Rate-Optimal Cluster-Randomized Designs for Spatial Interference
我们考虑一个潜在的结果模型,其中任何两个单元之间可能存在干扰,但干扰的程度随着空间距离的增加而减小。因果被估量是全局平均处理效应,比较所有或无单位接受治疗的反事实情况下的结局。我们研究了一类设计,其中空间被划分为随机处理和控制的集群。对于每种设计,我们使用Horvitz-Thompson估计器估计处理效应,该估计器比较所有或没有处理邻居的单元的平均结果,其中邻居半径与设计规定的簇大小相同。我们推导出的估计的收敛速度作为一个函数的设计和干扰程度,并使用此来获得估计设计对,实现接近最佳的收敛速度下相对最小的假设干扰。我们证明了估计是渐近正态的,并提供了一个方差估计。对于实际实施的设计,我们建议分区空间使用聚类算法。
2022-09-14 econ.EM stat.ME
Inference for Cluster Randomized Experiments with Non-ignorable Cluster Sizes
本文在超总体框架下研究簇大小不可忽略时整群随机实验的推断问题,针对等权重和按规模加权的簇层面平均处理效应,在协变量自适应分层随机化及簇内子抽样情形下提出渐近推断方法,并通过模拟和实证验证其实际意义。
2024-04-09 econ.EM stat.ME
Improved Inference for CSDID Using the Cluster Jackknife
Carleton University(卡尔顿大学);Aarhus Center for Econometrics, Aarhus University(奥胡斯大学计量经济学中心);Queen’s University(女王大学)
本文提出使用聚类jackknife改进CSDID推断,以解决小集群和处理集群数量少时的过度拒绝问题,并提供软件包实现。
2026-02-12 econ.EM stat.ME stat.ML
Dynamical systems theory for causal inference with application to synthetic control methods
本文将非线性时间序列分析的结果应用于动态环境下的因果推断。我们的动机是政策分析与面板数据,特别是通过使用“综合控制”的方法。这些方法将治疗单元的干预前结果回归到对照单元池的结果,然后使用拟合的回归模型来估计干预后的因果效应。在这种情况下,我们建议筛选出控制单元,有一个弱的动态关系的治疗单位。在模拟中,我们表明,这种方法可以减轻偏见的“樱桃采摘”的控制单元,这通常是一个重要的问题。我们说明了现实世界的应用程序,包括烟草立法的例子\citet{Abadie2010},和英国脱欧。
2020-02-29 stat.ME
When Does Inexact Matching Ensure Balance and Inference without Adjustment?
University of Pennsylvania(宾夕法尼亚大学)
本文针对d维连续协变量的一对一匹配,证明d≤3时匹配设计可保证平衡性并支持多种有效推断,d≥4时平衡性失效,且通过数值实验验证了理论结果。
2026-10-09 econ.EM math.ST stat.ME
Permutation inference with a finite number of heterogeneous clusters
我介绍了一个简单的置换过程来测试传统的(非尖锐)假设的影响,一个二元治疗的存在下,一个有限数量的大型,异质集群时,处理效应确定跨集群的比较。该程序通过对适当的统计量应用水平调整排列检验来渐近控制大小。本文列出了大多数经验相关情况下所需的调整。调整后的排列检验在实践中很容易实现,并且在常规显著性水平下表现良好,至少有四个治疗组和类似数量的对照组。它特别适用于某些集群比其他集群更易变的情况。提供了实例和经验应用。
2023-02-07 econ.EM stat.ME
Introducing the CP-plot for Causal Inference with Observational Studies
Qiuzhen College, Tsinghua University(清华大学丘成桐学堂);Yau Mathematical Sciences Center, Tsinghua University(清华大学丘成桐数学科学中心);Department of Statistics, University of California, Berkeley(加州大学伯克利分校统计学系)
在因果推断的观测研究规范设定下,证明了在倾向得分与条件平均处理效应满足单调关系时,重叠权重的平均处理效应介于处理组和对照组的平均处理效应之间,并推广到加权局部平均处理效应及其他权重,建议使用CP图。
2026-08-25 stat.ME
