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
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
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 the treatment effect on the treated under time-dependent confounding in an application to the Swiss HIV Cohort Study
当在非随机化环境中比较时变治疗时，通常必须校正随时间推移影响治疗选择的时间依赖性混杂因素，这些混杂因素本身也受治疗影响。我们提出了一个新的两步程序，添加剂的风险回归和线性增量模型的基础上，处理这样的混淆时，估计平均处理效应的治疗（ATT）。该方法也可用于中介分析。该方法适用于瑞士艾滋病毒队列研究的数据，估计抗逆转录病毒治疗对艾滋病或死亡时间的影响。与其他估计ATT的方法相比，该方法易于使用现有的R.
2016-10-05 stat.ME
Estimating Individual Treatment Effects with Time-Varying Confounders
从观察数据中估计个体处理效应（ITE）在医疗保健中具有重要意义和实用价值。现有的研究主要依赖于强可解释性假设，即不存在隐藏的混杂因素，这可能导致估计因果效应时的偏倚。一些研究认为隐藏混杂因素是为静态环境设计的，不容易适应动态环境。事实上，大多数观察数据（例如，电子医疗记录）自然是动态的并且由顺序信息组成。在本文中，我们提出了深度序贯加权（DSW）估计ITE随时间变化的混杂因素。具体而言，DSW通过使用深度递归加权神经网络合并当前治疗分配和历史信息来推断隐藏的混杂因素。隐藏混杂因素的学习表示与当前观察到的数据相结合，用于潜在结果和治疗预测。我们计算治疗的时变逆概率以重新加权群体。我们对全合成，半合成和真实世界的数据集进行了全面的比较实验，以评估我们的模型和基线的性能。结果表明，我们的模型可以产生无偏和准确的处理效应的条件下随时间变化的观察和隐藏的混杂因素，为个性化医疗铺平了道路。
2020-12-15 stat.AP stat.ME stat.ML
Estimating Treatment Effects Under Bounded Heterogeneity
Brown University（布朗大学）；University College London（伦敦大学学院）；CEMFI
本文提出regulaTE估计器，在治疗效应异质性有界条件下生成考虑异质性的置信区间，通过调整界使敏感性分析适用于非恒定效应的实证应用。
2026-08-27 econ.EM stat.ME
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
Dynamic covariate balancing: estimating treatment effects over time with potential local projections
Harvard University（哈佛大学）；Cornell University（康奈尔大学）
本文提出动态协变量平衡方法，用于估计随时间变化的处理效应，通过递归投影潜在结果并平衡可观察特征以减少偏倚。
2026-02-22 econ.EM math.ST stat.ME
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
A Reinforcement Learning Approach to Estimating Long-term Treatment Effects
Amazon（亚马逊）
随机化实验（又称A/B测试）是评估治疗效果的强大工具，为商业，医疗保健和其他应用中的决策提供信息。在许多问题中，治疗具有随着时间推移而演变的持久效果。随机化实验的局限性在于，它们不容易扩展到测量长期效应，因为运行长时间的实验既耗时又昂贵。在本文中，我们采用了一种强化学习（RL）方法来估计马尔可夫过程中的平均奖励。受现实世界中所观察到的状态转换是非平稳的情况下，我们开发了一类非平稳问题的新算法，并在两个合成数据集和一个在线商店数据集上展示了有希望的结果。
2022-10-14 cs.LG stat.ME stat.ML
Estimating population average treatment effects from experiments with noncompliance
随机对照试验（RCT）是估计因果效应的金标准，但通常使用的样本不代表实际感兴趣的人群。我们提出了一种重新加权的方法来估计人口平均处理效应的设置与不遵守。仿真结果表明，建议的顺应性调整的人口估计优于其未调整的对应时，顺应性相对较低，可以预测的观测协变量。我们应用该方法来评估医疗补助覆盖范围对目标人群的医疗保健使用的影响，这些目标人群可能会从医疗补助计划的扩展中受益。我们从俄勒冈州健康保险实验中提取RCT数据，其中只有不到三分之一的随机选择接受医疗补助的人实际登记。
