Weighted Approach for Estimating Effects in Principal Strata with Missing Data for a Categorical Post-Baseline Variable in Randomized Controlled Trials
本研究的动机是在一项随机对照试验中研究抗药抗体（ADA）的形成及其对生物治疗长期获益的潜在影响，其中ADA状态不仅在对照组中未观察到，而且在实验治疗组的患者亚组中也未观察到。并发状态，即在由仅在一个组中观察到的随机化后变量定义的组中，并且可能与结局相关。然而，状态信息可能会丢失，即使是不可忽略的患者数量在实验arm.For这种情况下，一种新的加权主分层方法：数据缺失并发事件状态的患者进行重新加权的基础上基线协变量和额外的纵向信息。为不同类型的结局提供了所提出方法的理论依据，并指定和研究了允许对处理效应得出因果结论的假设。仿真结果表明，所提出的方法产生了有效的推理，并对某些违反假设的鲁棒性。在ADA状态作为并发事件的临床研究中，该方法表现良好。
2021-01-12 stat.AP stat.ME
In defense of MAR over latent ignorability (or latent MAR) for outcome missingness in studying principal causal effects: a causal graph view
本文通过因果图证明，在研究主因果效应的结果缺失时，潜在随机缺失（LMAR）比随机缺失（MAR）更难满足且无额外益处，主张优先使用MAR，并阐明其成立条件及效应识别应用。
2024-07-18 stat.ME
Survivor average causal effects for continuous time: a principal stratification approach to causal inference with semicompeting risks
在半竞争风险问题中，非终端事件发生时间结局（如再入院时间）会因死亡而截断。这些环境通常使用疾病-死亡模型对终末和非终末事件的危害进行建模，但由于在危害定义中嵌入了生存期（治疗后结局）条件，因此使用危害模型评价因果处理效应存在问题。扩展现有的幸存者平均因果效应（SACE）估计，我们框架的处理效应的评价的背景下，半竞争风险与主要分层，并引入两个新的因果估计：随时间变化的幸存者平均因果效应（TV-SACE）和限制平均幸存者平均因果效应（RM-SACE）。这些主要因果效应定义在无论分配的治疗如何都会存活的单位中。我们采用贝叶斯估计程序，参数化两个治疗组的疾病-死亡模型。我们概述了一个脆弱的规范，可以容纳非终端和终端事件时间之间的人内相关性，我们讨论了增加模型的灵活性的潜在途径。该方法在晚期胰腺癌患者再次入院的情况下得到了证实。
2019-02-15 stat.AP stat.ME
Bounding, an accessible method for estimating principal causal effects, examined and explained
估计由治疗后行为定义的亚组的处理效应（即，在主要分层框架中估计因果效应）在技术上可能具有挑战性，并且严重依赖于强有力的假设。我们研究了另一种途径：使用边界来确定与数据一致的可能影响范围。这种简单的方法依赖较少的假设，但可以得出与政策相关的结论。正如我们所展示的，协变量可以直接用于大幅收紧边界。通过模拟，我们证明了哪些类型的协变量是最有益的。最后，我们分析了早期大学高中的多地点实验研究。当检查该计划的学生完成九年级的影响“上轨道”的大学，我们发现ECHS的学生，否则谁会参加一个高质量的高中影响不大，但对于那些谁不会有实质性的影响。这表明，在主要由质量较低的学校提供服务的地区扩大这些方案有潜在的好处。
2017-08-16 stat.AP stat.ME
Identification of Causal Effects Within Principal Strata Using Auxiliary Variables
在因果推断中，主要分层是处理治疗和结果之间的治疗后中间变量的框架，其中主要分层由中间变量的联合潜在值定义。由于主要层并非完全可观察，因此其中的因果效应（亦称为主要因果效应）在没有额外假设的情况下无法识别。先前的几项实证研究利用辅助变量来改善对主要因果效应的推断。本文建立了一个带有辅助变量的主因果效应识别和估计的一般理论，为统计推断提供了坚实的基础，为实证研究中的模型构建提供了更多的启示。特别是，我们认为两个常用的策略，主要分层问题：主要的可验证性，以及辅助变量和结果之间的条件独立性，给出了主要层和协变量。对于这两种策略，我们给出了非参数和半参数的识别结果，没有建模假设的结果。当两种策略的假设都不合理时，我们提出了一大类灵活的参数和半参数模型来识别主要的因果效应。我们的理论不仅建立了正式的识别结果，已在以前的实证研究中使用的几个模型，但也概括了它们，以允许不同类型的结果和中间变量。
2021-04-17 stat.ME
