Propensity Score Weighting Analysis of Survival Outcomes Using Pseudo-observations
生存结局在比较有效性研究中很常见，需要独特的处理，因为它们通常由于右删失而不完全观察到。一种“一劳永逸”的因果推断与生存结果的方法构建了伪观察，并允许标准方法，如倾向得分加权进行，就好像结果是完全观察。对于一类具有用户指定目标人群的生存结局的无模型因果被估计，我们基于伪观测值给出了相应的倾向得分加权估计，并建立了它们的渐近性质.特别是，利用函数δ方法和冯米塞斯展开，我们得到了一个新的封闭形式的加权估计方差，考虑到由于伪观测计算和倾向得分估计的不确定性。这允许有效的和计算上有效的推理，而无需重新计算。我们还证明了生存结果的平衡权重类内的重叠权重的最佳效率属性。所提出的方法适用于二进制和多个治疗。进行了大量的模拟，以探索所提出的方法与其他常用的替代品的操作特性。我们应用所提出的方法来比较三种流行的治疗方法对前列腺癌患者的因果影响。
2021-12-19 stat.ME
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
Efficient and Robust Propensity-Score-Based Methods for Population Inference using Epidemiologic Cohorts
大多数流行病学队列由不代表一般人群的志愿者组成。为了能够从队列中进行人口推断，我们和其他人提出利用概率调查样本作为外部参考，以制定队列成员与调查成员的倾向得分（PS）。在这里，我们开发了一个统一的框架，基于PS加权（如逆PS加权（IPSW））和匹配方法（如核加权（KW）方法）。我们确定了一个基本的强交换性假设（SEA）现有的PS为基础的匹配方法，其失败无效的推理，即使PS模型是正确指定的。我们放宽SEA弱交换性假设（WEA）的匹配方法。此外，我们提出了IPSW.S和KW.S方法，通过缩放PS估计中使用的调查权重来减少基于PS的估计量的方差。在WEA下证明了总体均值和流行率的IPSW.S和KW.S估计的相合性，并给出了渐近方差和相合方差估计。在模拟中，KW.S和IPSW.S估计量具有最小的MSE。在我们的数据示例中，原始KW估计值具有较大的偏差，而KW.S估计值具有最小的MSE。
2020-11-30 stat.ME
Sufficient Covariate, Propensity Variable and Doubly Robust Estimation
从观察性研究中进行统计因果推断通常需要对可能的多维变量进行调整，其中降维至关重要。由Rosenbaum和Rubin首先引入的倾向评分是这种减少的流行方法。我们在Dawid的决策理论框架内解决因果推理，其中必须注意足够的协变量及其属性。我们研究了一个倾向变量在正态线性模型中的作用。我们研究了基于人口和基于样本的线性回归，并对多变量协变量和倾向变量进行了调整。此外，我们还研究了反应模型和倾向模型组合下的增广逆概率加权估计。在具有同方差的线性回归中，证明了倾向变量提供与多元调整相同的估计因果效应。估计的倾向变量可以但不一定比真实倾向变量产生更好的精度。增广逆概率加权估计具有双重稳健性，如果正确指定倾向模型，则可以提高精度。
2015-01-30 math.ST stat.TH
Simultaneous Record Linkage and Causal Inference with Propensity Score Subclassification
我们开发的方法，因果推断在观察性研究时，使用倾向得分子分类的数据与概率记录链接技术。我们专注于协变量和二元治疗分配在一个文件中，结果在另一个文件中的情况，目标是通过合并文件来估计附加处理效应。我们假设可以使用两个文件共有的变量来链接文件，例如，姓名或出生日期，但链接可能会出错，例如，由于链接变量中的报告错误。我们开发的情况下，这种报告错误是独立的文件上的其他变量的方法。我们从概念上描述了如何链接错误可以影响因果关系的估计在子分类上下文中。我们还提出并评估了几种算法，用于决定使用哪些记录对估计因果关系的影响。使用模拟研究，我们证明，一些程序可以导致在估计的处理效应从链接的数据相比，只使用已知的情况下，是真正的链接的准确性提高。