2020-08-08 econ.EM stat.AP stat.ME
Estimating Continuous Treatment Effects with Two-Stage Kernel Ridge Regression
Department of IEOR, Columbia University（哥伦比亚大学工业工程与运营研究系）；Department of IEOR and Data Science Institute, Columbia University（哥伦比亚大学工业工程与数据科学研究所）
针对连续治疗的效果函数估计问题，提出两阶段核岭回归方法，通过第一阶段建模响应与治疗和协变量的关系，第二阶段构造伪结果校正分布偏移，无需估计条件治疗密度即可达到最优学习界，并实现数据驱动的模型选择。
2026-05-28 cs.LG stat.ME stat.ML
Estimating Average Treatment Effects via Orthogonal Regularization
ETH Zurich（苏黎世联邦理工学院）
决策通常需要从观察数据中准确估计治疗效果。这是一个挑战，因为替代决策的结果没有观察到，必须估计。以前的方法估计结果的基础上unconfoundedness，但忽略了任何约束，unconfoundedness强加的结果。在本文中，我们提出了一个新的正则化框架，估计平均治疗效果，利用unconfoundedness。为此，我们正式unconfoundedness作为一个正交性约束，这将确保结果是正交的治疗分配。该正交性约束然后经由正则化被包括在损失函数中。基于我们的正则化框架，我们开发了用于无混淆治疗的深度正交网络（DONUT），它学习与治疗分配正交的结果。使用各种基准数据集估计平均治疗效果，我们证明DONUT大大优于最先进的。
2021-10-13 cs.LG stat.ML
Regression Adjustment for Estimating Distributional Treatment Effects in Randomized Controlled Trials
本文提出一种结合分布回归与预处理信息的回归调整方法，在无强分布假设下提升随机实验中分布性处理效应估计效率，仿真与实际应用验证其精度更优，可识别传统方法遗漏的效应。
2025-01-14 econ.EM math.ST 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 and Improving Dynamic Treatment Regimes With a Time-Varying Instrumental Variable
University of Pennsylvania（宾夕法尼亚大学）
根据回顾性观察数据估计动态治疗方案（DTR）具有挑战性，因为通常会出现某种程度的未测量混杂。在这项工作中，我们开发了一个框架，估计适当定义的“最佳”DTR与随时间变化的工具变量（IV）时，未测量的协变量混淆的治疗和结果，使潜在的结果分布只有部分确定。我们推导出一种新的Bellman方程下的部分识别，用它来定义一个通用类的被估量（称为IV-最优DTR），并研究相关的估计问题。然后，我们扩展了IV最优性框架来解决策略改进问题，提供IV改进的DTR，保证其性能不会比预先指定的基线DTR更差，并且可能更好。重要的是，我们的IV改进框架开辟了严格改进DTR的可能性，DTR在无不可测混杂假设（NUCA）下是最佳的。我们通过大量的模拟证明了IV-优化和IV-改进的DTR的优越性能比仅在NUCA下最优的DTR。在一个真实的数据示例中，我们将回顾性观察登记数据嵌入到一个自然的两阶段实验中，该实验使用随时间变化的IV，并估计有用的IV最佳DTR，该DTR根据其预后变量将母亲分配到高级别或低级别的新生儿重症监护病房。
2021-04-15 cs.LG econ.EM stat.ME
The Instrumental Variable Method for Estimating Local Average Treatment Regime Effects
我们提出的工具变量制度（IVR）的方法来估计多个序贯治疗的因果关系。该方法用于解决顺序处理的内源性选择问题。IVR是一系列工具变量，其中每个IV工具用于内源性治疗变量。我们提出的方法将Imbens和Angrist（1994）中的LATE模型从单一治疗推广到顺序应用的许多治疗。更确切地说，使用IVR，该模型允许估计局部平均治疗方案效应（LATRE），可能以一组初始协变量为条件。虽然有研究在这方面使用IVR，他们都需要一个结构功能形式的假设。我们的方法是新颖的，因为我们不需要任何这样的假设。因此，与以前的方法不同，我们的方法对模型错误指定具有鲁棒性，这通常发生在治疗方案设置中。本文中的想法和估计的动机和说明通过上下文的例子显示使用IVR在估计治疗方案的广告效果的购买行为时，广告显示在多个时期。我们证明了所提出的方法与模拟的性能。