Identification and estimation of causal effects in the presence of confounded principal strata
主要分层已成为一个流行的工具，以解决广泛的一类因果推断问题，特别是在处理不遵守和截断的死亡问题。在这些研究中，由中间变量的联合潜在值确定的主要层内的因果效应，也称为主要因果效应，通常是感兴趣的。文献中观察数据的主要因果效应分析主要依赖于治疗分配的可重复性，这要求从业者准确测量尽可能多的协变量，以便捕获所有可能的混杂来源。然而，在观察性研究中收集所有潜在的混杂因素通常是困难和昂贵的，因此可验证性假设可能是值得怀疑的。在本文中，通过利用已越来越多地用于处理不受控制的混杂的可用阴性对照，我们考虑识别和估计的因果关系时，治疗和主要分层被混淆的未观察到的变量。具体来说，我们表明，主要的因果效应可以通过调用一对负控制，都需要不直接影响结果的非参数化识别。然后，我们放松这一假设，并建立各种半参数或参数模型下的主要因果效应的识别。我们还提出了一个估计方法的主要因果效应。广泛的模拟研究表明，所提出的方法和一个真正的数据应用程序从全国青年男子纵向调查的良好性能。
2022-06-17 stat.ME
The Subtype-Free Average Causal Effect for Heterogeneous Disease Etiology
研究表明，暴露对疾病的影响可能因同一疾病的不同亚型而异。然而，现有的方法来估计和比较这些影响在很大程度上忽略了因果关系。在本文中，我们研究了吸烟可能对结直肠癌亚型的影响，这些亚型由称为微卫星不稳定性（MSI）的特征定义。我们使用主分层提出了一种替代的因果估计，无亚型平均因果效应（SF-ACE）。SF-ACE是在任何暴露水平下未患其他疾病亚型的人群中暴露的因果效应。我们研究了SF-ACE的非参数识别，并讨论了不同的单调性假设，这比标准设置更细致入微。与主层效应的情况一样，从数据中识别SF-ACE所依据的假设是不可检验的，而且可能过于强大。因此，我们还开发了放松这些假设的敏感性分析方法。我们提出了三种不同的估计，包括双稳健估计，SF-ACE。我们实施我们的方法，从两个大的队列数据，研究异质性的因果关系吸烟对结直肠癌MSI亚型的影响。
2022-06-05 stat.AP stat.ME
Multiply robust estimation of causal effects under principal ignorability
因果推断不仅涉及治疗对结局的平均影响，还涉及通过感兴趣的中间变量的潜在机制。主要分层通过针对主要层内的亚组因果效应来表征这种机制，主要层由中间变量的联合潜在值定义。由于因果推断的基本问题，主要阶层本质上是潜在的，这使得识别和估计其中的亚组效应具有挑战性。一系列的研究利用了主要的可解释性假设，即潜在的主要层是平均独立的潜在结果条件下观察到的协变量。根据主要的可验证性，我们推导出各种非参数识别公式的因果关系的影响，在观察性研究中，激励估计依赖于正确的规格的不同部分的数据分布。适当地结合这些估计产生三重稳健估计的因果关系的影响，在主要阶层。这些三重稳健估计是一致的，如果两个治疗，中间变量和结果模型被正确指定，而且，他们是局部有效的，如果所有三个模型都被正确指定。我们表明，这些估计自然产生的有效的影响函数的半参数理论或模型辅助估计的调查抽样理论。我们评估不同的估计基于其有限样本的性能，通过模拟和应用它们的两个观察性研究。
2022-03-28 stat.ME
Assessing causal effects in the presence of treatment switching through principal stratification
该研究通过主分层重新定义治疗转换问题，采用贝叶斯方法处理连续时间转换与删失，分析Concorde合成数据，发现立即使用齐多夫定增加从未转换者生存时间且效果异质性高。
2023-09-05 stat.AP 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
Causal Vaccine Effects on Post-infection Outcomes in the Naturally Infected
Emory University（埃默里大学）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文提出自然感染群体的因果效应估计方法，通过边界和识别假设改进疫苗效果评估，展示在轮状病毒疫苗试验中保护效应的发现。
2026-09-22 stat.ME
Causal Inference with Outcomes Truncated by Death and Missing Not at Random
本文研究结局因死亡截断且缺失非随机情形下的因果推断，提出利用代理变量识别幸存者子群体中的平均治疗效应，并给出估计方法与非参数界。
2025-07-04 stat.AP stat.ME
Principal Score Methods: Assumptions and Extensions