Inference in Regression Discontinuity Designs with Clustered Data
University of Bonn(波恩大学);Ludwig Maximilian University of Munich(慕尼黑大学);University of Mannheim(曼海姆大学)
本文提出一种基于模型的框架,推导出标准局部线性RD估计量在聚类数据下的渐近正态性条件,并提出新的方差估计方法以解决现有方法的不一致性和保守性问题。
2026-03-19 econ.EM stat.ME
Survey calibration for causal inference: a simple method to balance covariate distributions
本文提出一种基于校准估计量理论的简单方法,可平衡协变量的任意分位数与均值,无需分布假设,能有效估计多种因果效应,还可推广至其他设计与方法,并提供开源实现。
2024-03-12 econ.EM stat.ME
Matching Methods for Causal Inference: A Review and a Look Forward
当使用观察数据估计因果效应时,希望通过获得具有相似协变量分布的治疗组和对照组来尽可能接近地重复随机化实验。这一目标通常可以通过选择原始处理组和对照组的匹配良好的样本来实现,从而减少因协变量引起的偏倚。自20世纪70年代以来,匹配方法的工作研究了如何最好地选择治疗和对照受试者进行比较。匹配方法在经济学、流行病学、医学和政治学等领域越来越受欢迎。然而,到目前为止,文献和相关建议分散在各个学科。对使用匹配方法或开发与匹配相关的方法感兴趣的研究人员没有一个地方可以了解过去和当前的研究。本文提供了一个结构来思考匹配方法及其使用指导,合并现有的研究(新旧),并提供了一个总结,在匹配方法的文献是现在和它应该走向。
2010-10-27 stat.ME
A Practical Guide to Counterfactual Estimators for Causal Inference with Time-Series Cross-Sectional Data
本文介绍了一个简单的框架,反事实估计因果推断与时间序列横截面数据,其中我们估计的平均处理效应的治疗直接归因于反事实的结果治疗观察。在此框架下,我们讨论了几个新的估计,包括固定效应反事实估计,交互式固定效应反事实估计,矩阵完成估计。当处理效应具有异质性或存在未观察到的时变混杂因素时,它们提供了比传统的双向固定效应模型更可靠的因果估计。此外,我们提出了一个新的动态处理效应图,以及几个诊断测试,以帮助研究人员衡量识别假设的有效性。我们用两个政治经济学的例子来说明这些方法,并在R和Stata中开发了一个开源包fect,以促进实施。
2022-08-14 stat.AP stat.ME
Conformal causal inference for cluster randomized trials: model-robust inference without asymptotic approximations
本文提出一种适用于整群随机试验的共形因果推断框架,在有限样本中无需渐近近似即可为群组和个体层面的处理效应构建预测区间,且对工作模型误设具有稳健性。
2024-10-01 stat.ME
PUATE: Efficient Average Treatment Effect Estimation from Treated (Positive) and Unlabeled Units
Mizuho-DL Financial Technology, Co., Ltd.(Mizuho-DL金融科技公司)
针对仅观察处理组和未标记组的设定,本文推导出半参数有效界并构建了达到该界的平均处理效应(ATE)半参数有效估计量,为缺失数据因果推断和弱监督学习做出贡献。
2025-05-28 cs.LG econ.EM math.ST
Placebo inference on treatment effects when the number of clusters is small
我介绍了一个一般的,费舍尔式的随机化测试框架进行几乎精确的推理缺乏效果的二元治疗在非常少的存在下,大集群时,跨集群的处理效应。建议的随机化测试形式化,并通过分配安慰剂治疗未处理的集群生成空分布的直观概念进行扩展。我表明,在简单和易于验证的条件下,安慰剂测试导致在一个非常大的一类经验相关的模型渐近有效的推断。明确讨论的例子是(i)最小二乘回归与集群级处理,(ii)差异中的差异估计,和(iii)二元选择模型与集群级处理。仿真研究和实证例子。所提出的推理过程是很容易实现的,并表现良好,只有三个处理和三个未处理的集群。
2018-03-07 stat.ME
How to select predictive models for causal inference?
