Estimating heterogeneous treatment effects by W-MCM based on Robust reduced rank regression
本文提出基于稳健降秩回归的W-MCM方法，用于多结局场景下的异质性处理效应估计与有效亚组识别，能够处理结局间高相关性和离群值，并通过模拟与真实数据验证其有效性。
2024-08-01 stat.ME
Estimating Treatment Effects with Causal Forests: An Application
我们将因果森林应用于来自国家学习思维模式研究的数据集，并考虑由此产生的实际和概念上的挑战。特别是，我们讨论了因果森林如何使用估计的倾向得分更强大的混淆，以及他们如何处理数据与聚类错误。
2019-02-20 stat.ME
Estimation of Treatment Effects for Heterogeneous Matched Pairs Data with Probit Models
医学治疗对受试者反应的影响是医学研究中的关键问题之一。在医学研究领域中，通常采用配对设计来消除混淆和提高效率。本文提出了异质配对数据处理效应的新估计。估计的渐近性质的推导。仿真研究表明，所提出的估计具有一定的优势，著名的Heckman的估计和逆概率加权（IPW）估计。我们将建议的方法应用于血铅水平数据集和急性白血病数据集。
2017-11-07 stat.ME
Heterogeneous Treatment Effect Estimation based on a Partially Linear Nonparametric Bayes Model
近年来，条件平均处理效应（CATE）估计因其在统计学、社会科学和生物医学等领域的重要性而受到广泛关注。本研究提出一个部分线性非参数贝叶斯模型的异质性处理效应估计。部分线性模型是一种半参数模型，由线性和非参数分量以相加形式组成。已经研究了使用高斯过程来对非参数分量建模的非参数贝叶斯模型。然而，该模型不能处理处理效应的异质性。在我们提出的模型中，不仅模型的非参数成分，而且治疗变量的异质性处理效应是由一个高斯过程先验建模。本文导出了CATE的后验分布的解析形式，并证明了后验分布具有相合性。也就是说，它集中在真实分布上。我们通过数值实验的基础上合成数据所提出的方法的有效性。
2022-01-28 stat.ME
Estimating Causal Moderation Effects with Randomized Treatments and Non-Randomized Moderators
研究人员通常对分析条件性处理效应感兴趣。其中一个变体是“因果调节”，这意味着对第三个（调节剂）变量的干预将改变处理效应。本研究认为，在何种条件下，因果温和可以确定，并提出了一个广义的框架，估计因果温和的随机治疗和非随机主持人的影响。作为估计过程的一部分，它允许研究人员实施他们首选的协变量调整方法，包括参数和非参数方法，或他们选择的替代识别策略。此外，它提供了一个设置，从而设计的平均治疗效果的背景下，敏感性分析可以扩展到适度的背景下。为了说明的方法，研究提出了两个应用程序：一个处理的效果使用术语“福利”来描述在美国的公共援助，和一个处理的效果寻求庇护者的宗教对欧洲人的态度寻求庇护者。
2020-08-24 stat.ME
Nonparametric Heterogeneous Treatment Effect Estimation in Repeated Cross Sectional Designs
确定人口对健康或政策干预的反应的异质性对于评估和告知政策决定至关重要。我们提出了一种新的异质性处理效应估计的差异中的差异设计与重复的横截面数据，在那里我们观察不同的样本的人口在两个时间段分开的政策干预，以及作为控制的人口样本。我们的估计器具有正交特性，能够快速学习处理效应，同时允许较慢的速率估计滋扰成分。我们的建议在各种模拟设置中显示出有前途的经验性能。
2021-08-22 stat.ME
Estimating causal effects of functional treatments with modified functional treatment policies
University of Minnesota（明尼苏达大学）
本文提出一种新的因果估计量MFTP，通过功能主成分分析分解解决无限维对象平均问题，用于估计个体治疗轨迹微调后的潜在结果，通过模拟和实证研究验证了其有效性。
2026-02-09 stat.ME
Estimating the average treatment effects of nutritional label use using subclassification with regression adjustment