在随机试验中解决治疗后并发症的研究人员经常转向主要分层来定义相关假设和感兴趣的数量。在这个框架中，估计因果效应的一种方法是使用基于“主要分数”的方法，通常假设给定一组协变量，阶层成员是随机分配的。在本文中，我们澄清了在这种情况下的关键假设，被称为主要的忽略，并认为这个假设的版本是相当强大的实践。我们描述了不同的估计方法，并表明基于权重的方法通常是最好的基于子组的方法，离散的主要得分。然后，我们扩展这些想法的情况下，双方不遵守，并提出了一个自然的框架相结合的主要忽略排除限制和其他假设。最后，我们将这些想法应用于领先影响研究，这是一项对领先计划的大规模随机评估。总的来说，我们认为，虽然主要的评分方法是有用的工具，应用研究人员应该充分了解相关的假设时，在实践中使用它们。
2016-06-08 stat.ME
Principal stratification with U-statistics under principal ignorability
Mississippi State University（密西西比州立大学）；Yale School of Public Health（耶鲁公共卫生学院）
针对存在中间结局的因果推断，引入主广义因果效应估计量以处理非线性对比函数，并在主成分可忽略性假设下发展非参数识别和高效影响函数，进而提出基于U统计量的倍率稳健和去偏机器学习估计方法。
2025-12-25 stat.ME
Transportability of Principal Causal Effects
本文提出主分层框架，用于识别和估计迁移到目标人群的、以依从行为为条件的主因果效应，并发展非参数效率理论及高效估计量，通过模拟验证其性能。
2024-07-16 stat.ME
Connecting Instrumental Variable methods for causal inference to the Estimand Framework
根据最近发表的关于国际协调理事会E9指南临床试验中被估量和敏感性分析的附录，因果推断方法在药物开发中越来越重要。E9附录强调需要考虑随机化后或“并发”事件，这些事件可能影响试验结束时处理效应估计值的解释。工具变量（IV）方法已广泛用于经济学、流行病学和学术临床研究中的“因果推断”，但迄今为止在制药行业环境中的应用较少。在本教程中，我们回顾了因果推断的基本工具，包括图形图表和潜在的结果，以及几个概念框架，一个IV分析可以坐在里面。我们详细讨论了如何映射这些方法的治疗政策，主要阶层和假设的“估计策略”中介绍的E9增编，并提供其实施使用标准回归模型的细节。特别注意讨论每种估计策略所依赖的假设，以保持一致，在何种程度上可以进行实证测试和敏感性分析，其中特定的假设可以放宽。最后，我们将所描述的方法应用于与最近两项药物试验密切匹配的模拟数据，以进一步激发和澄清这些想法
2021-04-29 stat.AP stat.ME
Principal stratification with continuous treatments and continuous post-treatment variables
University of Florida（佛罗里达大学）；European University Institute（欧洲大学研究院）；Rutgers University（罗格斯大学）；University of Florence（佛罗伦萨大学）
本研究将主分层框架拓展至连续处理场景，提出主因果估计量，探讨不同假设下的识别条件，采用非参数贝叶斯模型提升稳健性，并应用于经济与逮捕率关系的中介机制研究。
2026-10-15 stat.AP stat.ME
Bayesian Methods for Multiple Mediators: Relating Principal Stratification and Causal Mediation in the Analysis of Power Plant Emission Controls
发电厂安装的排放控制技术是美国许多空气污染法规的关键特征。虽然这些法规是基于排放、环境空气污染和人类健康之间的假定关系，但其中许多关系从未得到经验验证。本文的目标是开发新的统计方法来量化这些关系。我们把这个问题作为一个中介分析来评估特定控制技术对环境污染的影响在多大程度上是通过对发电厂排放的因果影响来介导的。由于发电厂排放的各种化合物，有助于环境污染，我们开发的多个中间变量，同时测量的新方法，可能会相互作用，并可能表现出联合调解效果。具体来说，我们提出了新的方法，利用两个相关的框架，在存在中介变量的因果推断：主要分层和因果中介分析。我们定义了基于多个介质的主要影响，并引入了一个新的分解的总影响的干预对环境污染的自然直接影响和自然间接影响的所有组合的介质。这两种方法都锚定到相同的离散数据模型，我们指定与贝叶斯非参数技术。我们提供了估计主要因果效应的假设，然后用因果中介分析所需的额外假设来增强这些假设。这两个分析，解释串联，提供了第一个实证调查的假定因果路径，激励重要的空气质量监管政策。
2019-02-17 stat.ME
Estimating network-mediated causal effects via principal components network regression
