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
Propensity Score Matching and Subclassification in Observational Studies with Multi-level Treatments
在本文中,我们开发了新的方法来估计平均处理效应的观察性研究,重点是设置两个以上的治疗水平下unconfoundedness给定的治疗前变量。我们强调的子分类和匹配的方法已被发现是有效的二进制处理的文献,其中最流行的方法在该设置。而文献表明,这些特定的倾向为基础的方法不自然地扩展到多层次的治疗情况下,我们表明,使用弱unconfoundedness的概念,调整或匹配的标量函数的预处理变量删除与观察到的预处理变量相关的所有偏见。我们应用所提出的方法来分析纤维肌痛的治疗效果。我们还进行了模拟研究,以评估有限样本性能的方法相对于以前提出的方法。
2015-12-14 stat.ME
A Universal Framework for Factorial Matched Observational Studies with General Treatment Types: Design, Analysis, and Applications
New York University(纽约大学);Harvard Business School, Harvard University(哈佛大学商学院);Grossman School of Medicine, New York University(纽约大学格罗斯曼医学院);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出了一种适用于一般处理类型的因子匹配观测研究的通用框架,通过两阶段匹配算法和新的估计量,有效估计主效应和交互效应,并应用于评估新冠疫情期间社交距离措施的影响。
2025-12-22 stat.AP stat.ME
Estimation of Treatment Effects based on Kernel Matching
Northeast Normal University(东北师范大学);Bentley University(本特利大学)
本文提出基于核匹配的处理效应估计方法,通过影响函数技术建立了ATE和ATT估计量的渐近正态性和一致性,扩展了理论保证至倾向分数估计的实际情况,并通过实验证明其优越性。
2025-12-10 stat.ME
Outcome Based Matching
我们提出了一种方法,以减少在高维数据的设置中的处理效应估计的方差。特别是,我们介绍了一种方法,用于学习一个度量用于匹配治疗组和对照组。该指标通过对与结局相关的协变量进行加权并过滤掉不相关的协变量来降低处理效应估计值的方差。
2017-12-14 stat.AP
Multiply robust matching estimators of average and quantile treatment effects
倾向得分匹配是处理因果推断中混杂的长期传统,然而需要严格的模型假设。在这篇文章中,我们提出了双评分匹配(DSM)的一般因果被估量利用两个平衡得分,包括倾向得分和预后得分。为了保护可能的模型误指定,我们为每个得分选择多个候选模型。我们表明,去偏DSM估计实现了多重稳健性,因为它是一致的真正的因果估计,如果任何模型的倾向得分或预后分数是正确的。
2020-07-05 stat.ME
Optimal Estimation of Generalized Average Treatment Effects using Kernel Optimal Matching
在因果推断中,研究了各种因果效应估计,包括样本、未删失、目标、条件、最优子总体和最优加权平均处理效应。特设方法已开发的基础上,每个估计逆概率加权(IPW)和结果的回归建模,但这些可能是敏感的模型误指定,实际违反的积极性,或两者兼而有之。本文的贡献是双重的。首先,我们制定了广义平均处理效应(GATE),以统一这些因果估计以及他们的IPW估计。其次,我们开发了一种基于核最优匹配(KOM)的方法来最优地估计GATE,并找到最容易由KOM估计的GATE,我们称之为核最优加权平均处理效应。KOM在一类模型上提供对加权估计的条件均方误差的统一控制,同时控制精度。我们研究其理论特性,并评估其比较性能的模拟研究。我们说明了使用KOM的GATE估计在两个案例研究:比较脊柱手术干预和研究艾滋病毒感染者的同伴支持的影响。
2019-10-17 stat.AP stat.ME stat.ML
Propensity Score Matching underestimates Real Treatment Effect, in a simulated theoretical multivariate model
倾向得分匹配(PSM)是一种有效的方法,可以减少观察性研究中治疗选择偏倚对因果效应估计的影响。在匹配之后,PSM显著减少了被调查的样本,这可能导致其他可能的偏差。从这个意义上说,我们想分析的行为,这种PSM与其他广泛使用的方法来处理不可比较的群体相比,是多元回归模型(MRM)。蒙特卡罗模拟,以构建具有不同效果的群体,以比较PSM和MRM估计这种效果的行为。还计算了PSM的治疗选择偏倚减少。使用PSM可降低治疗选择偏倚,降低相对真实处理效应估计误差,但尽管降低了偏倚和估计误差,与PSM相比,MRM显著降低了该估计误差。此外,PSM导致样品的不显著减少。这种从匹配过程中获得的信息的丢失可能导致另一个未知的偏差,因此,与MRM相比,效果估计不准确。