Inria(法国国家信息与自动化研究所);Haute Autorité de Santé(法国国家卫生管理局)
针对经典机器学习模型选择不适用于因果推断的问题,基于广泛的实证研究提出一种良好的因果模型选择程序,即使用 $R\ ext{-risk}$、灵活估计器计算冗余模型及划分 10\% 数据计算风险。
2023-05-16 cs.LG stat.ML
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
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
Extending inferences from a cluster randomized trial to a target population
我们描述的方法,扩展(概括或运输)因果推断从集群随机试验的目标人群的集群,在一般的非参数模型,允许任意的集群内的依赖。我们提出了双重鲁棒估计的潜在结果的手段,在目标人群中,利用个人层面的数据,协变量和结果,以提高效率,并适合与机器学习方法使用。我们使用一项在818家养老院进行的流感疫苗接种策略的随机分组试验来说明这些方法,该试验嵌套在4,475家符合试验条件的Medicare认证养老院的队列中。
2022-03-28 stat.ME
Improved Estimation of Average Treatment Effects on the Treated: Local Efficiency, Double Robustness, and Beyond
对被治疗者的平均处理效应的估计是计量经济学和统计学中因果推断的一个重要课题。这个问题似乎经常被视为估计总体平均处理效应(ATE)的简单修改或扩展。然而,与ATE的估计相比,倾向得分不再辅助ATT的估计。在这篇文章中,我们回顾半参数理论估计ATT和使用有效的影响functionsto获得增广逆概率加权(AIPW)估计,是局部有效的和双重的强大。此外,我们讨论了改进的估计AIPW通过开发校准的回归和似然估计,不仅是本地有效的和双重强大的,但也本质上是有效的,在实现更小的方差比AIPW估计时,倾向得分模型被正确指定,但结果回归模型可能被错误指定。最后,我们提出了两个模拟研究和计量经济学的应用,以证明所提出的方法与现有方法相比的优势。
2018-08-04 stat.ME
Centroid-Referenced Mahalanobis Matching (CRM): A Scalable, Representation-Based Framework for Causal Inference in Large Observational Studies
Target Corporation(塔吉特公司)
针对大规模观察性研究因果推断的匹配方法存在成本高、重叠有限时改变目标总体的问题,本文提出CRM框架,其计算成本低、保留处理单元比例高、平衡表现优且速度快,贡献在于可扩展性与显式支撑诊断。
2026-08-20 stat.ME
Average treatment effect on the treated, under lack of positivity
针对ATT估计中正性不足导致极端PS权重的问题,论文指出现有修剪与截断方法改变了估计目标,并提出无需预设阈值的OWATT方法。
2024-05-19 stat.ME
Inverse Conditional Probability Weighting with Clustered Data in Causal Inference
估计聚类数据中的平均治疗因果效应通常涉及处理未测量的聚类特异性混杂变量。这些变量可能与测量的单位协变量和结果相关。当相关性被忽略时,因果效应估计可能会有偏差。通过利用充分统计量,我们提出了一种逆条件概率加权(ICPW)方法,该方法对(i)未测量的集群特定混杂变量与协变量之间的相关性以及(ii)未测量的集群特定混杂变量与结果之间的相关性具有鲁棒性。ICPW方法的假设和条件。我们建立了所提出的估计量的渐近性质。仿真研究和案例研究是为了说明。
2018-08-05 stat.ME
Cluster randomized trials designed to support generalizable inferences
针对整群随机试验中因特征依赖过采样导致推断难以推广的问题,提出带已知抽样概率的嵌套设计及对应分析方法,可在满足试验实施需求的同时精准量化目标总体治疗效应。
2024-09-17 stat.ME