提出主成分网络回归方法，将社交网络上的因果效应分解为网络介导的间接效应与独立直接效应，假设潜在社会群体为中介，证明渐近理论并指出现有方法存在过度控制偏差，适用于多种结构化数据。
2025-03-06 stat.ME
Principal causal effect identification and surrogate endpoint evaluation by multiple trials
主要分层是一个因果框架，用于分析随机实验，治疗后变量介于治疗和终点变量之间。由于由治疗后变量的潜在结局定义的主要分层不可观察，因此我们通常无法识别主要分层内的因果效应。出于一个真实的数据集的III期辅助结肠临床试验，我们提出的方法来确定和估计的主要因果关系，通过多个试验。对于可识别性，我们通过规定这些试验中的主要因果效应是同质的来删除常用的排除限制假设。为了消除另一个常用的单调性假设，我们给出了一个局部可识别的必要条件，这需要至少三次试验。将我们的方法应用于辅助结肠临床试验的数据，我们发现常用的单调性假设是站不住脚的，并且3年随访的无病生存率是5年随访的总生存率的有效替代终点，它满足因果必要性和因果充分性。我们还提出了一种基于贝叶斯分层模型的灵敏度分析方法，以研究偏离同质性假设的影响。
2015-07-21 math.ST stat.AP stat.TH
Causal effects on non-terminal event time with application to antibiotic usage and future resistance
针对不同抗生素治疗下耐药水平比较的难题，提出新主层ios及可行感染因果效应FICE，通过大样本界、带双变量脆弱性的病-死模型结合期望最大化与蒙特卡洛方法估计，并应用于医院临床数据。
2025-06-11 stat.AP stat.ME
Partial identification of principal causal effects under violations of principal ignorability
University of Florida（佛罗里达大学）
本文研究了在违反主不可忽略性假设时，通过参数模型联合建模结果和主分层以部分识别主因果效应的方法，并探讨了弱假设对部分识别区域的影响。
2026-04-20 math.ST stat.ME stat.TH
Identifying and Estimating Principal Causal Effects in Multi-site Trials
随机试验通常在多个地点进行单独的随机化，如学校，投票区或医院。这些网站可能在重要方面有所不同，包括网站的实现，当地条件和个人的组成。实践中的一个重要问题是，研究人员是否以及在什么样的假设下可以利用这种跨站点的变化来了解更多关于干预的信息。我们在主要分层框架中解决这些问题，该框架描述了由治疗后数量定义的亚组的因果效应。我们表明，研究人员可以通过多站点设计估计某些主要的因果效应，如果他们愿意施加强有力的假设，即站点特定的影响是不相关的，与站点特定分布的阶层成员。我们激励这种方法与早期大学高中倡议，一个独特的中学教育计划，以提高高中毕业率和大学入学率的目标多地点试验。我们的分析证实了以前的研究表明，该倡议有积极的影响，否则谁会参加一个低质量的高中的学生，虽然权力是有限的。
2018-03-16 stat.ME
Do debit cards decrease cash demand? Evidence from a causal analysis using Principal Stratification
有人认为，交易技术的创新可能会改变代理人的现金持有行为，因为借记卡持有人可以从ATM机提取现金，也可以在零售商使用POS设备购买物品。在本文中，鲁宾因果模型内，我们调查的因果关系的影响，使用借记卡的家庭持有的现金库存的数据，从意大利家庭收入和财富调查（SHIW）。我们采用主体分层方法，将不使用这种支付工具的借记卡持有人的份额纳入其中。我们使用一个回归模型，将倾向得分作为单一预测因子，以调整观察到的协变量的不平衡。我们进一步发展了一个敏感性分析的方法来评估所提出的模型的敏感性违反的关键unconfoundedness假设。我们的实证结果表明，在意大利的家庭现金水平的借记卡统计上显着的负面影响。
2015-06-03 stat.AP
Bayesian Propensity Score-Augmented Latent Factor Models for Causal Inference with Time-Series Cross-Sectional Data
University of Michigan（密歇根大学）
本文提出一种贝叶斯倾向分数增强的潜在因子模型，用于时间序列横截面数据的因果推断，通过引入潜在因子载荷显式建模处理分配机制，并通过分层等方法灵活整合倾向分数，提升跨分层的异质性分析能力。
2026-03-26 stat.ME
Characterizing the Effects of Environmental Exposures on Social Mobility: Bayesian Semi-parametrics for Principal Stratification