2018-03-31 stat.ME
Estimating treatment effects from observational data under truncation by death using survival-incorporated quantiles
针对临床研究中“因死亡截断”导致结局无法定义的问题，提出基于逆处理概率加权（IPTW）的结合生存的分位数估计量，证明其渐近性质并发现估计倾向得分能降低方差，模拟与实证揭示了他汀类药物对认知衰退无显著影响。
2025-04-28 stat.AP stat.ME
Causal Inference as Distribution Adaptation: Optimizing ATE Risk under Propensity Uncertainty
本文提出联合鲁棒估计器（JRE），通过联合训练结果模型和不确定性量化，优化平均处理效应风险，提升对倾向性误指定的鲁棒性。
2025-12-19 cs.LG stat.ML
Asymmetric Tri-training for Debiasing Missing-Not-At-Random Explicit Feedback
Tokyo Institute of Technology（东京工业大学）
在大多数真实世界的推荐系统中，观察到的评级数据受到选择偏差的影响，因此数据是非随机丢失的。开发一种方法，以促进学习的推荐与偏见的反馈是最具挑战性的问题之一，因为它是众所周知的，天真的方法下选择偏见往往会导致次优的结果。这个问题的一个行之有效的解决方案是使用倾向评分技术。倾向得分是每个数据被观察到的概率，并且通过用其倾向的倒数对每个数据进行加权，可以进行无偏的性能估计。然而，基于倾向的无偏估计方法的性能往往受到倾向估计模型的选择或高方差问题的影响。为了克服这些局限性，我们提出了一个模型无关的元学习方法的启发非对称三训练框架的无监督领域自适应。该方法利用两个预测器生成具有可靠伪评级的数据，另一个预测器进行最终预测。在理论分析中，一个倾向独立的上界的真实性能指标的推导，它表明，所提出的方法可以最小化这个界限。我们使用公开的真实世界数据集进行全面的实验。研究结果表明，以往的基于倾向的方法在很大程度上受到倾向模型的选择和反向倾向加权引起的方差问题的影响。此外，我们表明，所提出的元学习方法对这些问题是鲁棒的，可以促进从有偏见的显式反馈中制定有效的建议。
2020-06-02 cs.IR cs.LG cs.SI
Sharp Sensitivity Analysis for Inverse Propensity Weighting via Quantile Balancing
本文为逆概率加权（IPW）提出了一种基于分位数平衡的稳健敏感性分析方法，通过新的部分识别结果估计未观测混杂下处理效应的最窄可能区间，改进了 Zhao 等人 (2019) 渐近过宽的界限。
2023-08-03 econ.EM math.ST stat.ME
Low-rank Covariate Balancing Estimators under Interference
Harvard University（哈佛大学）；University of Florida（佛罗里达大学）
本文提出了一种低秩结构框架，用于构建稳健的因果效应估计器，解决了观测研究中单位间干扰的双重挑战，包括处理依赖性和处理分配复杂性。
2026-06-28 stat.ME
A simple sensitivity analysis method for unmeasured confounders via linear programming with estimating equation constraints
针对观察性研究中未测量混杂与倾向评分模型误设导致的偏倚，本文提出以估计方程为约束、用线性规划构造平均处理效应最坏情况界的简单敏感性分析方法。
2023-12-07 stat.ME
Propensity score weighting under limited overlap and model misspecification