A Weighting Framework for Clusters as Confounders in Observational Studies
Carnegie Mellon University(卡内基梅隆大学);University of California, Berkeley(加州大学伯克利分校);University of Pennsylvania(宾夕法尼亚大学)
本文提出了一种统一的加权框架,用于处理观察研究中集群作为混杂因素的问题,通过两种新方法改进全局和局部平衡。
2026-02-04 stat.ME
Optimal Multilevel Matching in Clustered Observational Studies: A Case Study of the Effectiveness of Private Schools Under a Large-Scale Voucher System
聚类观察性研究的一个显著特征是其多水平或嵌套数据结构,该数据结构是以非随机方式将治疗分配给单位或个体的组或聚类。这样的例子在健康和社会科学中无处不在,包括医院的病人、公司的员工和学校的学生。聚类观察性研究中的最佳匹配策略是什么?起初,我们可能会从匹配个体集群开始,然后在匹配的集群中继续匹配个体。但正如我们在本文中讨论的那样,最佳策略是相反的:在典型的应用中,如果集群内的相关性不完美,最好首先匹配个体,一旦已知匹配个体的所有可能组合,然后匹配集群。在本文中,我们使用动态和整数规划来实现这一战略和扩展的最佳匹配方法的层次和多级设置。在其他匹配设计中,我们的策略可以通过在根据研究者给出的规范平衡的治疗组和对照组配对中找到治疗组和对照组个体的匹配对的最大样本来近似配对分组随机化研究。该策略直接在聚类和个体水平上平衡协变量,并且不需要估计倾向得分,尽管倾向得分可以作为额外的协变量进行平衡。我们说明我们的研究结果与智利的公立与私立教育券学校的比较有效性的案例研究,在该国激烈的政策辩论的问题,目前。
2016-04-28 stat.ME
Targeted VAE: Variational and Targeted Learning for Causal Inference
Centre for Computer Vision, Speech, and Signal Processing(计算机视觉、语音与信号处理中心);University of Surrey(萨里大学)
利用观察数据进行因果推断在包括医疗开发、广告和营销以及政策制定在内的广泛任务中非常有用。使用观察数据进行因果推断存在两个重大挑战:治疗分配异质性(\textit{i.e.},治疗组和未治疗组之间的差异)和缺乏反事实数据(\textit{i.e.},不知道如果接受治疗的个体未接受治疗会发生什么)。我们通过结合结构化推理和有针对性的学习来解决这两个挑战。在结构方面,我们将联合分布分解为风险、混杂、工具和杂项因素,在有针对性的学习方面,我们应用来自影响曲线的正则化器以减少剩余偏差。进行了消融研究,对基准数据集的评价表明TVAE具有竞争力和最先进的性能。
2022-01-15 cs.AI cs.LG stat.ML
Propensity score weighting for causal inference with multi-stage clustered data
倾向得分加权是因果推断调整测量混杂因素的工具。调查数据通常是在复杂的抽样设计下收集的,如多级整群抽样,这给倾向得分建模和估计带来了挑战。此外,对于聚类数据,也可能存在与治疗和结局相关的未观察到的聚类效应。当这种未测量的混杂因素存在并且在倾向得分模型中被省略时,随后的倾向得分调整将是有偏倚的。我们提出了在存在不可测量的集群级混杂因素的情况下对多阶段集群数据进行校准的倾向得分加权调整。校准倾向得分,以平衡治疗组之间的设计加权协变量分布和聚类效应。特别是,我们考虑了越来越多的校准约束的集群,这是必要的,以消除渐近偏差,与未观察到的集群级混杂因素的数量增加。我们表明,我们的估计是强大的意义上,估计是一致的,没有正确的规范的倾向得分模型。我们将结果推广到多个治疗的情况。在模拟研究中,我们表明,所提出的估计是优于其他竞争对手。我们评估了学校体重指数筛查对宾夕法尼亚州小学超重和肥胖患病率的影响。
2016-07-26 stat.ME
Propensity score weighting for causal inference with clustered data