2019-01-30 stat.ME
Treatment bootstrapping: A new approach to quantify uncertainty of average treatment effect estimates
本文提出一种仅对治疗组自助抽样并通过倾向得分匹配寻找对照组的非参数自助法,以量化平均治疗效果估计的不确定性,模拟和实证显示其覆盖率不低于95%且精度优于现有方法。
2024-08-19 stat.AP stat.ME
More robust estimation of sample average treatment effects using Kernel Optimal Matching in an observational study of spine surgical interventions
治疗加权的逆概率(IPTW)已用于使用观察性数据估计样本平均处理效应(SATE),它依赖于治疗分配模型的阳性假设和正确规范,这两个假设在许多观察性研究中都是有问题的。已经提出了各种方法来克服这些挑战,包括截断、协变量平衡倾向得分和稳定的平衡权重。出于脊柱手术的观察性研究,其中违反了积极性,真正的治疗分配模型是未知的,我们提出了使用核最优匹配(KOM)的最佳平衡来估计SATE。通过统一控制一类模型的加权估计的条件均方误差,KOM同时缓解了治疗分配模型可能的错误指定问题,并能够处理实际违反的积极性假设,如我们的模拟研究所示。使用来自临床注册的数据,我们应用KOM比较两种脊柱手术干预,并证明结果如何与IPTW估计虚假反驳的临床试验结论相匹配。
2019-05-21 stat.ME
Matching in Selective and Balanced Representation Space for Treatment Effects Estimation
University of Georgia(佐治亚大学)
在科学和技术的各个领域,观测数据的可用性正在急剧增加,这促进了因果推断的研究。然而,从观察性数据估计处理效应面临两个主要挑战,缺失的反事实结果和治疗选择偏倚。匹配方法是评价处理效应的最基本方法之一,但现有的匹配方法在处理高维复杂变量数据时性能较差。提出了一种基于深度表示学习和匹配的特征选择表示匹配(FSRM)方法,将原始协变量空间映射到一个选择性的、非线性的、平衡的表示空间,然后在学习到的表示空间中进行匹配。FSRM采用深度特征选择来最小化不相关变量对估计处理效应的影响,并结合基于瓦瑟斯坦距离的正则化器来学习平衡表示。我们在三个数据集上评估了我们的FSRM方法的性能,结果表明优于最先进的方法。
2021-06-05 cs.LG stat.ME stat.ML
Adaptive Hyper-box Matching for Interpretable Individualized Treatment Effect Estimation
Duke University(杜克大学)
我们提出了一种匹配方法的观测数据,匹配单位与其他单位特定的,超盒形区域的协变量空间。这些区域足够大,使得为每个单元创建许多匹配,并且足够小,使得处理效应在整个过程中大致恒定。该区域被发现作为混合整数规划的解决方案,或使用(快速)近似算法。结果是对每个单元的因果效应的可解释和定制的估计。
2020-08-08 cs.LG stat.ME
Randomization-Based Inference for Average Treatment Effects in Inexactly Matched Observational Studies
Department of Biostatistics, New York University(纽约大学生物统计学系);Data Science Institute, University of Chicago(芝加哥大学数据科学研究所);Center for Data Science, Zhejiang University(浙江大学数据科学中心)
本文提出逆后匹配概率加权方法,用于在不精确匹配情况下进行平均处理效应的随机化推断,通过理论和模拟结果证明其能有效降低偏差并提升覆盖率。
2026-04-03 stat.ME
Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference
Duke University(杜克大学)
我们提出了一种匹配的方法,恢复直接处理效应从随机实验中的单位连接在一个观察到的网络,和单位,共享边缘可能会影响彼此的结果。传统的处理效应估计随机实验是有偏见的,在这种情况下容易出错。我们的方法匹配单位几乎完全在其邻域图内的唯一子图的计数。我们构建的匹配是可解释的和高质量的。我们的方法可以很容易地扩展到容纳额外的单位水平的协变量信息。我们的经验表明,我们的方法比其他现有的方法更好地解决这个问题,同时产生有意义的,可解释的结果。
2020-03-02 cs.LG stat.ME
A Non-Bipartite Matching Framework for Difference-in-Differences with General Treatment Types
New York University(纽约大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出了一种适用于一般处理类型的非二元匹配框架,用于改进DID方法的效率和有效性,避免了参数假设和对理想比较单位的依赖。
2025-11-26 stat.ME