倾向得分（PS）加权法常用于非随机研究，以调整混杂因素并评估处理效应。其中最受欢迎的是逆概率加权（IPW），根据观察到的协变量，分配与特定治疗分配的条件概率的倒数成比例的权重。IPW估计的一个关键要求是正性假设，即，PS必须远离0和1。在实践中，违反阳性假设通常表现为治疗组之间PS分布存在有限重叠。当这些实际的违规行为发生时，少量的高度影响的IPW权重可能会导致不稳定的IPW估计，有偏估计和大的方差。为了缓解这些问题，已经提出了许多替代方法，包括IPW修剪、重叠权重（OW）、匹配权重（MW）和熵权重（EW）。由于OW、MW和EW的目标人群是均衡的（并且有足够的重叠），并且它们的被估量取决于真实的PS，因此常见的批评是这些估计量可能对PS模型的错误指定更敏感。在本文中，我们进行了广泛的模拟研究，比较性能的IPW和IPW修剪对那些OW，MW和EW有限的重叠和误指定的倾向得分模型。在我们考虑的各种场景中，OW、MW和EW在偏差、根均方误差和覆盖概率方面始终优于IPW。
2020-11-02 stat.ME
Addressing Spatially Structured Interference in Causal Analysis Using Propensity Scores
环境流行病学家对建立暴露与健康结果之间的因果关系越来越感兴趣。因果推断的一个流行模型是鲁宾因果模型（RCM），它通常试图估计研究单位潜在结果的平均差异。RCM的一个重要假设是无干扰;也就是说，一个单元的潜在结果不受其他单元暴露状态的影响。如果我们期望基于单位与其他单位的接近度的暴露效应的溢出或扩散以及其他几个因果被估量出现，则违反了无干扰假设。空气污染流行病学通常违反了这一假设，当我们预计逆风事件影响顺风或附近的位置。本文采用社会网络研究的因果假设，以解决干扰，并允许估计直接和溢出的因果效应。我们使用倾向得分为基础的方法来估计这些影响时，考虑到环境保护局的2005年的空气动力学直径小于2.5微克每立方米（PM2.5）的颗粒物对肺癌发病率的影响，使用县级数据从监测，流行病学和最终结果（SEER）计划。我们比较这些方法在一个严格的模拟研究，同时考虑空间自相关变量，干扰和缺失的混杂因素。我们发现，修剪和匹配的基础上的倾向得分产生最高的概率覆盖率的真正的因果效应和较低的均方误差。当应用于研究问题时，我们发现了保护性的直接和溢出因果效应。
2021-01-22 stat.AP
Robust Causal Inference of Drug-drug Interactions
有越来越多的兴趣，在发展因果推断方法的多值处理，重点对成对的平均处理效应。在这里，我们重点关注一个临床上重要但研究较少的被估量：因果性药物相互作用（DDI），它量化了药物A的因果效应因药物B的存在和不存在而改变的程度。研究DDI效应时的混杂调整可通过治疗加权逆概率（IPTW）完成，IPTW是最初为二进制治疗开发的标准方法，后来推广到多值治疗。然而，当错误指定倾向得分模型时，这种方法通常会导致偏倚结果。出于对更强大的技术的需要，我们提出了两个经验的可能性为基础的加权方法，允许指定一组倾向得分模型，与第二种方法直接平衡用户指定的协变量，通过将额外的，非参数约束。当假设的倾向得分模型集包含一个正确的模型时，两种方法得到的估计量是一致的;这种特性被称为多重稳健性。然后，我们通过仿真来评估它们的有限样本性能。结果表明，所提出的估计优于标准IPTW方法的鲁棒性和效率。最后，我们应用所提出的方法来评估的影响，肾素-血管紧张素系统抑制剂（RAS-I）的比较肾毒性的非甾体类抗炎药（NSAID）和阿片类药物，使用来自电子病历的数据，从一个大型多医院的卫生系统。
2022-09-19 stat.AP stat.ME
Sample Empirical Likelihood Methods for Causal Inference
本文提出基于两样本经验似然函数的平均处理效应估计与推断框架，开发两种引入倾向得分的方法，所得估计量具双重稳健性，并推导了统计量极限分布以支持置信区间构建和假设检验。
2024-03-24 stat.ME
Quantifying Error in the Presence of Confounders for Causal Inference
Microsoft Research India（微软印度研究院）