当治疗分配未随机化时，倾向得分方法通常用于估计二元处理效应。当暴露在有序尺度上测量时（即，低-中-高），然而，倾向得分推断需要得到有限关注的扩展。有序暴露的可能关注估计值是每对暴露水平之间的平均处理效应。使用这些被估量，可以确定最佳暴露水平。传统的方法，包括暴露的二分法或一系列暴露对之间的二元倾向得分比较，通常不足以识别最佳水平。我们将子分类与回归调整相结合，以估计有序暴露之间的传递性，无偏平均因果效应，并将我们的方法应用于2005-06年全国健康与营养检查调查，以估计营养标签使用对体重指数的影响。
2014-11-30 stat.ME
Debiased Inference on Heterogeneous Quantile Treatment Effects with Regression Rank-Scores
本文提出一种结合 $\ell_1$-惩罚回归调整与秩得分偏差校正的新方法，用于高维协变量下异质性分位数处理效应的去偏推断，并通过模拟和英国生物银行数据验证其有效性。
2023-07-11 stat.ME
Estimating Net Effects of Treatments in Treatment Sequence without the Assumption of Strongly Ignorable Treatment Assignment
在序贯因果推断中，在治疗之间存在时间依赖性协变量的情况下，估计治疗序列中治疗对末次治疗后结局的因果净效应，通过强可验证治疗分配的不可检验假设改进估计，并获得一致但非真实的基于似然性的估计。在这篇文章中，我们引入了治疗的净效应作为参数的条件分布的结果，所有的治疗和时间依赖的协变量，并表明它是等于因果净效应的治疗下，假设强可解释的治疗分配。因此，我们可以估计治疗的净效应，并在两个独立的步骤中评估其因果解释。第一步是本文的重点，而第二步可以通过通常的敏感性分析来完成。我们构造了条件结果分布的点参数化，其中感兴趣的参数是单点治疗的点效应。在点参数化的条件下，在不作不可检验假设的情况下，利用极大似然估计处理净效应，改进了处理净效应的可检验模式估计，得到了有限维模式下处理净效应的无偏相合最大似然估计.
2014-11-16 stat.ME
Improved Precision in Estimating Average Treatment Effects
平均处理效应（ATE）是实验性治疗干预有效性的全球指标。经典的估计方法要么忽略相关协变量，要么没有充分利用它们。此外，过去的工作认为协变量是固定的。我们提出了一种提高ATE估计精度的方法：通过回归估计治疗和对照反应，并将组间信息合并以产生渐近无偏估计;随后我们证明了结果背后的随机X范式。推导出了标准误，并与传统的估计量进行了比较.详细说明了回归估计的适用条件，并给出了实际数据的验证。
2013-11-01 stat.ME
Causal rule ensemble method for estimating heterogeneous treatment effect with consideration of main effects
本研究提出基于RuleFit和S-learner的因果规则集成框架，通过引入主效应和处理效应规则项实现可解释的异质性处理效应估计，数值模拟和实际数据验证了其性能与解释性。
2023-07-27 stat.ME
Causaltoolbox---Estimator Stability for Heterogeneous Treatment Effects
估计异质性处理效应在许多领域中变得越来越重要，并且生死决定现在基于这些估计：例如，选择个性化的医学治疗过程。最近，各种程序依赖于不同的假设已经提出了估计异质性处理效应。不幸的是，没有令人信服的方法，允许识别的程序，具有最接近的过程中产生的数据集的研究和研究人员经常任意选择一个假设。这种方法冒着做出依赖于不正确假设的推论的风险，并给实验者太多的$p$ -黑客攻击的空间。单一的估计器也会倾向于忽略其他估计器可能已经拾取的模式。我们认为，许多已发表的论文的结论可能会改变一个不同的估计被选中，我们建议，医生应该评估许多估计和评估他们的相似性时，调查异质性处理效应。我们证明了这一点，通过应用28个不同的估计程序的模拟观测数据集，这种分析表明，不同的估计程序可能会得到截然不同的估计。我们还提供了一个可扩展的\texttt{R}软件包，使从业者可以直接遵循我们的建议。
2019-03-28 stat.ME
Inference for Heterogeneous Treatment Effects with Efficient Instruments and Machine Learning
Seminar for Statistics, ETH Zurich（苏黎世联邦理工学院统计系）；Center for Data Science, Zhejiang University（浙江大学数据科学中心）
本文提出了一种基于双重/去偏机器学习和高效工具的IV估计器，用于推断异质处理效应，并在合成和实际数据上进行了验证。
2026-02-05 stat.ME