Best for which estimand? A known-truth benchmark of longitudinal-matching and target-trial-emulation methods for time-varying treatments
School of Population and Public Health, University of British Columbia(不列颠哥伦比亚大学公共卫生与人口健康学院);Centre for Advancing Health Outcomes, St. Paul’s Hospital(圣保罗医院健康结果促进中心)
该研究构建时变处理的基准,发现纵向匹配与靶试验模拟方法针对不同因果估计量,量化幻影偏倚、存在排名反转、方差估计有差异、模型敏感性受校准影响,部分结果可在另一机制重复。
2026-08-06 stat.AP stat.ME
Matching on-the-fly in Sequential Experiments for Higher Power and Efficiency
我们提出了一个动态分配程序,增加功率和效率时,测量的平均治疗效果在序贯随机试验。受试者迭代到达,并随机化或通过匹配标准与先前随机化的受试者配对,并给予替代治疗。我们开发的平均治疗效果,结合信息匹配的对和不匹配的主题,以及一个确切的测试估计。仿真结果表明,该方法的更高的效率和权力竞争的分配过程中的控制方案和历史的实验数据。
2013-05-21 stat.ME
Benefits and costs of matching prior to a Difference in Differences analysis when parallel trends does not hold
本研究在平行趋势假设不成立时,分析了DiD分析前匹配的偏差权衡,提出匹配基线协变量通常降低偏差,而匹配预处理结果既有收益也有成本,并给出实用指南。
2024-02-07 math.ST stat.ME stat.TH
A Design-Based Matching Framework for Staggered Adoption with Time-Varying Confounding
Department of Statistics, Seoul National University(首尔大学统计系)
本文提出了一种基于设计的匹配框架,用于分析面板数据中组别和时间特定的治疗效应,通过反向时间嵌套匹配算法评估Netflix订阅对IPTV观看时间及VoD使用的影响。
2025-11-28 stat.ME
Re-evaluating the impact of hormone replacement therapy on heart disease using match-adaptive randomization inference
针对观察性研究中匹配对随治疗分配变化导致的$Z$-依赖性问题,提出匹配自适应随机化推断算法,校正HRT与冠心病研究的反保守结论并验证年龄异质性效应。
2024-03-02 stat.AP stat.ME
Bridging the Gap Between Design and Analysis: Randomization Inference and Sensitivity Analysis for Matched Observational Studies with Treatment Doses
针对剂量治疗匹配观察性研究缺乏有效随机化推断与敏感性分析的问题,提出适用于一般匹配设计、多种结局类型及两类零假设的新方法,并经模拟与真实数据验证。
2024-09-19 stat.ME
Building Representative Matched Samples with Multi-valued Treatments in Large Observational Studies
在本文中,我们提出了一种新的匹配方法,在观察性研究中,克服了现有的匹配方法的三个局限性。首先,它直接平衡协变量与多值处理,而不需要广义倾向得分。其次,它通过设计构建代表目标人群的自加权匹配样本。第三,它可以在几分钟内处理具有数十万个观测值的大型数据集。这种新的匹配方法的关键见解是平衡治疗组相对于目标人群,并提出一个线性大小的混合整数配方的匹配问题。我们正式表明,这个配方是更有效的替代二次型尺寸的配方,因为它的大小的减少并不影响其强度的立场,其线性规划放松。我们还表明,这种配方可以用于匹配与分布协变量的平衡在多项式时间在一定的假设下的协变量,它可以在实践中处理大的数据集,即使当假设不满足。这种算法特征是处理大型数据集的关键。我们说明了这种新的方法来匹配的模拟研究和观测研究地震对教育程度的影响。匹配后,结果可以通过简单透明的图形显示可视化:虽然地震暴露程度的增加对入学率有负面影响,但对大学入学考试成绩没有影响。
2019-07-09 stat.AP
Producing treatment hierarchies in network meta-analysis using probabilistic models and treatment-choice criteria