估计平均因果效应（ACE）是有用的，每当我们想知道干预措施对给定结果的影响。在缺乏随机实验的情况下，许多方法，如分层和反向倾向加权已被提出来估计ACE。然而，很难知道哪种方法对于给定的数据集是最佳的，或者对于所选择的方法使用哪些超参数。为此，我们提供了一个框架来表征损失的因果推理方法对真正的ACE，框架因果推理作为一个表示学习的问题。我们表明，许多流行的方法，包括后门方法，可以被认为是加权或表示学习算法，并提供一般的误差界的因果估计。此外，我们考虑的情况下，未观察到的变量可以混淆的因果估计和扩展建议的界限，使用鲁棒统计的原则，考虑混杂的Huber污染模型下的污染。这些界限也是可估计的，作为一个例子，我们提供了经验的逆倾向加权（IPW）估计的界限，并显示如何使用的界限可以用来优化阈值的裁剪极端倾向得分。我们的工作提供了一种新的方式来推理竞争估计，并开辟了潜在的衍生新方法，最大限度地减少建议的误差范围。
2019-07-10 cs.LG stat.ME stat.ML
Doubly Robust Criterion for Causal Inference
半参数估计方法是因果推断的标准工具，它包括使用倾向得分的逆概率加权和双重稳健估计，并且它正迅速地向各个方向扩展。另一方面，虽然模型选择在统计分析中是必不可少的，但用于选择适当回归结构的信息标准刚刚开始开发。本文在赤池信息准则（AIC; \citealt{Aka73}）的基础上，导出了一个用于倾向得分分析的AIC型准则。在这里，我们定义了一个风险函数的基础上的库尔贝克-莱布勒散度作为基石的信息标准和治疗的一般因果推断模型，不一定是线性的。待估计的因果效应是一般人群中的因果效应，例如对治疗者的平均处理效应或对未治疗者的平均处理效应。鉴于该领域重视双重稳健估计，它允许分配变量或结果变量的模型是错误的，我们使信息准则本身具有双重稳健性，使得任何一个模型都可能是错误的，它仍然是风险函数的渐近无偏估计量.在模拟研究中，我们比较派生的标准与现有的标准从一个正式的参数，并确认前者优于后者。具体来说，我们检查，从推导的标准和真实结构的估计结构之间的分歧显然是在所有的模拟设置小，选择真实或接近真实的模型的概率显然更高。实际数据分析证实，使用这两个标准的变量选择的结果显着不同。
2022-12-27 stat.ME
On the Evaluation of Surrogate Markers in Real World Data Settings
在紧急的健康危机中，当快速确定有效的治疗方法至关重要时，随机临床试验的短缺是显而易见的。利用真实世界数据（RWD）中的短期替代品可以指导政策制定者评估新的治疗方法。在本文中，我们开发了新的估计比例的处理效应（PTE）的真实结果解释的替代RWD设置。我们提出了逆概率加权和双鲁棒（DR）估计的最佳转换的代理和PTE的半非参数建模的真实结果和代理给定的基线协变量之间的关系。我们证明了我们的估计是一致的和渐近正态的，当正确指定倾向得分模型或结果回归模型时，DR估计是一致的。我们将我们提出的估计量与现有的估计量进行比较，并通过模拟显示出偏差的减少和效率的提高。我们通过对溃疡性结肠炎的两种生物疗法进行交叉试验比较，说明了我们的方法在获得可解释的PTE方面的实用性。
2021-04-12 stat.AP stat.ME
Data adaptive covariate balancing for causal effect estimation for high dimensional data
Division of Biostatistics and Health Data Science, University of Minnesota（明尼苏达大学生物统计与健康数据科学系）
本文提出一种非参数化直接平衡方法，利用随机森林自适应强调混杂因素，以提高高维数据中因果效应估计的准确性。
2025-12-19 stat.ME
Which Regularized Propensity-Score and Doubly Robust Methods Are Best Calibrated When Exposures or Outcomes Are Rare? A Plasmode Study of Proxy-Based Confounding Adjustment
School of Population and Public Health, University of British Columbia（英属哥伦比亚大学公共卫生与人口健康学院）
研究在医疗保健数据库研究中，比较多种正则化倾向得分和双重稳健方法在暴露或结果罕见时的校准效果。核心方法是基于特定数据模拟并结合多种策略。主要贡献是得出不同方法在不同情况下的表现及结论，为方法选择提供参考。