Survival causal rule ensemble method considering the main effect for estimating heterogeneous treatment effects
本文针对生存数据提出一种基于RuleFit的异质性治疗效应估计方法，在保证可解释性的同时取得与现有方法相当的预测精度，并通过HIV研究数据验证了其有效性。
2023-09-21 stat.ME
A Unified Approach for Estimating Various Treatment Effects in Causal Inference
本文提出一种基于统计泛函和累积分布函数的统一估计器，可估计多种处理效应（如ATE和QTE），兼顾变量选择，理论性质完备，数值实验显示其优于现有方法。
2025-03-28 stat.ME
Estimating causal effects of continuous-time dynamic treatments with unmeasured confounders
Key Laboratory of Advanced Theory and Application in Statistics and Data Science -MOE, School of Statistics, East China Normal University（华东师范大学统计学院统计学与数据科学前沿理论及应用教育部重点实验室）
本文提出一种新的方法，从贝叶斯视角估计连续时间动态治疗的因果效应，以处理未测量混杂因素，通过模拟验证其在不同混杂程度下的有效性，并应用于静脉注射催产素与产后出血的因果关系分析。
2026-04-01 stat.ME
Estimating the treatment effect for adherers using multiple imputation
随机对照试验被认为是评价处理效应（被估量）的有效性和安全性的金标准。根据最近的国际协调理事会（ICH）-E9附录（R1），在定义被估量时需要考虑并发事件（ICE），主层是处理ICE的五种策略之一。Qu et al.（2020，Statistics in Biopharmacology Research 12：1 - 18）提出了粘附者平均因果效应（AdACE）的估计量，用于估计基于因果推理框架坚持一种或两种治疗的患者的治疗差异，并证明了这些估计量的一致性;然而，该方法需要与高维数值积分相关的复杂自定义编程。在本文中，我们使用多重插补（MI）实现了AdACE估计量，并通过自举构造CI。一项模拟研究表明，基于MI的估计量为关注的依从人群的治疗差异提供了具有CI标称覆盖概率的相合估计量。作为一个说明性的例子，新方法被应用于一个真实的临床试验的数据，比较2种类型的基础胰岛素对1型糖尿病患者。
2021-11-23 stat.ME
A causal fused lasso for interpretable heterogeneous treatment effects estimation
提出基于融合套索的因果方法，通过得分排序匹配样本并自适应形成亚组，估计可解释的异质性治疗效果，实验证明其性能与最先进方法相当。
2025-08-08 stat.ME
Estimation of heterogeneous individual treatment effects with endogenous treatments
本文在一个具有二值内生处理的三角模型中估计了个体处理效应。根据Vuong和Xu（2014）建立的识别策略，我们提出了一种两阶段估计方法。首先，我们估计反事实的结果，从而估计样本中每个观察单位的个体处理效应（ITE）。其次，我们估计了群体中个体处理效应的密度。我们的估计方法不受不适定的反问题与反相非线性功能。所提出的方法的渐近性质的建立。我们在蒙特卡罗实验中研究了它的有限样本性质。我们还说明了我们的方法与实证应用程序评估401（k）退休计划对个人储蓄的影响。我们的研究结果表明，有一个小的，但统计上显着比例的个人经历的负面影响，虽然大多数ITE是积极的。
2016-10-27 stat.ME
Rules Ensemble Method with Group Lasso for Heterogeneous Treatment Effect Estimation
基于真实世界数据的精准医学越来越受到科学界的关注，这使得最近的许多研究澄清了处理效应与患者特征之间的关系。然而，这是具有挑战性的，因为个体的处理效应普遍存在异质性，并且关于其背景的真实世界数据复杂且有噪声。由于其灵活性，已经提出了各种异构处理效应（HTE）机器学习（ML）估计方法。然而，大多数ML方法都包含黑盒模型，这妨碍了对个体特征与治疗效果之间相互关系的直接解释。本研究提出了一种基于规则集成方法RuleFit的ML方法来估计HTE。RuleFit的主要优点是可解释性和准确性。然而，HTE总是在潜在结果框架中定义的，并且RuleFit不能直接应用。因此，我们修改了RuleFit，并提出了一种方法来估计HTE，直接从模型中解释个体特征之间的相互关系。