Institute of Medical Biometry and Statistics, Faculty of Medicine and Medical Center-University of Freiburg(弗赖堡大学医学院医学中心生物计量与统计学研究所);Center of Research in Epidemiology and Statistics (CRESS-U1153), Université Paris Cité, INSERM(巴黎西岱大学、法国国家健康与医学研究院流行病学与统计研究中心(CRESS-U1153));Department of Hygiene, Social-Preventive Medicine and Medical Statistics, School of Medicine, Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学医学院卫生学、社会预防医学与医学统计系);Oslo Center for Biostatistics and Epidemiology, Department of Biostatistics, University of Oslo(奥斯陆大学生物统计系奥斯陆生物统计与流行病学中心)
本文提出一种基于概率模型和治疗选择标准的新框架,用于估计网络元分析中的治疗等级,以提高治疗排名的可解释性和对不确定性的考虑。
2025-08-06 stat.AP stat.ME stat.OT
Practical Guidance on Modeling Choices for the Virtual Twins Method
个体对相同治疗的反应可能会有很大差异,这种异质性推动了对更个性化药物的推动。为了实现这一目标,有必要采用准确和可解释的方法来确定对治疗的反应与人群平均值不同的亚组。Foster等人提出的虚拟双胞胎(VT)方法\cite{Foster}由于其直观的框架,是一种被高度引用和实施的亚组识别方法。然而,自其首次发表以来,许多研究人员仍然严重依赖作者的初始建模建议,而没有研究更新和更强大的替代方案。这使得该方法的许多潜力尚未开发。我们全面评估VT的性能与不同的方法组合,在其每个组成步骤,在一组线性和非线性的问题设置。我们的模拟表明,VT步骤1的方法选择对方法的整体准确性有很大影响,超级学习器是一个很有前途的选择。我们通过在一项随机、双盲尼古丁减量试验中使用VT识别具有异质性处理效应的亚组来说明我们的发现。
2021-11-16 stat.AP stat.ME
Learning Continuous Treatment Policy and Bipartite Embeddings for Matching with Heterogeneous Causal Effects
Uber Michelangelo(优步米开朗基罗);Uber AI(优步人工智能)
因果推理方法广泛应用于医学、政策和经济学领域。这些应用的核心是估计治疗效果以做出决定。目前的方法基于单个结果维度的治疗效果做出二元是或否决定。这些方法无法捕捉连续的空间处理政策与强度的措施。他们还缺乏考虑治疗复杂性的能力,例如将候选治疗与受试者相匹配。我们建议制定治疗的有效性作为一个参数化的模型,扩大到众多的治疗强度和复杂性,通过连续的政策治疗功能,和匹配的可能性。我们的建议,将治疗效果函数分解成有效性因素,提出了一个框架,使用因果推理来模拟丰富的行动空间。我们利用深度学习来优化所需的整体度量空间,而不是预测单维处理反事实。这种方法采用了一个人口范围的有效性措施,并显着提高了模型的整体有效性。我们的算法的性能是。用实验证明。当使用通用连续空间处理和匹配架构时,我们观察到在成本效益方面比现有技术提高了41%,在平均处理效果方面比类似方法提高了68%。该算法捕捉治疗空间中的细微变化,构建有效的优化技术,并为许多应用开辟了舞台。
2020-04-21 cs.AI cs.LG stat.ML
A Matching Procedure for Sequential Experiments that Iteratively Learns which Covariates Improve Power
我们提出了一个动态分配程序,提高功率和效率时,测量的平均处理效应在序贯随机试验利用一些受试者的先前评估的反应。受试者按顺序到达,随机分配或与先前随机分配的受试者配对,并接受替代治疗。配对是通过动态匹配标准进行的,该标准迭代地学习哪些特定协变量对响应是重要的。我们开发了平均处理效应的估计量以及精确检验。我们说明了我们的方法在模拟场景和临床试验数据集的效率和权力比其他分配程序的增加。R软件包“SeqExpMatch”可供从业者使用。
2021-06-02 stat.ME
Nonparametric Inference with an Instrumental Variable under a Separable Binary Treatment Choice Model
Department of Statistics, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校统计学系);Department of Statistics and Data Science, University of Pennsylvania(宾夕法尼亚大学统计与数据科学系)
本文提出了一种基于可分离二元治疗选择模型的非参数推断方法,通过引入变分独立参数化和固定点论证,实现对治疗效应的半参数有效估计。
2026-02-02 stat.ME
A Two-Stage Interpretable Matching Framework for Causal Inference
Northeastern University(东北大学)
针对观测数据因果推断中的协变量匹配问题,提出两阶段可解释匹配(TIM)框架,通过精确匹配与迭代优化提升CATE估计质量、多变量重叠度并支持高维数据,在合成与真实医疗数据集验证了有效性。