2017-02-18 stat.ME
Estimating heterogeneous treatment effects with survival outcomes via a deep survival learner
William & Mary（威廉与玛丽学院）；University of Michigan（密歇根大学）
本文提出深度生存学习器（DSL），通过多输出深度神经网络估计生存数据中异质治疗效应，理论推导了误差界并展示了在临床相关时间范围内的稳定性与鲁棒性。
2026-04-12 stat.ME stat.ML
Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction
我们提出一种利用机器学习进行回归调整的方法，以估计随机实验中的分布处理效应，通过纳入预处理协变量来降低估计器方差，并提供了渐近性质和一致推断方法，模拟与实证均验证其有效性。
2024-07-22 econ.EM math.ST stat.ML
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
Estimating Heterogeneous Treatment Effects for General Responses
异质处理效应模型允许我们在亚组和个体水平上比较治疗，并且在个性化医疗、广告和教育等应用中越来越受欢迎。在这次演讲中，我们首先调查了实践中使用的不同因果被估量，重点是估计条件均值的差异。然后，我们提出DINA（自然参数差异）来量化指数家族和Cox模型中的异质性处理效应。对于二元结局和生存时间，DINA对于协变量对处理效应的影响建模既方便又实用。其次，我们介绍了一个元算法DINA，它允许从业者使用强大的现成的机器学习工具的滋扰功能的估计，这也是统计稳健的错误不准确的滋扰功能估计。我们证明了我们的方法与各种机器学习基础学习者在模拟和真实数据集相结合的有效性。
2022-01-27 stat.ME
Estimating heterogeneous treatment effects in nonstationary time series with state-space models
随机试验和观察性研究通常会持续一段时间。处理效应在此期间发生变化，这为治疗反应和长期效果提供了重要见解。许多用于估计处理效应的常规方法限于i.i.d.并且不适于推断处理效应的时间动态。在这些设置中遇到的时间序列是高度信息化的，但往往是非平稳的，由于不断变化的治疗效果。这增加了困难，因为平稳性，时间序列分析中的常见假设，不能合理地假设。另一个挑战是当处理对单元的影响不同时，处理效应的异质性。从非平稳，特别是介入性时间序列中估计异质处理效应的任务是高度相关的，但尚未得到探索。我们提出了因果转移，一种结合回归调整混杂与时间序列建模的方法，以了解治疗的效果以及它如何随着时间的推移而演变。因果转移不假设数据是固定的，可以应用于随机试验和观察性研究，其中治疗是混杂的。因果转移调整可能混杂因素的效应，并将学习效应转移到其他时间序列，从而估计各种形式的处理效应，例如平均处理效应（ATE）或条件平均处理效应（CATE）。通过学习效果的时间动态，因果转移还可以预测未观察到的未来时间点的处理效应，并确定处理的长期后果。
2020-04-10 stat.ME
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
Estimating Conditional Average Treatment Effects with Missing Treatment Information
ETH Zurich（苏黎世联邦理工学院）；LMU Munich（慕尼黑大学）
本文针对治疗信息缺失下的条件平均治疗效应估计问题，识别出两类协变量偏移，提出基于领域自适应学习平衡表示的MTRNet算法，并在半合成与真实数据上显著超越现有方法。
2023-04-16 cs.LG stat.ML
Intact-VAE: Estimating Treatment Effects under Unobserved Confounding
The Graduate University for Advanced Studies（综合研究大学院大学）；The Institute of Statistical Mathematics（统计数学研究所）
注：本预印本有一个有缺陷的理论公式。请避免使用此选项，并参考ICLR 22出版物https://openreview.net/forum? id=q7n2RngwOM。此外，arXiv：2109.15062包含了一些关于未观察到的混淆的新想法。作为因果推断中的一个重要问题，我们讨论了在未观察混杂情况下处理效应的识别和估计。代表作为一个潜在变量的混杂因素，我们提出了完整的VAE，变分自动编码器（VAE）的一个新的变种，由预后评分，这是足以识别处理效应的动机。我们从理论上表明，在某些设置下，处理效应由我们的模型识别，并且进一步，基于我们的模型的可识别性（即，代表的确定性），我们的VAE是一个相合估计量，代表治疗组平衡。在（半）合成数据集上的实验显示了不同设置下的最新性能。