2026-07-09 stat.AP stat.CO stat.ME
Causal inference in transportation safety studies: Comparison of potential outcomes and causal diagrams
激发运输安全研究的研究问题本质上是因果关系。安全性研究人员通常使用观察数据来回答这些问题，但通常没有适当的因果推断方法。因果推断领域提出了几种用于探测经验数据以评估因果关系的建模框架。本文重点探讨两个这样的建模框架-因果图和潜在的结果-一个特定的运输安全问题的适用性。估计了路面标线回射性对路段安全性的因果影响。更具体地说，基于这些框架在真实数据集上的三种不同实现的结果进行了比较：具有回归调整的逆倾向得分加权和具有回归调整的倾向得分匹配与因果贝叶斯网络。增加路面标线的后向反射率通常会降低夜间目标碰撞的概率。然而，我们发现估计的因果效应的大小对所使用的方法和违反的假设是敏感的。
2011-07-25 stat.AP
Incremental causal effects: an introduction and review
在本章中，我们回顾了Kennedy [2019]提出的基于增量倾向得分干预的因果效应类别。增量倾向得分干预的目的是估计增加或减少受试者接受治疗的可能性的影响;这与平均处理效应不同，后者的目的是估计每个人确定性地接受与不接受治疗的效果。我们首先提出的情况下，当有一个单一的二元治疗，使它可以比较平均处理效应，从而阐明关键概念的增量因果关系的影响。特别是，增量效应的一个好处是，确定因果效应不需要积极性--因果推断中的一个常见假设。然后，我们讨论了更一般的情况下，治疗是在多个时间点测量，其中积极性更容易被侵犯，因此增量效应可能是特别有用的。在整个过程中，我们激励增量效应与现实世界中的应用，这些影响的非参数估计，并讨论其效率特性，同时也简要回顾了影响函数在功能估计中的作用。最后，我们将展示如何在实践中使用这些估计来解释和分析结果，并讨论扩展和未来的方向。
2021-10-20 stat.ME
On IPW-based estimation of conditional average treatment effect
本文的研究系统地研究了条件平均治疗效应的四种基于逆概率加权（IPW）的估计量的渐进行为，分别具有非参数、半参数、参数估计和真实倾向评分。为此，我们首先特别关注半参数降维结构，这样我们就可以很好地研究基于半参数的估计，可以很好地缓解维数灾难，大大避免模型误设。我们还得到了一些进一步的性质，现有的估计与非参数估计的倾向得分。根据它们的渐近方差函数，研究揭示了它们的渐近有效性的一般排名;在哪些情况下渐近等价性可以保持;给定协变量的从属关系在倾向分数的参数集，带宽和核选择中的关键作用。结果表明，从IPW为基础的（无条件）的平均治疗效果（ATE）的本质区别。数值研究表明，对于高维样本，半参数估计一般表现较好，而非参数估计，甚至有时参数估计，更容易受到维数的影响.一些数值研究进行了检查他们的性能。最后给出了一个实际数据实例进行了分析。
2020-09-23 math.ST stat.TH
Detecting Grouped Local Average Treatment Effects and Selecting True Instruments
University of Innsbruck（因斯布鲁克大学）；TU Munich（慕尼黑工业大学）；University of Fribourg（弗里堡大学）；IHS, Vienna（维也纳国际高等教育研究所）
针对内生二元处理的异质性效应及多工具变量场景，提出两步法识别同LATE的依从者群体，可数据驱动选真实工具变量，经模拟与实证（监禁对累犯的影响）验证其一致性与有限样本性质。
2026-08-25 econ.EM stat.AP stat.ME
Adaptive Orthogonalization for Stable Estimation of the Effects of Time-Varying Treatments
Harvard University（哈佛大学）；Columbia University（哥伦比亚大学）