2025-04-13 cs.AI stat.ME
Minimax and Bayes Optimal Adaptive Experimental Design for Treatment Choice
本文提出了一种最小最大与贝叶斯最优的自适应实验设计方法,通过分阶段估计标准差并按比例分配治疗以优化治疗选择的后悔上界。
2025-12-09 cs.LG econ.EM math.ST
Nonparametric Treatment Effect Identification in School Choice
Stanford University(斯坦福大学)
本文提出非参数方法识别学校分配中的处理效应,分析了原子处理效应的识别与估计,并推荐新的聚合方案以处理回归不连续性驱动的异质性。
2025-12-29 econ.EM stat.ME
Asymptotics of Caliper Matching Estimators for Average Treatment Effects
本文针对卡尺匹配缺乏理论指导的问题,提出一种平衡匹配质量与数量的卡尺,证明所得平均处理效应估计量具有渐近无偏性和正态性,并构造了渐近置信区间。
2023-04-17 math.ST stat.TH
Representation Learning Preserving Ignorability and Covariate Matching for Treatment Effects
Indian Institute of Science Education and Research, Bhopal(印度科学教育与研究学院,布巴兰普尔);Indian Institute of Science, Bangalore(印度科学研究院,班加罗尔);Indraprastha Institute of Information Technology, Delhi(印度理工信息学院,德里);Google Deepmind, Bangalore(谷歌DeepMind,班加罗尔)
针对观察数据中隐藏混杂与协变量不匹配的双重挑战,提出结合跨域梯度匹配与协变量匹配变换的神经网络架构,学习近似不变的预处理协变量表示以构建有效调整集,在多个因果基准上取得更优的ATE和PEHE误差表现。
2025-04-29 cs.LG stat.ME
CIMTx: An R package for causal inference with multiple treatments using observational data
CIMTx提供了有效和统一的功能,以实现因果推断的现代方法,使用观察数据进行多种治疗,重点是二元结果。这些方法包括回归调整、治疗加权逆概率、贝叶斯加性回归树、广义倾向得分的多元样条回归调整、向量匹配和目标极大似然估计。此外,CIMTx还说明了用户可以在多种治疗设置中模拟符合复杂数据结构的数据的方法。此外,CIMTx软件包提供了一套独特的功能来解决关键的因果假设:积极性和可解释性。对于阳性假设,CIMTx演示了使用治疗加权的逆概率、贝叶斯加法回归树和向量匹配来识别用于保留推理单元的公共支持区域的技术。为了处理可验证性假设,CIMTx提供了一种灵活的蒙特卡罗敏感性分析方法,以评估因果关系结论如何根据与可验证治疗分配的不同程度偏离而改变。
2022-09-14 stat.AP stat.CO stat.ME
Estimation of causal effects with multiple treatments: a review and new ideas
倾向得分是估计观察数据中二元治疗因果效应的常用工具。在这种情况下,对倾向得分进行匹配、子分类、插补或逆概率加权可降低治疗组和对照组之间的初始协变量偏倚。然而,对于两种以上的治疗方案,因果效应的估计需要额外的假设和技术,其实施在各个学科中有所不同。本文回顾了目前的方法,并确定和对比的处理效应,每一个估计。此外,我们提出了可能的匹配技术,用于多个,名义上的分类治疗,并使用模拟来显示这些算法可以产生改进的协变量之间的相似性匹配集,相对于匹配前的队列。总而言之,这份手稿提供了一个大纲,说明如何标注和使用因果方法进行分类处理。
2017-01-19 stat.ME
Overlap, matching, or entropy weights: what are we weighting for?
针对逆概率权重(IPW)的正定性不足问题,本文论证重叠、匹配、熵权重这类均衡估计量的效用,分析其与IPW及ATT、ATC估计量的关联,对比IPW截尾法,通过模拟和医疗支出实例阐释相关发现。
2024-02-01 stat.AP stat.ME
Double Variable Importance Matching to Estimate Distinct Causal Effects on Event Probability and Timing
Department of Biostatistics & Bioinformatics, Duke University(杜克大学生物统计与生物信息学系)
本文提出基于匹配的框架,通过区分治愈和非治愈个体,估计时间到事件数据中治疗对治愈概率和事件时间的异质治疗效应。
2026-02-04 stat.ME
Gaussian and Bootstrap Approximation for Matching-based Average Treatment Effect Estimators
本文为基于协变量和秩匹配的ATE估计量建立了高斯近似界,采用Malliavin-Stein方法量化匹配数量和处理平衡性的影响,并开发了乘数自助法程序以构建非渐近有效的置信区间。