倾向得分加权是因果推断的一种工具,用于调整观察性研究中测量的混杂因素。在实践中,数据往往呈现复杂的结构,如聚类,这使得倾向得分建模和估计具有挑战性。此外,对于聚类数据,可能存在与治疗分配和结局均相关的未测量的聚类特异性变量。当存在此类未测量的集群特异性混杂因素,并且在倾向得分模型中被省略时,随后的倾向得分调整可能会有偏倚。在这篇文章中,我们提出了一个校准技术的倾向得分估计下的潜在可重复的治疗分配机制,即,考虑到观察到的协变量和潜在的集群效应,治疗-结果关系是无混杂的。当倾向得分和结果遵循广义线性混合效应模型时,我们提供了平均处理效应的一致倾向分数加权估计。建议的倾向得分加权估计是有吸引力的,因为它不需要规范的倾向得分和结果模型的功能形式,因此是强大的模型误指定。建议的加权方法可以结合抽样权重的综合解决方案,以处理混杂和抽样设计的因果推断与聚类调查数据。在模拟研究中,我们表明,所提出的估计是优于其他竞争对手。我们评估了学校体重指数筛查对宾夕法尼亚州小学超重和肥胖患病率的影响。
2017-03-17 stat.ME
Joint mixed-effects models for causal inference in clustered network-based observational studies
针对网络干扰下聚类层面未测量混杂导致因果推断有偏的问题,提出结合联合混合效应模型与直接标准化的贝叶斯方法,模拟验证其无偏性,并用于分析母亲大学教育对青少年学业的影响。
2024-04-11 stat.ME
Toward a practical handbook for choosing among causal inference methods in non-randomized studies with binary outcomes: A simulation study for applied researchers
University of Zaragoza(萨拉戈萨大学);UCM(马德里康普顿斯大学);Henares University Hospital(埃纳雷斯大学医院)
本文通过模拟研究为应用研究者提供选择二元结局因果推断方法的实用指南,测试了四种主流技术并应用于真实数据集。
2026-05-13 stat.AP stat.ME
Doubly Robust Quadratic Inference Functions for Causal Inference in Cluster Randomized Trials
University of Michigan(密歇根大学)
提出双重稳健二次推断函数(DR-QIF)估计量,结合倾向得分和结果回归模型,在整群随机试验中处理协变量不平衡,当任一模型正确指定时一致估计平均处理效应,且在错误指定工作相关结构时比双重稳健GEE更有效。
2026-06-26 stat.ME
Variance estimation after matching or re-weighting
针对现有匹配估计量方差估计方法计算成本高、适用范围有限的问题,本文提出计算可行的方差估计框架,证明其统计性质,拓展适用匹配方法类别,验证其在模拟中更优的覆盖率,并提供R包工具。
2025-06-12 math.ST stat.ME stat.TH
Evaluating Ex Ante Counterfactual Predictions Using Ex Post Causal Inference
我们推导出一个正式的,基于决策的方法,用于比较使用实验结果的反事实治疗方案预测的性能,提供相关信息的分布治疗结果。我们的方法使我们能够量化和评估的差异性能的统计意义,从结构模型,外推处理效应,专家意见,和其他方法估计的最佳治疗方案。我们应用我们的方法来评估最佳的治疗方案,有条件的现金转移支付计划的国家,其中使用的数据,在其他国家的实验评估和预程序数据在感兴趣的国家产生的预测。
2019-07-22 stat.AP stat.ME
A flexible approach for causal inference with multiple treatments and clustered survival outcomes
当使用观察数据对多种治疗对聚集生存结局的影响进行因果推断时,我们需要解决因果分析中多水平数据结构、多种治疗、删失和未测量混杂的影响。很少有现成的因果推断工具可用于同时解决这些问题。我们开发了一个灵活的随机截距加速失效时间模型,在该模型中,我们使用贝叶斯加性回归树来捕获截尾生存时间和预处理协变量之间的任意复杂关系,并使用随机截距来捕获特定于簇的主效应。我们开发了一个有效的马尔可夫链蒙特卡罗算法得出后验推论的人口生存的影响,多种治疗和研究的变化,集群水平的影响。我们进一步提出了一种可解释的敏感性分析方法,以评估得出的关于处理效应的因果推断对偏离无未测量混杂的因果假设的潜在幅度的敏感性。扩展的模拟经验验证,并证明我们提出的方法具有良好的实际操作特性。将所提出的方法应用于从国家癌症数据库中提取的老年高风险局部前列腺癌患者的数据集,我们评估了三种治疗方法对患者生存率的比较效果,并评估了潜在的未测量混杂因素的影响。在这项工作中开发的方法是很容易在$\textsf{R}$包$\textsf{riAFTBART}$。