2022-04-21 cs.LG stat.ME stat.ML
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
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
Estimating Treatment Effects with Observed Confounders and Mediators
Carnegie Mellon University（卡内基梅隆大学）
给定一个因果图，do演算可以将处理效应表示为可以凭经验估计的观测联合分布的泛函。有时do演算识别多个有效公式，促使我们比较相应估计量的统计特性。例如，后门公式适用于观察到所有混杂因素时，前门公式适用于观察到的中介传递因果效应时。在本文中，我们研究了过度识别的情况下，观察到的混杂因素和介质，使两个估计有效。针对线性高斯因果模型，我们证明了任何一个估计量都可以通过一个无界的常数因子支配另一个估计量。接下来，我们推导出一个最优估计，它利用所有观测变量，并限制其有限样本方差。我们表明，它严格优于后门和前门估计，这种改善可以是无限的。我们还提出了一个程序相结合的两个数据集，一个观察到的混杂因素和观察到的介质。最后，我们评估我们的方法模拟数据和IHDP和JTPA数据集。
2021-06-14 cs.LG econ.EM stat.ME
GraphITE: Estimating Individual Effects of Graph-structured Treatments
Kyoto University（京都大学）
目标个体的治疗结果估计是基于因果关系进行决策的重要基础。大多数现有的结果估计方法处理二元或多项选择治疗;然而，在某些应用中，治疗的数量可能非常大，而治疗本身具有丰富的信息。在这项研究中，我们考虑了这种情况下的一个重要实例：图结构的治疗，如药物的结果估计问题。由于大量的可能的治疗方法，在传统的治疗效果估计中出现的观察数据的反事实性质变得更加关注这个问题。我们提出的方法GraphITE（发音为“graphite”）使用图神经网络学习图结构治疗的表示，同时使用希尔伯特-施密特独立准则正则化来减轻观察偏差，这增加了目标和治疗表示的独立性。在两个真实世界数据集上的实验表明，GraphITE的性能优于基线，特别是在大量处理的情况下。
2021-09-12 cs.LG stat.ML
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
Estimating Individual Treatment Effects using Non-Parametric Regression Models: a Review
University College London（伦敦大学学院）
在卫生、经济和社会科学等学科中，大量的观测数据越来越多，研究人员对因果问题而不是预测感兴趣。在本文中，我们研究的问题，估计异质性处理效应使用非参数回归为基础的方法，从一个实证研究，旨在调查参与学校供餐计划对健康指标的影响。首先，我们介绍了与观察或非完全随机化数据进行因果推断相关的设置和问题，以及如何在统计学习工具的帮助下解决这些问题。然后，我们回顾并开发了一个统一的分类现有的国家的最先进的框架，允许个人处理效应估计通过非参数回归模型。在简要概述了模型选择的问题后，我们说明了一些方法在三个不同的模拟研究中的性能。最后，我们通过对学校供餐计划数据的实证分析，展示了一些方法的使用。
2021-11-23 cs.LG stat.ME stat.ML
TreatmentEstimatoR: a Dashboard for Estimating Treatment Effects from Observational Health Data
可以利用观察性健康数据来衡量现有医疗干预措施的实际使用情况和潜在获益或风险。然而，缺乏编程能力和因果推断方法的先进知识，使一些临床医生和非计算研究人员无法进行此类分析。无代码仪表板工具提供了一种可访问的方法，用于根据观察性健康数据估计和可视化处理效应。我们提出了TreatmentEstimatoR，一个R Shiny仪表板，有助于从观察数据中估计处理效应，而无需任何编程知识。仪表板同时提供来自多个算法的效果估计，并适应二进制，连续和时间到事件的结果。TreatmentEstimatoR允许灵活地选择治疗和结局模型的协变量、全面的模型性能指标和探索性数据分析工具。TreatmentEstimatoR可在https://github.com/CollinSakal/TreatmentEstimatoR上获得。我们提供完整的安装说明和详细的小插图，以了解如何最好地使用仪表板。