2024-12-22 econ.EM math.PR math.ST
Matching Using Sufficient Dimension Reduction for Causal Inference
为了估计偶然的处理效应,我们提出了一种新的匹配方法的基础上减少协变量从充分的降维。与文献中常用于匹配的原始协变量和倾向得分相比,在对原始协变量的温和假设下,减少的协变量可进行非参数估计,并且在插补缺失的潜在结局方面充分有效。在相容性假设下,所提出的方法的一致性需要一个较弱的公共支持条件。此外,允许研究人员使用不同的简化协变量来为不同的治疗组找到匹配的受试者。我们开发了相对的渐近结果,并进行模拟研究以及真实数据分析,以说明所提出的方法的实用性。
2017-02-01 stat.ME
Profile Matching for the Generalization and Personalization of Causal Inferences
我们介绍了配置文件匹配,多变量匹配方法的随机实验和观察性研究,发现最大可能的未加权样本在多个治疗组,相对于协变量配置文件是平衡的。该协变量谱可以代表特定人群或目标个体,促进因果推断的泛化和个性化。一般而言,由于概况往往相当于目标人口的汇总统计数据,概况匹配并不总是需要访问个人层面的数据,因为出于保密原因,这些数据可能无法获得。对于个性化,简档包括单个个体的特征。轮廓匹配通过构造来实现协变量平衡,但与现有的匹配方法不同,它不需要指定匹配比率,因为这是针对数据隐式优化的。该方法也可用于选择研究随访的单位,并且它很容易适用于具有许多治疗类别的多值治疗。我们评估性能的轮廓匹配的随机试验的推广到目标人群的模拟研究。我们在阿片类药物使用与心理健康结果之间关系的探索性观察研究中进一步说明了这种方法。我们分析这些关系的三个协变量配置文件代表:(一)性少数,(二)美国阿巴拉契亚山脉,(三)一个假设的弱势患者的特征。该方法可以通过R的designmatch包中的新函数profmatch实现,我们提供了一个分步教程。
2022-07-06 stat.ME
Estimation based on nearest neighbor matching: from density ratio to average treatment effect
最近邻(NN)匹配作为一种工具来对齐从不同组中采样的数据,在概念上是自然的,在实践中也是很好的使用。在一篇具有里程碑意义的论文中,Abadie和Imbens(2006)提供了NN匹配的第一个大样本分析,然而,一个关键的假设是NN的数量$M$是固定的。这份手稿揭示了他们研究中的一些新东西,并表明,一旦允许$M$随样本量而偏离,他们分析中的内在统计量实际上构成了密度比的一致估计量。此外,通过选择合适的$M$,该统计量可以得到Lipschitz密度函数类上的极大极小估计下界.因此,与发散$M$,NN匹配可证明产生一个双稳健估计的平均治疗效果,是半参数有效的,如果密度函数是足够光滑的,并适当指定的结果模型。因此,它可以被视为双机器学习估计器的先驱。
2021-12-27 econ.EM math.ST stat.TH
Identification in Nonparametric Models for Dynamic Treatment Effects
本文开发了一个非参数模型,代表了如何在一个动态的方式相互影响的结果和治疗选择的序列。在这种情况下,我们感兴趣的是确定在每个阶段的个人的平均结果,有一个特定的治疗序列被分配。该量的识别允许我们识别平均处理效应(ATE)和关于转变的ATE,以及最佳处理方案,即,使平均潜在结果的(加权)和最大化的方案,可能更少的处理成本。本文的主要贡献是放松序列随机化假设广泛使用的生物统计学文献中引入一个灵活的选择理论框架的内源性治疗序列。我们表明,感兴趣的参数下确定每个时期的双向排除限制,即,结果确定过程中排除了工具,治疗选择过程中排除了其他外生变量。我们还考虑部分识别的情况下,后者的变量是不可用的。最后,我们将我们的结果扩展到一个设置,治疗不出现在每个时期。
2019-01-14 econ.EM stat.AP stat.ME
Generalized full matching and extrapolation of the results from a large-scale voter mobilization experiment
匹配是因果推断的重要工具。该方法提供了一种概念上简单的方法,使组的单位可比的观察到的特性。然而,该方法的使用仅限于研究设计相当简单且样本量适中的情况。我们说明了这个问题,通过重新访问了大规模的选民动员实验,发生在密歇根州的2006年大选。我们问,如果实验中的治疗方法扩大到整个人群,因果关系会是什么。匹配可以帮助我们回答这个问题,但现有的匹配方法无法适应研究中涉及的6个治疗组和6,762,701个观察结果。为了提供一个解决方案,这和类似的经验问题,我们介绍了一个推广的完全匹配的方法和相关的算法。该方法可用于任何数量的治疗条件,它被证明产生近最佳匹配。最坏情况下的最大组内相异度不差于最优解的四倍,仿真结果表明,它的性能是相当接近平均最优解。尽管它的性能,该算法是快速的,使用很少的内存。平均而言,它终止于线性时间,使用线性空间。这使得研究人员能够在几分钟内构建性能良好的匹配,即使在具有数百万个单位样本的复杂研究中。
2019-06-17 stat.ME
Partial Identification of Answer Reviewing Effects in Multiple-Choice Exams