2022-02-16 stat.AP stat.ME
Quantile Treatment Effects in Difference in Differences Models under Dependence Restrictions and with only Two Time Periods
本文表明,条件分位数处理效应对治疗组的影响可以使用以下两种假设的组合来确定:(i)条件分布差异假设和(ii)未治疗潜在结局变化与治疗组未治疗潜在结局初始水平之间的条件依赖性假设。第二个假设从未处理组的观察到的依赖性恢复未知的依赖性。我们还考虑估计和推断的情况下,所有的协变量是离散的。我们提出了一个统一的推理过程的基础上的可交换的引导,并证明了它的有效性。最后,我们通过估计州一级最低工资变化对按种族、性别和教育程度定义的子群体收入分布的影响来得出结论。
2017-02-13 math.ST stat.ME stat.TH
Assessing the causal effect of binary interventions from observational panel data with few treated units
研究人员经常面临的挑战是,在干预措施是非随机的情况下,评估干预措施对感兴趣的结果的影响,干预措施仅适用于一个或几个单位,干预措施是二元的,并且在多个时间点可以测量结果。在本文中,我们回顾了现有的方法,因果推断在这些情况下。我们详细介绍了每种方法的基本假设,强调不同方法之间的联系,并提供有关其实际实施的指导方针。确定了几个开放的问题,从而突出了未来研究的必要性。
2019-12-19 stat.AP
Forecasting Algorithms for Causal Inference with Panel Data
本研究将N-BEATS时间序列预测深度架构适配于面板数据因果推断,提出的SyNBEATS估计器反事实估算精度优于多种传统及新近方法,且已公开实现,为面板因果推断提供了新工具。
2024-04-16 econ.EM stat.ML
Semiparametric Bayesian inference for causal mediation in cluster randomized trials
University of Florida(佛罗里达大学);Brown University(布朗大学);NYU Grossman School of Medicine(纽约大学格罗斯曼医学院)
针对整群随机试验中群组数量少、中介变量在群组层面测量时的因果中介分析难题,提出一种结合参数贝叶斯模型和相似性加权贝叶斯自助法的稳健推断框架,准确估计自然直接和间接效应。
2026-06-12 stat.AP stat.CO stat.ME
Causal inference for interfering units with cluster and population level treatment allocation programs
当一个人的潜在结果取决于个人的治疗水平,但也取决于其他人的治疗水平时,就会产生干扰。在存在干扰的情况下,因果推断文献中的一个常见假设是部分干扰,这意味着群体可以被划分为个体集群,其潜在结果仅取决于同一集群内单元的处理。先前的文献已经定义了在反事实情景下的平均潜在结果,其中治疗被随机分配到集群内的单元。然而,在聚类内,可能存在或多或少可能基于协变量或邻居的处理来接收处理的单元。我们定义了新的估计,描述平均潜在的结果,现实的反事实的治疗分配方案,扩展现有的估计,考虑到单位的协变量和单位之间的依赖性的治疗分配。我们进一步提出了全新的估计,人口水平的干预措施,在集群的集合,这对应于在联邦(与集群或区域)一级的法规的激励设置。我们讨论这些估计,提出无偏估计量,并得出渐近结果的集群数量的增长。最后,我们估计的影响,在一个比较有效的研究发电厂减排技术对环境臭氧污染。
2018-05-14 math.ST stat.ME stat.TH
Extensions for Inference in Difference-in-Differences with Few Treated Clusters