2022-03-20 stat.AP stat.CO 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
Estimating individual treatment effects under unobserved confounding using binary instruments
Munich Center for Machine Learning（慕尼黑机器学习中心）；LMU Munich（慕尼黑大学）
从观察数据估计条件平均处理效应（CATE）在许多领域都是相关的，例如个性化医疗。然而，在实践中，治疗分配通常会受到未观察到的变量的混淆，从而引入偏倚。消除偏差的一种补救办法是使用工具变量。这种设置在医学中很普遍（例如，其中治疗分配用作二元IV的试验）。在本文中，我们提出了一种新的，多个强大的机器学习框架，称为MRIV，估计CATE使用二进制IV，从而产生一个无偏的CATE估计。不同于以前的工作二进制IV，我们的框架估计CATE直接通过伪结果回归。(1)~我们提供了一个理论分析，我们表明，我们的框架产生多个强大的收敛速度：我们的CATE估计实现快速收敛，即使几个滋扰估计收敛缓慢。(2)~我们进一步表明，我们的框架渐近优于最先进的插件IV方法的CATE估计，在这个意义上说，它实现了更快的收敛速度，如果CATE是光滑的比个别的结果表面。(3)~我们基于我们的理论结果，提出了一种定制的深度神经网络架构，称为MRIV-Net，用于使用二进制IV进行CATE估计。在各种计算实验中，我们凭经验证明我们的MRIV-Net达到了最先进的性能。据我们所知，我们的MRIV是第一个多功能强大的机器学习框架，专门用于估计二进制IV设置中的CATE。
2023-01-22 cs.LG stat.ME stat.ML
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 Heterogeneous Treatment Effects on Survival Outcomes Using Counterfactual Censoring Unbiased Transformations
本研究开发了针对生存结局（含竞争风险）的删失无偏变换（CUTs），通过转换事件时间结局，使现有HTE学习器可直接用于估计异质性累积发生率、总效应和直接效应，并提供了预言机不等式和模拟验证。
2024-09-27 stat.ME stat.ML
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Cambridge（剑桥大学）
确定何时对患者进行治疗以及如何随着时间的推移在多种治疗中进行选择是重要的医疗问题，现有的解决方案很少。在本文中，我们介绍了反事实循环网络（CRN），这是一种新型的序列到序列模型，它利用日益可用的患者观察数据来估计随着时间的推移的治疗效果并回答此类医学问题。为了处理时变混杂因素（影响观察数据中治疗分配策略的协变量）的偏倚，CRN使用领域对抗训练来构建患者病史的平衡表示。在每个时间步，CRN构建一个治疗不变表示，该表示消除了患者病史和治疗分配之间的关联，因此可以可靠地用于进行反事实预测。在肿瘤生长的模拟模型上，随着时间的变化，我们展示了我们的模型如何在估计反事实和选择正确的治疗和治疗时机方面比目前最先进的方法实现更低的误差。
2020-02-10 cs.LG stat.ML
A Balancing Weight Framework for Estimating the Causal Effect of General Treatments
在观察性研究中，直接优化治疗和协变量之间平衡的加权方法最近受到了广泛关注;然而，这些方法主要集中在二元治疗上。受域适应的启发，我们表明，这种方法实际上可以重新制定为一个差异最小化问题的具体实现，旨在解决从观察到干预数据的分布转移。更确切地说，我们引入了一个新的框架，通过离散最小化的协变量平衡（CBDM），它可证明地包含了大多数现有的平衡权重方法，并将其正式扩展到任意类型的处理（例如，连续的或多变量的）。我们为我们的框架建立了理论保证，这两个框架都提供了二进制处理时已知属性的概括，并更好地把握在非二进制设置中选择什么样的超参数。基于这样的见解，我们提出了一个特定的实施CBDM估计剂量-响应曲线，并通过实验证明其竞争力的表现相对于其他现有的方法进行连续治疗。
2020-02-26 math.ST stat.ME stat.TH
BENK: The Beran Estimator with Neural Kernels for Estimating the Heterogeneous Treatment Effect
Peter the Great St.Petersburg Polytechnic University（彼得大帝圣彼得堡理工大学）