在选择题考试中复习以前的答案是否有助于考生提高最终分数?本文使用严格的因果框架,潜在结果框架,正式的问题。本文首先将考生的复习状态视为一种处理,将其最终成绩视为一种结果,解释了在常规考试环境中识别答案复习因果效应的挑战。除了无法随机选择治疗(审查状态)和缺乏其他信息使这一选择过程可验证之外,研究人员还不完全了解治疗变量本身。查看考生的答题卡数据,不清楚一名考生在特定项目上没有改变答案,但保留了最初的答案(处理条件),还是选择不复习(对照条件)。然而,尽管存在这些挑战,本文还是提出了部分识别策略,并表明答案复习效应的符号是可以合理推断的。通过对一个全国范围的数学评估数据集的分析,本文发现,审查初步答案一般是有益的考生。
2019-10-14 stat.AP
Approximate Bayesian Bootstrap Procedures to Estimate Multilevel Treatment Effects in Observational Studies with Application to Type 2 Diabetes Treatment Regimens
随机临床试验被认为是估计因果关系的金标准。然而,在旨在检查干预措施的不良影响的研究中,由于伦理和经济方面的考虑,此类试验往往不切实际。在观察性研究中,广义倾向得分的匹配被提出作为估计多种干预措施的处理效应的可能解决方案。然而,这些匹配程序的点估计和区间估计的推导可能会变得复杂,具有非连续或删失的结果。我们提出了一种新的近似贝叶斯Bootstrap算法,导致统计上有效的点和区间估计的处理效应与分类结果。该程序依赖于估计的广义倾向得分,并对每个单元的未观察到的潜在结局进行多重插补。此外,我们描述了一个相应的解释敏感性分析,以检查unconfoundedness假设。我们应用这种方法在一个大型观察性数据库中检查2型糖尿病常见的真实抗糖尿病治疗方案的心血管安全性。
2020-01-17 stat.ME
When do Words Matter? Understanding the Impact of Lexical Choice on Audience Perception using Individual Treatment Effect Estimation
Illinois Institute of Technology(伊利诺伊理工学院)
跨学科的研究表明,词汇选择会影响观众的感知。例如,用户在社交媒体资料中如何描述自己会影响他们的社会经济地位。然而,我们缺乏一般的方法来估计词汇选择对特定句子感知的因果效应。虽然随机对照试验可能提供了很好的估计,但它们并没有扩展到考虑所有词汇选择所需的潜在数百万次比较。相反,在本文中,我们首先提供了两类方法来估计在给定的句子中将一个词改为另一个词对感知的影响。第一类算法建立在准实验设计的基础上,根据观察数据估计个体治疗效果。第二类将治疗效果估计视为分类问题。我们使用三个数据源(Yelp,Twitter和Airbnb)进行实验,发现算法估计值与随机对照试验产生的结果一致。此外,我们发现,它是可能的跨域转移治疗效果分类器,仍然保持高精度。
2018-11-15 cs.CL cs.LG stat.ML
Propensity Score Analysis with Matching Weights
倾向得分分析是观察性研究中研究因果处理效应最广泛使用的方法之一。本文研究了用匹配权法估计处理效应。这种方法类似于倾向得分匹配,但提供了许多新的功能,包括有效的估计,严格的方差计算,简单的渐近性,平衡的统计检验,明确识别的目标群体具有最佳的抽样性质,并且不需要选择匹配算法和卡尺大小。此外,我们建议镜像直方图作为一个有用的工具,以图形方式显示平衡。该方法还具有逆概率加权方法的一些特征,但当倾向得分接近0或1时,计算保持稳定。匹配权重估计器的增强版本被开发为具有双重鲁棒性,即,如果结果模型或倾向得分模型是正确的,则估计器是一致的。在数值研究中,所提出的方法表现出更好的性能比许多广泛使用的倾向得分分析方法,如分层的五分之一,匹配的倾向得分,和逆概率加权。
2011-05-15 stat.ME
Combining matching and linear regression: Introducing a mathematical framework and software for simulations, diagnostics and calibration
结合匹配和回归进行因果推断,在消除由于混杂变量导致的处理效应估计偏倚方面具有双重稳健性。然而,在大多数现实世界的应用中,治疗和对照人群不足以匹配,以实现所有混淆变量及其非线性/相互作用函数的完美或接近完美的平衡,从而导致权衡。[this事实与回归无关,所以与第一句话有点脱节。此外,方差是一个重要的贡献者对小样本的总误差偏差,因此必须考虑到方法的决定。在本文中,我们开发了一个数学框架来量化匹配和线性回归对处理效应估计的偏差和方差的综合影响。该框架包括表达式的偏差和方差在误指定的线性回归,定理匹配的偏差和方差的影响,和一个约束的偏差估计方法量化误指定偏差,并结合方差达到总误差。因此,考虑到从业者对一个直观参数的假设/信念,我们称之为“省略的R平方”,方法决定可以基于最小化这一总误差。所提出的方法从分析中排除了结果变量,从而避免了过拟合蠕变,并使其适用于观察性研究设计。偏倚和方差计算的所有核心功能,以及偏倚-方差权衡分析、匹配校准和功效分析的诊断工具,都可以通过开源R库MatchLinReg提供给研究人员和从业人员。
2015-07-11 stat.ME
