斯因果推断算法。
2018-01-21 cs.LG stat.ME stat.ML
Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach
Yale School of Public Health(耶鲁大学公共卫生学院);University of Pennsylvania(宾夕法尼亚大学)
本文提出一种嵌套贝叶斯非参数方法,用于处理由死亡等终端事件截断的复发事件,通过双重脆弱框架推导出部分可识别结果,提升因果推断的透明度和准确性。
2026-03-17 stat.ME
BNPqte: A Bayesian Nonparametric Approach to Causal Inference on Quantiles in R
在本文中,我们介绍了BNPqte R包,该包实现了Xu,Daniels和Winterstein(2018)的贝叶斯非参数方法,用于估计观察性研究中的分位数处理效应。该方法提供了潜在结局分布的灵活建模,因此能够捕获结局、治疗和混杂因素之间的各种潜在关系,并同时估计多个分位数处理效应。具体而言,该方法使用贝叶斯加性回归树(BART)模型来估计倾向得分,并且使用多变量正态模型的狄利克雷过程混合(Dirichlet process mixture,DNR)来估计潜在结果的条件分布,给出估计的倾向得分。BNPqte R软件包通过设计有效的R函数用于联合和条件密度估计中的多元正态模型的拟合,为这种方法提供了快速实现。与流行的DP包相比,这些R函数极大地提高了密度估计中的RMM模型的效率。BNPqte R包中与BART相关的R函数继承自BART R包,并对变量重要性和分裂概率进行了两次修改。为了最大限度地提高计算效率,每个模型的实际采样和计算都在C++代码中进行。Armadillo C++库还用于快速线性代数计算。
2021-06-28 stat.CO stat.ME
Nonparametric bounds for vaccine effects in randomized trials
Tel Aviv University(特拉维夫大学)
本文通过放松盲法假设,推导了疫苗效应的非参数因果界限,采用线性规划和单调性方法,并通过合成数据验证了其有效性。
2026-03-11 stat.ME
Reframed GES with a Neural Conditional Dependence Measure
Hong Kong University of Science and Technology(香港科技大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Hong Kong Baptist University(香港浸会大学)
在非参数设置中,因果结构通常只能识别到马尔可夫等价,并且为了因果推断的目的,学习马尔可夫等价类(MEC)的图形表示是有用的。在本文中,我们重温贪婪等价搜索(GES)算法,这是广泛引用的基于分数的算法学习MEC的基础因果结构。我们观察到,为了使GES算法在非参数设置中保持一致,没有必要设计评估图形的评分度量。相反,插入一个条件依赖性度量的相合估计量就足以指导搜索。因此,我们提出了一个框架的GES算法,这是更灵活的比标准的分数为基础的版本,很容易借给自己的非参数设置与一般措施的条件依赖。此外,我们提出了一种神经条件依赖(NCD)度量,它利用深度神经网络的表达能力,以非参数方式表征条件独立性。我们建立了最优的框架GES算法在标准假设和使用我们的NCD估计的一致性,以决定条件独立性。这些结果共同证明了所提出的方法。实验结果表明,我们的方法在因果发现的有效性,以及使用我们的NCD措施的优势,基于核的措施。
2022-06-17 cs.LG stat.ML
Learning Causal Models from Conditional Moment Restrictions by Importance Weighting
CyberAgent, Inc.(赛博代理公司);The University of Tokyo(东京大学);Temple University(天普大学)
我们考虑在条件矩约束下学习因果关系。与无条件矩约束下的因果推理不同,条件矩约束对因果推断提出了严峻的挑战,特别是在高维环境中。为了解决这个问题,我们提出了一种方法,转换条件矩约束无条件矩限制,通过重要性加权,使用条件密度比估计。利用这种变换,我们成功地估计了定义在条件矩约束下的非参数函数。我们提出的框架是通用的,可以应用于广泛的方法,包括神经网络。我们分析了估计误差,为我们提出的方法提供了理论支持。在实验中,我们证实了我们提出的方法的合理性。
2022-09-28 cs.LG econ.EM stat.AP
Nonparametric heterogeneous causal mediation with orthogonal machine learning
Yale School of Public Health(耶鲁大学公共卫生学院)
提出正交机器学习框架估计条件异质性中介效应,通过加权Neyman正交损失和两阶段元学习实现,模拟中误差降低超50%,并在三个数据集上揭示异质性效应。
2026-09-10 stat.ME
Flexible Nonparametric Inference for Causal Effects under the Front-Door Model
Emory University(埃默里大学)
本文提出基于前门模型的非参数因果推断方法,开发了针对平均处理效应和处理后的平均处理效应的估计器,并通过模拟和实际数据验证了方法的有效性。
2026-10-05 stat.ME stat.ML
Nonparametric identification of causal effects in clustered observational studies with differential selection
群集观察性研究(COS)设计是与群集随机试验相对应的观察性研究。在COS中,处理被分配给完整组,并且组内的所有单元都暴露于处理。然而,治疗是非随机分配的。COS在教育和卫生服务研究中很常见。在教育方面,某些学校的所有学生都可以得到治疗,但其他学校的所有学生都不能得到治疗。在健康研究中,治疗可以应用于集群,如医院或由同一医生治疗的患者群体。在这篇文章中,我们研究了聚类观察研究设计中因果效应的识别。我们专注于差异选择的单位集群,这发生在单位的集群选择依赖于集群的治疗分配的前景。现存的关于COSs的研究已经做了一个隐含的假设,排除了差异选择的存在。我们得出的识别结果与差分选择的设计和差分集群选择的背景下需要不同的调整集比标准设计。我们概述了有和没有差分选择的设计估计。使用一系列的模拟,我们概述了差异选择可能发生的偏差的大小。然后,我们提出了两个经验的应用程序,重点是差异选择的可能性。
2022-06-21 stat.AP stat.ME