2022-06-17 stat.ME
Posterior Predictive Treatment Assignment for Estimating Causal Effects with Limited Overlap
使用倾向得分估计因果效应依赖于在估计的每个倾向得分值下观察到的经处理和未经处理单位的可用性。在强混杂的环境中，倾向得分分布中有限的所谓“重叠”可能会破坏估计因果效应的经验基础，并产生现有估计量的不稳定的有限样本性能。我们提出了一个贝叶斯过程，旨在估计因果效应的设置有有限的重叠倾向得分分布。我们的方法依赖于后验预测治疗分配（PPTA），这是一个来自倾向得分的量，但在估计因果关系中起着不同的作用。我们使用PPTA来估计因果效应，通过边缘化每个观察是否是未知子集的成员的不确定性，可以假设治疗分配无混淆。由此产生的后验分布取决于估计每个观察结果的因果效应的经验基础，并且与Li et al.（2016）最近提出的“重叠权重”具有共性。我们发现，PPTA方法可以被解释为现有的ad-hoc方法，如修剪的基础上的倾向得分或截断的治疗权重的逆概率的随机版本，并突出几个实际的优势，包括不确定性量化和改进的有限样本性能。我们说明了在美国的发电厂减少有害污染排放的技术的有效性评估的方法。
2017-10-24 stat.ME
Estimating marginal treatment effects from observational studies and indirect treatment comparisons: When are standardization-based methods preferable to those based on propensity score weighting?
本研究通过模拟对比倾向评分加权与标准化方法在单观察性研究、锚定间接治疗比较场景下的边际效应估计效果，类比两类场景下的对应方法，提出间接治疗比较的现有推荐可改进，强调需调整纯预后因素。
2023-10-07 stat.ME
LongBet: Heterogeneous Treatment Effect Estimation in Panel Data
提出基于贝叶斯因果森林的半参数方法LongBet，无需平行趋势假设即可估计面板数据中的异质处理效应，并提供不确定性量化和条件平均处理效应估计。
2024-06-04 stat.ME
Unsupervised dense random survival forests identify interpretable patient profiles with heterogeneous treatment benefit
The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）；Amgen（安进）；Telperian（特尔佩里安）
本文提出无监督的密集随机生存森林方法，用于识别具有异质治疗效益的患者亚组，通过模拟和临床试验验证其有效性。
2026-01-04 stat.ME
Estimating Complier Average Causal Effects for Clustered RCTs When the Treatment Affects the Service Population
随机对照试验有时测试旨在改善针对随机化后确定的一部分个体的现有服务的干预措施。因此，这种待遇可能会影响服务接受者的构成和所提供的服务。有了这样的偏见，使用服务接受者和非接受者的数据进行意向治疗估计可能很难解释。本文开发的因果被估量和逆概率加权（IPW）估计编译器的人口在这些设置中，使用广义估计方程的方法，调整标准误差的估计误差的IPW权重。虽然我们的重点是更一般的聚类RCT，但这些方法也适用于（减少）非聚类RCT。仿真结果表明，在假设的识别条件下，估计量达到了标称置信区间覆盖。一个实证的应用程序演示的方法使用的数据从一个大规模的随机对照试验测试的影响，幼儿服务对儿童的认知发展分数。
2022-05-17 stat.ME
Doubly Robust Direct Learning for Estimating Conditional Average Treatment Effect
非均匀处理效应的推断是科学和商业应用中的基本问题。在本文中，我们专注于估计条件平均处理效应（CATE），即在给定协变量的条件平均结果之间的差异。传统上，基于Q学习的方法依赖于给定治疗和协变量的条件平均结果的估计。然而，它们受到主效应模型的错误指定的影响。最近，已经提出了简单而灵活的一步方法来直接学习（D-Learning）CATE而无需模型规范。然而，这些方法对倾向得分模型的错误设定不稳健。我们提出了一个新的框架CATE估计，强大的直接学习（RD学习），导致双重强大的估计的处理效应。如果正确指定了主效应模型或倾向得分模型，则可以保证我们的CATE估计量的一致性。该框架可用于二进制和多臂设置，并且足够通用，以允许不同的函数空间并包含不同的通用学习算法。作为一个副产品，我们开发了一个有竞争力的统计推断工具的处理效应，假设倾向得分是已知的。我们提供的理论见解，所提出的方法使用风险界限下的线性和非线性设置。我们所提出的方法的有效性证明了仿真研究和艾滋病临床试验研究的真实数据的例子。