A comparison of methods for estimating the average treatment effect on the treated for externally controlled trials
本研究通过模拟比较了多种估计外部对照单臂试验中ATT的方法,发现双重稳健方法偏倚更小,非匹配方法标准差更小,且可识别性假设对方法性能至关重要。
2025-05-23 stat.ME
The Optimal Dynamic Treatment Rule SuperLearner: Considerations, Performance, and Application
最佳动态治疗规则(ODTR)框架提供了一种了解哪种患者对特定治疗反应最好的方法-换句话说,处理效应异质性。最近,已经有一个扩散的方法来估计ODTR。一种这样的方法是SuperLearner算法的扩展-一种集成方法,用于将广泛用于预测问题的候选算法最佳地组合到ODTR。遵循“因果路线图”,我们因果地和统计地定义ODTR,并介绍使用ODTR SuperLearner进行估计。此外,我们强调实际的选择时,实现的算法,包括候选算法的选择,元学习者结合候选人,和风险函数选择最佳的算法组合。使用模拟,我们说明了如何估计ODTR使用这种SuperLearner方法可以发现处理效应异质性更有效地比传统的方法的基础上拟合的参数回归的治疗,协变量和治疗协变量的相互作用的结果。我们研究了在不同的样本量下实施ODTR SuperLearner的选择所带来的影响。我们的研究结果显示了以下优点:(1)在候选算法库中包含灵活的机器学习算法和简单的参数估计器的组合;(2)使用集成元学习器来组合候选,而不是只选择表现最好的候选;(3)使用规则下的平均结果作为风险函数。最后,我们将ODTR SuperLearner应用于“干预”研究,这是一项正在进行的随机对照试验,旨在确定哪些涉及司法的精神疾病成年人从认知行为疗法(CBT)中获益最多,以减少犯罪再犯。
2021-10-26 stat.AP
Isotonic propensity score matching
本文提出一种基于等距回归估计倾向得分的一对多匹配估计量,用于估计平均处理效应,解决现有匹配方法的效率、参数选择、稳健性及自举有效性问题。
2025-01-23 econ.EM stat.ME
Estimating Heterogeneity in Travel Mode Choice Shifts with Causal Forests
Center for Urban Science and Progress, Tandon School of Engineering New York University(纽约大学坦登工程学院城市科学与工程中心)
本研究将因果森林应用于全国家庭出行调查数据,量化新冠疫情对出行方式选择的异质性因果效应,发现汽车出行占比上升,短途、高收入家庭及女性群体增幅最大,为交通政策制定提供依据。
2026-08-06 econ.EM stat.AP stat.ME
Doubly robust matching estimators for high dimensional confounding adjustment
根据观察数据有效估计处理效应需要适当控制混杂因素。如果协变量的数量相对于观测值的数量较大,则控制所有可用协变量是不可行的。在稀疏性条件成立的情况下,变量选择或惩罚可以以允许有效估计处理效应的方式降低协变量空间的维度。在这篇文章中,我们提出了估计的倾向得分和估计的预后分数匹配时,协变量的数量相对于观察的数量是大的。我们推导出的匹配估计的渐近结果,并表明它是双重强大的,在这个意义上,只有一个两个得分模型需要是正确的,以获得一个相合估计量。我们通过模拟显示其有效性,在控制混杂和突出其潜力,以解决非线性混杂。最后,我们应用所提出的程序,使用保险索赔数据分析性别对处方阿片类药物使用的影响。
2018-01-10 stat.ME
Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices
Mizuho-DL Financial Technology Co., Ltd.(瑞穗数字金融科技有限公司)
针对平均处理效应估计,本文提出在自适应实验中同时优化协变量密度与倾向得分,并构造达到最小半参数效率界的估计量。
2024-06-18 cs.LG econ.EM stat.ME
Deep Learning for Causal Inference
Stanford University Graduate School of Business(斯坦福大学商学院)
在本文中,我们提出了用于计量经济学的深度学习技术,特别是用于因果推断和估计个体以及平均处理效应。本文的贡献是双重的:1。对于广义近邻匹配估计个人和平均处理效应,我们分析了使用自动编码器进行降维,同时保持嵌入空间中数据点之间的局部邻域结构。这种基于深度学习的技术在估计处理效应方面表现优于简单的k近邻匹配,特别是当数据点具有多个特征/协变量但位于高维空间中的低维流形时。我们还观察到更好的性能比流形学习方法的邻居匹配。2.倾向分数匹配是一种执行匹配以估计平均和个体处理效应的特定且流行的方式。我们建议使用深度神经网络(DNN)进行倾向分数匹配,并为此提出了一个名为PropensityNet的网络。这是传统上用于估计倾向分数的逻辑回归技术的概括,我们根据经验表明,DNN在倾向分数匹配方面的表现优于逻辑回归。这两种方法的代码将很快在Github上提供:https://github.com/vikas84bf
2018-03-01 cs.LG econ.EM stat.ML