针对PM2.5、教育程度与社会流动性的因果路径问题，提出基于无限混合的贝叶斯半参数主分层方法，发现高PM2.5通过降低教育程度使社会流动性下降约5%。
2025-11-03 stat.AP stat.ME
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
Identification and multiply robust estimation in causal mediation analysis across principal strata
该研究针对存在治疗后事件的因果中介分析场景，识别了全人群及各主层的自然中介效应，推导了有效影响函数并提出多重稳健估计量，还开发了非参数有效估计量与敏感性分析方法，经模拟和真实数据验证了方法有效性。
2024-09-12 stat.ME stat.ML
Conditional separable effects
研究人员通常对仅以治疗后事件状态为条件定义的结局的处理效应感兴趣。例如，在一项关于不同癌症治疗对随访结束时生活质量影响的研究中，研究期间死亡的个体的生活质量是不确定的。在这些情况下，即使在随机实验中，以治疗后变量为条件的结果的朴素对比也不是平均因果效应。因此，对于因果推断，通常主张在主要分层中的效应，即无论治疗如何，治疗后变量值均相同的人群，例如在死亡截断设置中始终存活的人群。虽然这一主要阶层效应是一个定义明确的因果对比，但往往很难证明它与科学家、患者或决策者有关，而且如果不依赖不可证伪的假设，就无法确定它。在这里，我们制定替代被估量，条件可分离的影响，有一个自然的因果解释的假设下，可以在随机实验中被证伪。我们提供了识别结果，并介绍了不同的估计，包括一个双鲁棒估计来自非参数影响函数。作为一个例子，我们估计化疗对前列腺癌患者生活质量的条件可分离效应，使用随机临床试验的数据。
2021-06-07 math.ST stat.ME stat.TH
Clarifying Selection Bias in Cluster Randomized Trials: Estimands and Estimation
在整群随机试验中，患者通常在整群随机化后招募，招募人员和患者可能对分配不知情。这通常会导致招募差异，从而导致干预组和对照组之间招募患者的基线特征存在系统性差异，从而诱导随机化后选择偏倚。我们严格定义的因果被估量存在选择偏差。我们阐明的条件下，标准的协变量调整方法可以有效地估计这些被估量。我们进一步讨论了在不满足这些条件时估计因果效应所需的额外数据和假设。采用因果推断中的主分层框架，阐明了整群随机试验中存在两个平均处理效应（ATE）估计量：一个用于总体人群，一个用于招募人群。我们推导出分析公式的两个被估量的主要阶层的具体因果关系的影响。使用模拟研究，我们评估的经验性能的多元回归调整方法在不同的数据生成过程中，导致选择偏差。当各主要分层的处理效应不均匀时，总体人群的ATE通常与招募人群的ATE不同。招募样本的意向治疗分析导致两种ATE的估计值存在偏倚。在存在随机化后选择且没有关于未招募受试者的额外数据的情况下，仅当主要分层之间的处理效应均匀时，招募人群的ATE才可估计，而总体人群的ATE通常不可估计。协变量调整可以消除选择偏倚的程度取决于主要分层之间的效应异质性程度。
2021-10-04 stat.AP stat.ME
Combining BART and Principal Stratification to estimate the effect of intermediate on primary outcomes with application to estimating the effect of family planning on employment in sub-Saharan Africa
本文结合BART和主效应分层法估计家庭计划对就业的影响，通过模拟研究和实证数据验证了该方法在非参数假设下的有效性。
2026-03-29 stat.AP stat.ME
Evaluating the Causal Effect of University Grants on Student Dropout: Evidence from a Regression Discontinuity Design Using Principal Stratification
回归不连续性（RD）设计通常被解释为局部随机化实验：RD设计可以被认为是一个随机化实验，其单元的强制变量的实现值落在预定阈值附近。出于对意大利大学赠款的评估，我们考虑了一个模糊的RD设计，其中接收的治疗是基于资格标准和自愿申请状态。基于补助金申请和补助金接收状态是分配后（合格后）中间变量的事实，我们使用主要分层框架来定义鲁宾因果模型中的因果被估量。我们提出了一个概率公式的分配机制的基础上的RD设计，重新制定稳定的单位治疗值假设（SUTVA），并作出明确的局部重叠假设的阈值周围的亚群。调用局部随机化假设，而不是更标准的连续性假设。我们还开发了一种基于模型的贝叶斯方法来选择目标亚群，并对多重比较进行调整，并在此框架下对目标因果被估量进行推断。应用该方法的数据，从两个意大利大学，我们发现证据表明，大学助学金是有效的，防止学生从低收入家庭辍学的高等教育。