2021-03-21 stat.ME
Hypothetical Treatment Accelerations: Estimating Causal Effects of Kidney Transplants from Observational Data
终末期肾病患者在接受移植前可能要等待数年，而他们的健康状况一直在恶化。如果我们设法减少这些等待时间，生存率会有什么变化？为了提供一个答案，我们提出了一个连续时间边际结构模型（MSM）的假设情况下，直到治疗的时间是改变的。在这些情况下，治疗过程是在假设的时间尺度上定义的，其中时间以与实际观察到的时间相比不同的速率流逝。改变处理过程的时间对应于改变联合概率分布，从而使得使用先前开发的方法从观察数据中识别和估计假设参数成为可能。我们使用来自挪威老年肾衰竭患者队列的观察数据证明了这种治疗加速的MSM。该模型可能有助于卫生当局评估减少特定患者群体器官移植等待时间的影响。
2022-07-16 stat.ME
Exploration of heterogeneous treatment effects via concave fusion
了解治疗异质性对于精准医学的发展至关重要，精准医学旨在为具有相似特征的患者亚组量身定制医学治疗。实现这一目标的挑战之一是，我们通常没有关于治疗的患者分组信息的先验知识。为了解决这个问题，我们考虑了一个异质回归模型，假设治疗变量的系数是受试者依赖的，属于不同的亚组，分组信息未知。我们开发了一种凹融合惩罚方法，用于自动估计分组结构和子组特定的处理效应，并推导出一个交替方向的乘法器算法的实现方法。我们还研究了所提出的方法的理论性质，并表明在适当的条件下，存在一个局部极小，等于预言最小二乘估计与先验知识的真实分组信息的高概率。这为基于所提出的方法对亚组特异性处理效应进行统计推断提供了理论支持。我们评估所提出的方法的性能模拟研究，并说明其应用程序分析数据从艾滋病临床试验组研究。
2019-08-19 stat.ME
Estimating Heterogeneous Treatment Effects for Spatio-Temporal Causal Inference
University of Florida（佛罗里达大学）；Harvard University（哈佛大学）；Dartmouth College（达特茅斯学院）
该研究针对时空因果推断的空间溢出和时间延续问题，提出Hajek型CATE估计量及相关检验，通过模拟验证性能，并应用于美国空袭对伊拉克叛乱暴力影响的分析，发现与反叛乱理论预期相反的结果。
2026-08-05 stat.ME
Independent-Set Design of Experiments for Estimating Treatment and Spillover Effects under Network Interference
针对网络干扰下处理分配与干扰水平纠缠的问题，提出基于独立集的实验设计，通过辅助集分配控制干扰暴露，可同时估计处理效应与溢出效应。
2023-12-07 stat.ME
Identification and Estimation of Heterogeneous Treatment Effects under Non-compliance or Non-ignorable assignment
我们提供了充分的条件来识别异质性处理效应，定义为条件期望的差异，潜在的结果给予未经治疗的结果，在non-conformable治疗条件和可用性的信息的边缘分布的未经治疗的结果。这些函数对于识别平均处理效应（ATE）和确定处理分配策略都是有用的。在应用研究中普遍存在以下两种一般设置：（i）具有单侧不依从性的随机对照试验和（ii）具有关于未治疗结局或其样本矩的边缘分布信息的不可重复分配的观察性研究。为了处理设置有许多积分和缺失值，我们提出了一个（准）贝叶斯估计方法HTE和ATE，并通过模拟研究检查其属性。我们还将所提出的方法应用于国家职业培训合作法案研究所获得的数据集。
2019-01-12 stat.ME
Estimation and inference of average treatment effects under heterogeneous additive treatment effect model
本文针对网络干扰下的平均处理效应估计问题，在异质加性处理效应模型下提出基于特征向量的回归调整估计量，建立其渐近正态性与保守方差估计，并验证其在多种干扰结构下的有效性。
2024-08-30 stat.ME
Estimating Treatment Effects with Missings Not At Random in the Estimand Framework using Causal Inference