在治疗单位较少的情况下,双重差分法(DID)估计量不一致,并且通常不是渐近正态的。这对推理提出了相关的挑战。虽然存在在这些环境中有效的推断方法,但当治疗时间和异质处理效应存在变化时,或为事件研究图推导统一置信带时,其中一些替代方法并不容易获得。我们提出的替代品在设置与几个治疗单位是有效的治疗时间和/或允许统一的置信带的变化。
2023-02-06 econ.EM
Consistent Causal Inference of Group Effects in Non-Targeted Trials with Finitely Many Effect Levels
Rensselaer Polytechnic Institute(拉特格斯理工学院);Lally School of Management(拉特格斯理工学院管理学院)
针对非靶向试验中治疗效应因群体异质性而混杂的问题,提出PCM非参数方法估计群体效应,证明其渐近一致性,并在合成数据上较现有方法精度提升超10倍。
2025-04-22 cs.LG stat.ML
Inference with few treated units
University of São Paulo(圣保罗大学);Sao Paulo School of Economics-FGV(圣保罗经济管理学院-FGV);University of Michigan(密歇根大学);CESifo
本文总结和分类了适用于少量处理单位的推断方法,讨论了不同方法之间的权衡和联系,并提出了改进有限样本性能的修改方案,同时为文献中已提出的方法提供了理论依据。
2026-05-20 econ.EM
Inference in Difference-in-Differences with Few Treated Units and Spatial Correlation
University of São Paulo(圣保罗大学);São Paulo School of Economics, FGV(巴西瓦加斯基金会圣保罗经济管理学院)
本文研究了在少量处理单位和空间相关误差下双重差分的推断问题,提出了一种适用于此类情况的推断方法,适用于均值比较估计和预测区间构造。
2026-06-30 econ.EM
On the relationship between prediction intervals, tests of sharp nulls and inference on realized treatment effects in settings with few treated units
该研究探讨少量处理单元场景下基于同质性假设的推断方法在异质性处理效应下对三类替代推断目标的适用性,证明相关推断方法深层关联,为其在随机处理效应下的有效性提供新理论依据。
2025-06-17 econ.EM
Joint Causal Structure and Cluster Discovery Using Variational Inference
Indian Institute of Technology Hyderabad(印度理工学院海得拉巴分校);RIKEN Center for AI Project(理化学研究所人工智能项目中心)
本文提出基于变分推断的新方法,可同时推断潜在聚类与因果结构,经合成及真实数据集验证了其在聚类与因果发现上的有效性。
2026-08-25 cs.AI cs.LG stat.ML
Cluster-robust inference with a single treated cluster using the t-test
Kenneth C. Griffin Department of Economics, The University of Chicago(芝加哥大学肯尼斯·C·格里芬经济学系);Department of Statistics, The University of Chicago(芝加哥大学统计系)
本文针对单一处理簇与固定数量控制簇的推断问题,提出基于 t 统计量且无需方差估计的聚类稳健检验方法,并给出临界值计算方案与常用临界值表,适用于双重差分等实证研究。
2025-11-07 econ.EM
Matching Estimators with Few Treated and Many Control Observations