2015-07-15 stat.AP
The potential for bias in principal causal effect estimation when treatment received depends on a key covariate
受潜在结局观点的启发，主要分层的想法因其在易受治疗后选择偏倚影响的环境中的相关性而得到广泛认可，例如随机临床试验，其中接受的治疗可能与分配的治疗不同。在这样的设置，我们解决微妙的因果关系的影响时，使用一个关键的协变量来预测成员在潜在的主要阶层的推断。我们发现，当接受的治疗可以不同于两个研究组中分配的治疗时，纳入分层预测协变量可以从具有不同协变量分布的两个治疗组中的观察结果中估计“符合者平均因果效应”（CACE）。采用贝叶斯的观点，并使用马尔可夫链蒙特卡罗计算，我们开发后验检查，其特征在于将预处理协变量的程度危及估计的CACE。我们应用该方法分析了一项临床试验，比较了两种治疗颌骨骨折的方法，其中研究方案允许外科医生根据他们的临床判断否决两种可能的随机治疗分配，并且数据包含一个关键协变量（损伤严重程度）预测接受的治疗。
2011-11-07 stat.AP
Non-Existent Outcomes in Research on Inequality: A Causal Approach
针对社会分层研究中因删除非存在性结果导致因果效应被低估的问题，基于主分层方法研究处理对结果存在性及潜在亚组结果值的平均效应，并开发回归与模拟框架调整混杂因素，以父母身份对劳动力市场结果影响为例进行说明。
2025-08-20 stat.AP stat.ME
Chasing Shadows: How Implausible Assumptions Skew Our Understanding of Causal Estimands
该研究指出当前因果估计量研究过度追求科学契合度而忽视实际可估性的问题，通过分析临床试验主分层估计量的不合理假设，倡导兼顾科学相关性与现实估计可行性的平衡方法。
2024-10-09 stat.ME
Rejoinder to Causal Inference Through Potential Outcomes and Principal Stratification: Application to Studies with "Censoring" Due to Death
通过潜在结果和主要分层进行因果推断的反驳：应用于因D死亡而进行“删失”的研究。B. Rubin [math.ST/0612783]
2006-12-27 math.ST stat.TH
Sensitivity analysis for principal ignorability violation in estimating complier and noncomplier average causal effects
Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯大学布隆伯格公共卫生学院）；University of Utah School of Medicine（犹他大学医学院）
本文探讨了在非合规设置中，主不可忽略性假设违反对因果效应估计的敏感性，通过不同敏感参数分析方法，展示了如何评估合规者与非合规者在结果均值上的差异，以改进非参数推断。
2024-03-29 stat.ME
Quantifying and Detecting Individual Level `Always Survivor' Causal Effects Under `Truncation by Death' and Censoring Through Time
在统计学和因果推断中，当关注的结果可能被死亡截断时的因果效应分析有很长的历史。存活者平均因果效应通常是用比随机临床试验设计或使用敏感性分析保证的假设更多的假设来确定的。本文表明，在“总是幸存者”的主要阶层的个人水平的因果关系的影响，可以确定没有更强的识别假设比随机化。我们使用前列腺癌患者临床试验的数据说明了我们的方法的实际效用。我们的方法是第一个，迄今为止，唯一提出的程序，使检测因果关系的影响，在截断死亡的存在下，只使用的假设，保证了临床试验的设计。这种方法适用于所有类型的结果。
2020-03-20 math.ST stat.ME stat.TH
Sparse Principal Component based High-Dimensional Mediation Analysis
因果中介分析旨在量化中介对从治疗到结果的因果路径的中间影响。对于可能具有因果依赖性的多个介质，通路效应的可能分解随介质的数量呈指数增长。Huang和Pan（2016）介绍了一种基于主成分分析（PCA）的方法来解决这一挑战，其中，考虑到PC的正交性，转换后的介质是条件独立的。然而，转换的介质PC，这是原始介质的线性组合，是很难解释的。在这项研究中，我们提出了一个稀疏的高维中介分析的方法，采用稀疏PCA方法介绍了邹等（2006年）的中介设置。我们将该方法应用于基于任务的功能性磁共振成像研究，并表明我们提出的方法能够检测与所识别的介体相关的具有生物学意义的结果。