本文针对随机对照试验中非随机缺失问题，利用有向无环图和潜在响应变量建模缺失过程，提出无需填补即可无偏估计治疗效应的新方法，并证明平均条件对数优势比在充分调整混杂因素下对MNAR具有稳健性。
2025-11-08 stat.ME
Outlier-Resistant Heterogeneous Treatment Effect Estimation in HDLSS Settings via GAT--CVAE Framework
本文提出一种适用于HDLSS设置的GAT-CVAE鲁棒框架，通过结合图注意力网络与条件变分自编码器进行潜在表示学习与聚类，并利用双重鲁棒估计器估计异质处理效应，在精准医疗和政策评估中表现优于现有方法。
2025-09-13 stat.ME
Distilling heterogeneous treatment effects: Stable subgroup estimation in causal inference
Yale University（耶鲁大学）；University of Notre Dame（圣母大学）；University of California Irvine（加州大学尔湾分校）
本研究提出因果提炼树（CDT），结合黑箱模型的预测性能与决策树的可解释性，在HIV抗逆转录病毒治疗随机对照试验中构建稳定临床相关子群，性能优于现有方法。
2026-09-01 stat.ME
Assumption-Lean Differential Variance Inference for Heterogeneous Treatment Effect Detection
McGill University（麦吉尔大学）；Université de Montréal（蒙特利尔大学）；Lund University（隆德大学）；University of Toronto（多伦多大学）
提出通过潜在结果方差对比推断治疗效果异质性，即使缺失效应修饰变量也能检测，并推导出双重稳健的因果机器学习估计量。
2026-10-14 stat.ME
Estimating Marginal Treatment Effects under Unobserved Group Heterogeneity
研究了基于异质性处理规则将个体划分为不可观测组的处理效应模型。使用有限混合的方法，我们提出了一个边际处理效应（MTE）的框架，其中的治疗选择和结果方程可以是异质组。在特定于每个组的工具变量的可用性下，我们表明，每个组的MTE可以单独识别。基于我们的识别结果，我们提出了一个两步半参数估计的MTE组。我们说明了所提出的方法的实用性与应用程序的经济回报，大学教育。
2022-05-23 econ.EM stat.ME
Heterogeneous Treatment Effects under Network Interference: A Nonparametric Approach Based on Node Connectivity
Purdue University（普渡大学）；University of Michigan（密歇根大学）
该研究针对网络干扰下的因果推断问题，提出了基于节点连通性的非参数方法KECENI，用于估计节点级反事实均值，通过小额信贷数据验证了其可揭示网络特征对处理效应的影响。
2026-08-07 stat.ME
Estimating Average Treatment Effects Utilizing Fractional Imputation when Confounders are Subject to Missingness
观测数据的缺失问题是普遍存在的。当混杂因素随机缺失时，通常使用多重插补;然而，该方法要求有效推断的一致性条件，在估计平均因果处理效应时可能无法满足。或者，Kim 2011年提出的分数插补已被用于处理回归背景下的缺失值。在这篇文章中，我们开发了部分插补方法来估计混杂因素随机随机缺失的平均处理效应。我们证明了平均处理效应的分数插补估计是渐近正态的，这使得方差估计是一致的。通过仿真研究，比较了分数填补和多重插补的准确度和精确度。
2020-07-08 stat.ME stat.OT
Estimating heterogeneous treatment effects versus building individualized treatment rules: Connection and disconnection
估计异质性处理效应是统计学文献中研究得很好的主题。最近，由于对精确医学的需求日益增加以及在估计中越来越多地使用最先进的机器学习方法，它重新受到关注。此外，估计异质性处理效应直接关系到建立个体化治疗规则，个体化治疗规则是根据患者特征进行治疗的决策规则。本文考察了这两个研究问题之间的联系和脱节。值得注意的是，对异质处理效应的更好估计可能会或可能不会导致更好的个体化处理规则。我们提供了理论框架来解释连接和断开，并通过模拟演示了两种不同的情况。我们的结论揭示了一个实际的指导，在某些情况下，没有必要加强估计的处理效应，因为它不会改变治疗的决定。