我们分析了匹配估计的性质时,有很少的治疗,但许多控制观察。我们表明,在标准假设下,最近邻匹配估计的平均处理效应的治疗是渐近无偏的。然而,当处理的观测数固定时,估计量是不相容的,并且它通常不是渐近正态的。由于标准的推理方法是不够的,我们提出了替代的推理方法,根据近似对称下的随机化测试的理论,在这个框架中是渐近有效的。我们表明,这些测试是有效的,在相对较强的假设下,当处理的观测值的数量是固定的,在较弱的假设下,当处理的观测值的数量增加,但在一个较低的速度相对于控制观测值的数量。
2021-03-22 econ.EM
Network Cluster-Robust Inference
由于网络数据通常由来自单个大型网络的观测数据组成,研究人员经常将网络划分为集群,以便应用集群鲁棒推理方法。现有的这种方法要求聚类是渐近独立的。在温和的条件下,我们证明,对于这个要求,以保持网络相关的数据,这是必要的和充分的集群具有低电导,边缘边界的大小与体积的比率。这就产生了一个简单的集群质量度量。我们发现,在模拟中,当集群具有低电导,集群鲁棒性的方法控制的大小比HAC估计。然而,对于缺乏低电导簇的重要网络类别,前者可以表现出相当大的尺寸失真。为了确定低电导集群的数量并构建它们,我们利用谱图理论中的结果,将电导连接到图拉普拉斯算子的谱。基于这些结果,我们提出了使用光谱来确定低电导团簇的数量和谱聚类来构建它们。
2023-02-13 econ.EM stat.ME
Causal Inference Using Factor Models
Columbia University(哥伦比亚大学);HKUST(香港科技大学)
提出基于因子模型的因果推断框架,通过处理单位对潜在共同冲击暴露的结构变化估计处理效应,不要求平行趋势假设,适用于单个或多个处理单位,并提供形式化置信区间。
2026-06-29 econ.EM
Beyond Parallel Trends: An Identification-Strategy-Robust Approach to Causal Inference with Panel Data
University of Georgia(佐治亚大学);Emory University(埃默里大学);University of Alabama(阿拉巴马大学)
本文提出一种稳健于识别策略的面板数据因果推断方法,通过寻找相近比较组来提高推断的可信度。
2025-11-26 econ.EM
Conformalized Lee Inference: Distribution-Free Prediction Sets for Individual Treatment Effect under Monotone Sample Selection
Graduate School of Economics, University of Tokyo(东京大学大学院经济学研究科)
研究单侧选择随机研究中的预测问题,提出共形化李程序,利用处理后的选定观测值训练和检验预测规则,通过观测到的处理-对照选择差距调整临界值,提供可靠覆盖率。
2026-09-17 econ.EM
Analytic inference with two-way clustering
CREST-ENSAE(法国国家统计与经济研究所数据科学研究中心);INRAE(法国国家农业、食品与环境研究院)
本文提出了一种双聚类下的解析推断方法,解决了高斯和非高斯情况下推断的有效性问题,并通过模拟验证了其有效性。
2026-02-18 econ.EM stat.ME
Identification and Bayesian Inference for Synthetic Control Methods with Spillover Effects
The University of Tokyo(东京大学)
本文提出一种扩展合成控制法的面板数据方法,以考虑外溢效应并估计治疗和外溢效应。方法结合空间自回归模型和贝叶斯推断,应用于加州烟草税和苏丹分裂经济影响的实证研究。
2026-03-25 econ.EM
Which Policy Works, and Where? Estimation and Inference for State-Level Treatment Effects in Difference-in-Differences
Dalhousie University(达尔豪斯大学);Carleton University(卡尔顿大学);McGill University(麦吉尔大学)
该研究针对双重差分法,区分不同维度的亚组处理效应,提出UN-DID和DID-INT估计量,通过CPS模拟分析其推断特性,强调估计目标与方法需匹配政策场景。
2026-09-02 econ.EM