2018-06-15 stat.AP
Principal stratification analysis using principal scores
从业者感兴趣的不仅是治疗对结果的平均因果效应，而且是在治疗和结果之间存在中间变量的情况下的潜在因果机制。然而，在许多情况下，我们不能随机化中间变量，导致样本选择问题，即使在随机实验。因此，我们将具有中间变量的随机实验视为半观察性研究。在分析观察性研究的同时，我们提供了一个理论基础，进行客观的因果推断与一个中间变量的主要分层框架下，与主要层定义为联合潜在值的中间变量。我们的策略基于主要得分构建加权样本，定义为给定协变量的潜在主要层的条件概率，而无需访问任何结果数据。这种主要分层分析产生了强大的因果推断，而不依赖于任何模型假设的结果分布。我们还提出了方法进行敏感性分析的可验证性和单调性假设，在我们的理论中非常关键的，但不可测试的识别假设的违反。当经典的工具变量分析所需的假设不能被背景知识证明是合理的，或者因为感兴趣的科学问题而不能被证明是合理的时，我们的策略可以作为处理中间变量的一个有用的替代工具。我们用两个真实的数据例子来说明我们的方法，并找到科学上有意义的结论。
2016-02-03 math.ST stat.ME stat.TH
Doubly cross-fit debiased machine learning of heterogeneous treatment effects under principal stratification
Yale School of Public Health（耶鲁公共卫生学院）
针对主分层框架中处理效应异质性研究不足的问题，提出双重交叉拟合双稳健机器学习方法，结合主可忽略性和比值比敏感性参数化，估计条件主因果效应，并建立理论保证。
2026-07-09 stat.ME stat.ML
GEEPERs: Principal Stratification using Principal Scores and Stacked Estimating Equations
本文提出一种基于二元指标的一维非合作的主分层估计器，利用传统回归方法计算估计值，无需分布假设，通过模拟研究和实际数据分析展示其鲁棒性。
2026-05-01 stat.AP stat.ME
Principal Stratification with Bayesian Additive Regression Trees for Count-Valued Intermediate Variables: Estimating the Effect of Fertility on Women's Employment
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文扩展主分层结合BART的框架，适配计数型中间变量场景，经模拟及非洲多国调查数据验证，其因果效应估计性能优于传统方法，可揭示被标准方法掩盖的异质性。
2026-08-12 stat.AP stat.ME
A sensitivity analysis approach to principal stratification with a continuous longitudinal intermediate outcome: Applications to a cohort stepped wedge trial
University of Florida（佛罗里达大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出了一种针对连续纵向中间结果的敏感性分析方法，应用于队列阶梯楔形试验，以估计主因果效应并扩展主分层方法的应用范围。
2026-02-19 stat.ME
Implementing the principal stratum strategy for intercurrent events with survival outcomes: a tutorial
University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）；U.S. Food and Drug Administration（美国食品药品监督管理局）；Duke University（杜克大学）
本教程回顾了主分层策略在生存结局并发事件中的应用，通过混合模型和加权方法估计因果效应，并提供了R代码和模拟研究。
2026-05-26 stat.ME
Heterogeneous survivor average causal effects beyond monotonicity: Applications to a clinical trial evaluating mechanical ventilation strategies
Yale School of Public Health（耶鲁大学公共卫生学院）；University of Alberta（阿尔伯塔大学）；University of Pennsylvania（宾夕法尼亚大学）；Yale University School of Medicine（耶鲁大学医学院）