2022-10-04 math.ST stat.ME stat.TH
Heterogeneous Coefficients, Control Variables, and Identification of Multiple Treatment Effects
多维异质性和内隐性是多处理模型的重要特征。我们考虑一个非均质系数模型，其中的结果是一个虚拟的治疗变量的线性组合，每个变量代表一种不同的治疗。我们使用控制变量来给出平均处理效应的充分必要条件。对于互斥处理，我们发现，如果非均质系数与给定对照的处理无关，则一个简单的识别条件是广义倾向得分（Imbens，2000）远离零，并且它们的总和远离1，概率为1。我们的分析延伸到分布和分位数处理效应，以及相应的处理效应的治疗。这些结果推广了Rosenbaum和Rubin（1983）关于二元处理的经典识别结果。
2021-11-22 econ.EM stat.ME
Estimating Conditional Average Treatment Effects with Heteroscedasticity by Model Averaging and Matching
本研究提出模型平均结合划分匹配的方法，用于估计异方差下的条件平均处理效应，证明其渐近最优性与一致性，数值实验验证了良好的有限样本性能。
2024-12-16 stat.AP stat.ME
Exact Trend Control in Estimating Treatment Effects Using Panel Data with Heterogenous Trends
对于Abadie等人（2010）考虑的面板模型，Abadie等人构建的反事实结果，Hsiao et al.（2012）和Doudchenko and Imbens（2017）都可能受到不受控制的异质性趋势的混淆。基于精确匹配的趋势预测，我提出了新的方法来估计模型特定的处理效应，这是免费的异质性趋势。当应用于Abadie et al.新的估计表明，加州烟草控制计划的影响要小得多。
2020-12-16 econ.EM stat.ME
Estimating Average Treatment Effects: Supplementary Analyses and Remaining Challenges
有大量关于在具有固定数量协变量的设置中，在无混杂治疗分配下平均处理效应的半参数估计的文献。最近的注意力集中在设置大量的协变量。在本文中，我们从早期的文献扩展到这个新的设置的经验教训。我们建议，除了报告点估计和标准误，研究人员报告的结果，从一些补充分析，以帮助评估他们的估计的可信度。
2017-02-04 econ.EM stat.ME
Estimating a Continuous Treatment Model with Spillovers: A Control Function Approach
本文研究了一个通过社交网络存在治疗溢出的连续处理效应模型。我们假设一个人的结果不仅受到他/她自己的治疗的影响，而且还受到他/她邻居治疗的（加权）平均值的影响，这两者都被视为内生变量。使用具有适当工具变量的控制函数方法，我们表明可以非参数化地识别条件平均潜在结果。我们还考虑了一个更易于经验处理的半参数模型，并为这个模型开发了一个三步估计程序。作为一个实证说明，我们调查的区域失业率对犯罪率的因果关系。
2023-01-11 econ.EM stat.ME
Estimating Causal Effects of Discrete and Continuous Treatments with Binary Instruments
MIT（麻省理工学院）；U of Bristol（布里斯托大学）；U of Michigan（密歇根大学）；CESifo（CESifo研究所）
提出基于局部copula的工具变量框架，通过恒定局部依赖性假设识别离散和连续治疗的因果效应，并应用于睡眠对幸福感的影响估计。
2026-09-09 econ.EM stat.ME
Estimating the effect of treatments allocated by randomized waiting lists
超额订购的治疗通常使用随机等候名单进行分配。申请人随机排名，并根据排名提供治疗，直到所有座位都被填满。为了估计因果关系，研究人员经常比较申请人得到和没有得到录取通知书。我们发现这两组在统计上没有可比性。因此，从这种比较中得出的估计量是不一致的。我们提出了一个新的估计，并证明了它是一致的。最后，我们重新审视一个应用程序，我们表明，使用我们的估计可以导致使用常用的估计所获得的结果大不相同。
2018-10-22 econ.EM stat.ME
Deep Learning of Continuous and Structured Policies for Aggregated Heterogeneous Treatment Effects