针对时变处理效应估计中逆倾向权重不稳定的问题，提出自适应正交化方法，通过平衡与历史正交的协变量成分提升稳健性，理论证明其一致性与渐近正态性，并在模拟与智利学校研究中验证了有效性。
2025-11-04 stat.ME
Variance Estimation for the Inverse Probability of Treatment Weighted Kaplan Meier Estimator
Gilead Sciences（吉利德科学）
针对观察性研究中IPTW Kaplan-Meier估计量方差估计未考虑权重变异性的问题，本文基于估计的倾向得分进行严格渐近分析，提出插入式方差估计量，模拟证明其比XL方差估计量更准确。
2025-11-02 stat.ME
Predicting treatment effects from observational studies using machine learning methods: A simulation study
University of the Witwatersrand（威特沃特斯兰德大学）
由于混杂偏倚，在观察性研究中测量处理效应具有挑战性。当一个变量同时影响治疗和结果时，就会发生混淆。传统的方法，如倾向得分匹配估计处理效应的条件的混杂因素。最近的文献提出了使用机器学习来预测观察性研究中的反事实的新方法，然后可以估计处理效应。然而，这些研究已应用于真实世界数据，其中真实的处理效应尚不清楚。本研究旨在通过模拟两种主要情景来研究这种反事实预测方法的有效性：有混杂和无混杂。每种类型还包括输入和输出数据之间的线性和非线性关系。模拟中的关键项目是我们生成了已知的真实因果效应。线性回归、套索回归和随机森林模型用于预测反事实和处理效应。将这些与真实处理效应以及初始处理效应进行比较。结果表明，这种机器学习方法是否表现良好的最重要因素是数据的非线性程度。令人惊讶的是，对于两种非混杂\textit{and}混杂，机器学习模型在线性数据集上都表现良好。然而，当引入非线性时，模型表现得非常差。因此，在该模拟研究的条件下，机器学习方法在线性条件下表现良好，即使存在混淆，但在该阶段，当引入非线性时，不应信任该方法。
2021-12-20 cs.LG stat.ME stat.ML
Enough?
本文回应阿罗诺等人关于RCTs“足够”的观点，主张“足够”是社会性判断，需结合背景与元科学证据，并呼吁统计学家明确“为了什么”和“为了谁”来回答“足够了吗”。
2025-01-21 stat.ME
Identification and estimation of treatment effects on long-term outcomes in clinical trials with external observational data
本研究结合RCT与外部观察性数据，在较弱的均值可交换性假设下识别并估计药物对长期结局的处理效应，提出了双重稳健和IPW估计量，并验证了其有效性与渐近正态性。
2023-06-26 stat.ME
Deriving Priors for Bayesian Prediction of Daily Response Propensity in Responsive Survey Design: Historical Data Analysis vs. Literature Review
响应式调查设计（RSD）旨在通过实时监测参与者来提高调查数据收集的效率，并在调查错误和成本增加似乎迫在眉睫时引入协议更改。每日预测的响应倾向的所有活动的抽样情况下，是最重要的数量实时监测数据收集结果，这些倾向的RSD的成功至关重要的合理预测。因为它依赖于对关键设计量的先验信念的实时更新，例如预测的响应倾向，所以RSD可以从贝叶斯方法中受益。然而，这些方法的优点的经验证据是缺乏文献中，和信息的先验分布的推导是必需的，这些方法是有效的。在本文中，我们评估的能力，两种方法来获得先验分布的系数定义每日响应倾向模型，以提高预测的每日响应倾向在一个真实的数据收集采用RSD。第一种方法是分析同一调查的历史数据，第二种方法是文献综述。我们发现，贝叶斯方法的基础上，这两种方法导致更高质量的预测的反应倾向比更标准的方法忽略先验信息。在数据收集的早期至中期，往往在难民身份确定框架内考虑干预措施，这一点尤其如此。
2021-03-17 stat.AP stat.ME