针对重症监护临床试验中因死亡截断的结果，提出无单调性框架识别条件幸存者平均因果效应，基于BART的贝叶斯方法估计个体效应，应用于ARDS PEEP试验揭示被总体结果掩盖的异质性亚组。
2026-09-22 stat.AP stat.ME
A Bayesian Analysis of Two-Stage Randomized Experiments in the Presence of Interference, Treatment Nonadherence, and Missing Outcomes
针对现代复杂实验中同时存在的干扰、治疗不依从和结果缺失问题，提出一种基于贝叶斯方法的因果推断框架，扩展两阶段随机化实验和主分层框架，通过灵活分布模型实现主因果效应的弱可识别，从而提供更具信息量的分析。
2023-04-05 stat.ME
A Bayesian Machine Learning Approach for Estimating Heterogeneous Survivor Causal Effects: Applications to a Critical Care Trial
本文提出基于 BART 的贝叶斯机器学习方法，在结局截断下估计始终幸存者的平均与异质性因果效应，并经 ARMA 试验和模拟验证其获益、异质性来源及更低偏差。
2023-06-20 stat.AP
Exploiting network information to disentangle spillover effects in a field experiment on teens' museum attendance
青年教育的一个关键因素是使他们对历史和艺术遗产有敏感认识。我们分析了在佛罗伦萨（意大利）进行的实地实验，以评估如何适当的激励分配给高中班级可能会导致青少年参观博物馆在他们的空闲时间。不遵守和溢出效应使得这种集群式鼓励设计的影响评估具有挑战性。我们建议混合主要分层和因果调解，根据他们的遵守行为，并使用他们的友谊网络作为调解人的信息定义子群体的单位。我们正式定义了主要的自然直接和间接效应以及主要控制的直接和溢出效应，并使用它们来解开其他因果渠道的溢出。我们采用贝叶斯方法进行推理。
2022-05-06 econ.EM stat.AP stat.ME
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
Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables
Data Science Institute, Brown University（布朗大学数据科学研究所）；Department of Statistics, University of Padova（帕多瓦大学统计系）；Department of Economics, European University Institute（欧洲研究院经济系）；Department of Biostatistics, Harvard School of Public Health（哈佛公共卫生学院生物统计系）；Department of Biostatistics, University of California, Los Angeles（加州大学洛杉矶分校生物统计系）
本文提出CASBAH方法，通过贝叶斯非参数先验处理连续后处理变量，解决主分层识别与不确定性量化问题，通过模拟和案例研究验证其有效性。
2026-03-25 math.ST stat.ME stat.TH
Rothman diagrams: the geometry of association measure modification and collapsibility
本文介绍Rothman图如何通过几何视角揭示关联测量修正、可折叠性与混杂间的逻辑独立性，并证明可折叠性等价于等值线为直线。
2025-06-30 math.ST stat.AP stat.TH
Bayesian principal stratification with longitudinal data and truncation by death
提出贝叶斯纵向主分层框架，处理死亡截断的纵向数据，估计不同时间点存活者层的因果效应，并应用于企业生存与招聘政策评估。
2023-12-30 stat.AP stat.ME
Identification and efficient estimation of compliance and network causal effects in cluster-randomized trials
Washington University in St. Louis（华盛顿大学圣路易斯分校）；University of Florida（佛罗里达大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出了一种半参数框架，用于评估集群随机试验中个体合规效应和网络分配效应，并通过数据自适应方法和敏感性分析提高推断的稳健性。
2026-09-29 stat.ME