University of Toronto（多伦多大学）
本文提出一种深度学习框架，通过神经增强朴素贝叶斯层整合连续与离散处理策略因素，实现聚合异质处理效应的直接排序，并在公共数据集上验证了性能提升。
2025-07-07 cs.LG stat.ME
Statistical Power for Estimating Treatment Effects Using Difference-in-Differences and Comparative Interrupted Time Series Designs with Variation in Treatment Timing
本文开发了新的封闭形式的方差表达式的权力分析常用的差异中的差异（DID）和比较中断时间序列（CITS）面板数据估计。主要贡献是将治疗时间的变化纳入分析。把握度公式还考虑了实践中出现的其他关键设计特征：自相关误差、不等测量间隔和治疗分配单位引起的聚类。我们考虑横截面和纵向模型的幂公式，并允许协变量。说明性功效分析为适当的样本量提供了指导。关键发现是，考虑到治疗时间增加，需要样本量。此外，DID估计器具有比标准CITS和ITS估计器大得多的功率。可用的Shiny R仪表板为所考虑的估计量执行样本量计算。
2021-10-14 econ.EM stat.ME
Estimating Treatment Effects in Continuous Time with Hidden Confounders
University of Southern California（南加州大学）
估计治疗效果在因果推理中起着至关重要的作用，有许多现实世界的应用，如政策分析和决策制定。然而，在存在隐藏混杂因素的情况下，在纵向环境中估计治疗效果仍然是一个极具挑战性的问题。最近，有越来越多的工作试图通过忽略可能存在的隐藏混杂因素，从时间动态观测数据中获得无偏ITE估计。此外，许多现有的工作处理隐藏的混杂因素不适用于连续时间设置。在本文中，我们扩展了工作线，重点是在动态时间设置中存在隐藏的混杂因素的去干扰。我们利用神经微分方程的最新进展，使用随机控制微分方程和Lipschitz约束卷积运算来构建潜在因子模型，以便持续纳入有关正在进行的干预和不规则采样观察的信息。在合成和真实世界数据集上的实验突出了在存在隐藏混杂因素的情况下估计治疗效果的连续时间方法的前景。
2023-02-21 cs.LG stat.ME
Estimating Dyadic Treatment Effects with Unknown Confounders
Waseda University（早稻田大学）；Kyoto University（京都大学）
研究如何在存在未知混杂因素时估计二元治疗效果，基于图子估计文献提出邻域核平滑方法及共形推断方法，应用于国际贸易数据评估自由贸易协定对双边贸易流量的影响。
2026-07-14 econ.EM stat.ME stat.ML
Kernel Optimal Orthogonality Weighting: A Balancing Approach to Estimating Effects of Continuous Treatments
许多科学问题需要估计连续治疗的效果。结果建模和基于广义倾向得分的加权回归是评价连续效应最常用的方法。然而，这些技术可能对模型错误指定、极端权重或两者敏感。在本文中，我们提出了核最优连续性加权（KOOW），凸优化为基础的方法，估计连续治疗的效果。KOOW找到使连续治疗和混杂因素之间的最差情况惩罚函数协方差最小化的权重。通过最小化该数量，KOOW成功地提供了使混杂因素和连续治疗正交化的权重，从而提供了最佳协变量平衡，同时控制了极端权重。我们评估其比较性能的模拟研究。使用来自妇女健康倡议观察性研究的数据，我们应用KOOW来评估红肉消费对血压的影响。
2019-10-26 stat.AP stat.ME stat.ML
Estimating heterogeneous treatment effects with right-censored data via causal survival forests
Zhejiang University（浙江大学）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Stanford University（斯坦福大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
基于森林的方法最近在非参数处理效应估计中得到普及。在这一工作的基础上，我们引入了因果生存森林，它可用于估计异质性处理效应的生存和观察设置的结果可能是右删失。我们的方法依赖于正交估计方程，以鲁棒地调整下unconfoundness的删失和选择效果。在我们的实验中，我们发现我们的方法相对于一些基线表现良好。
2023-02-28 cs.LG stat.ME stat.ML