Data Integration through outcome adaptive LASSO and a collaborative propensity score approach
由于行政数据或非概率抽样数据比调查方法有许多好处，因此越来越多地被用来获取官方统计数据。特别是，它们成本较低，提供较大的样本量，并且不依赖答复率。然而，由于缺乏设计权重，很难从这些数据中获得总体平均值的无偏估计。最近提出了几种估计方法，使用辅助概率样本，它提供了目标人群的代表性协变量信息。然而，当这个协变量信息是高维的，变量选择是不是一个简单的任务，即使是主题专家。在有效的和双重稳健估计方法来估计人口平均值的背景下，我们开发了两个数据自适应的变量选择方法，分别使用结果自适应LASSO和协作倾向得分。进行仿真研究，以验证所提出的方法与竞争方法的性能。最后，我们分析了新冠肺炎对加拿大人的影响。
2021-03-28 stat.ME
Improving Variance and Confidence Interval Estimation in Small-Sample Propensity Score Analyses: Bootstrap vs. Asymptotic Methods
Duke University（杜克大学）
本文通过蒙特卡洛模拟比较了自助法与sandwich方法在小样本倾向评分分析中的表现，发现sandwich方法在小样本中表现不佳，而分层自助法能避免准分离问题，影响统计结论。
2025-11-14 stat.ME
Balancing Weights for Non-monotone Missing Data
针对非随机缺失下的非单调缺失数据问题，提出基于模式间矩平衡与函数基展开的平衡权重估计方法，通过惩罚项控制平滑度与不平衡性，证明其渐近性质并通过仿真验证了优越性能。
2024-12-12 stat.ME
Beyond Actor-Partner Associations: A Target-Trial Framework for Causal Spillover Effects in Longitudinal Dyadic Data
Michigan State University（密歇根州立大学）
该研究提出目标试验框架，将APIM关联问题转化为因果二元分析，揭示倾向得分分解偏差，并通过模拟和HRS数据验证其诊断价值。
2026-10-02 stat.AP stat.ME
Parametric versus nonparametric: the fitness coefficient
本文引入的适应度系数是参数密度估计和非参数密度估计在数据似然范围内竞争的结果。如在几个真实数据集上所示，适应度系数通常与p值一致，但更容易计算和解释。也就是说，适应度系数可以解释为来自参数模型的数据的比例。此外，适应度系数可以用来建立一个半参数的妥协，提高了推断的参数和非参数的方法。从理论的角度来看，健身系数收敛概率为1，如果模型是真的，如果模型是假的。从实践的角度来看，适应度系数在真实和模拟数据集上的实用性得到了说明。
2018-06-15 math.ST stat.ME stat.TH
Bayesian inference of scaled versus fractional Brownian motion
本文提出了一种尺度布朗运动的贝叶斯推断方法，并在与分数布朗运动联合推断的情况下，研究了该方法在参数估计和模型选择中的性能。我们包括在这两个模型中的测量噪声的可能性。我们发现，对于几百个时间点的轨迹，该程序能够很好地解决真实的模型和参数。利用合成数据生成过程的先验信息进行推理，该方法是基于决策理论的最优方法。我们包括一个比较与推理使用的数据生成一个不同的先验。
2022-05-12 cond-mat.stat-mech physics.data-an q-bio.QM
Poisson Approximate Likelihood versus the block particle filter for a spatiotemporal measles model
本文指出Whitehouse等人提出的Poisson近似似然（PAL）滤波器在时空麻疹模型中并未优于块粒子滤波器，且其前瞻分量的实现方式引入了对数似然估计的显著正偏差，导致原结论不成立。
2025-07-12 stat.ME