提出了一种在截尾时间-事件数据条件下估计条件平均治疗效应的方法--神经核Beran估计方法。该方法背后的主要思想是应用Beran估计估计控制和治疗的生存函数。代替Beran估计器中的典型核函数，提出了以称为神经核的特定形式的神经网络的形式来实现核。条件平均治疗效果估计通过使用的生存函数作为控制和治疗神经网络的结果，其中包括一组共享参数的神经内核。神经核更灵活，可以准确地模拟特征向量的复杂位置结构。各种数值模拟实验说明了BENK，并将其与著名的T-学习者，S-学习者和X-学习者进行比较，用于基于Cox模型，随机生存森林和具有高斯核的Nadaraya-Watson回归的几种类型的控制和治疗结果函数。所提出的实现BENK的算法的代码可在https://github.com/Stasychbr/BENK中获得。
2022-11-19 cs.LG stat.ML
Dimension-reduced outcome-weighted learning for estimating individualized treatment regimes in observational studies
本文提出了一种降维的基于结果加权学习的方法，用于在观察性研究中更准确地估计个体化治疗方案，通过降低协变量维度以提高模型性能和可解释性。
2026-01-11 cs.LG stat.ME stat.ML
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
A comparison of methods for model selection when estimating individual treatment effects
Stanford University（斯坦福大学）
医学、商业、政治学和其他领域的从业者越来越意识到，决策应该针对每个病人、客户或选民进行个性化。一个特定的治疗（例如药物或广告）应该只给那些最积极响应的人，当然不给那些会被它伤害的人。个人层面的处理效应可以用改编自机器学习的工具来估计，但是不同的模型可能会产生相互矛盾的估计。然而，与风险预测模型不同，处理效应模型不能使用保留的测试集容易地相互评价，因为真实的处理效应本身从未被直接观察到。除了结果预测的准确性，已经提出了几个可以利用保留数据来评估处理效应模型的指标，但它们没有被广泛使用。我们提供了一个教学框架，阐明了不同方法之间的关系，并使用各种随机和观察数据的模拟来比较它们。我们的研究结果表明，研究人员估计异质性处理效应不需要限制自己的一个单一的模型拟合算法。而不是依赖于一个单一的方法，多个模型拟合不同的算法集应该使用从验证集学习的目标函数相互评估。应使用最小化该目标的模型来估计未来个体的个体处理效应。
2018-06-13 cs.LG stat.ML
Multi-Study R-Learner for Estimating Heterogeneous Treatment Effects Across Studies Using Statistical Machine Learning
Vanderbilt University Medical Center（范德堡大学医学中心）；McLean Hospital（麦克林医院）；Boston University School of Public Health（波士顿大学公共卫生学院）；Dana-Farber Cancer Institute（达纳-法伯癌症研究所）
本文提出多研究R-学习者方法，利用统计机器学习估计跨研究的异质治疗效应，提升估计精度与效率。
2024-04-24 stat.ME stat.ML
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
Estimating Interpretable Heterogeneous Treatment Effect with Causal Subgroup Discovery in Survival Outcomes
Virginia Commonwealth University（弗吉尼亚联邦大学）；University of Pittsburgh（匹兹堡大学）
本文提出了一种可解释的异质治疗效应估计框架，通过整合元学习器同时估计生存结果的CATE并识别预测子群，应用于年龄相关性黄斑变性临床试验以评估治疗效果。
2025-11-26 stat.AP stat.ME
Estimating Individual Treatment Effects through Causal Populations Identification
Paris-Dauphine University - PSL（巴黎多芬大学-PSL大学）；CNRS（法国国家科学研究中心）；Ai Square Connect；AdWay Groupe（AdWay集团）
从观察数据中估计个体治疗效果，定义为有和没有治疗或干预的结果之间的差异，同时只观察两者之一，是因果学习中的一个具有挑战性的问题。在本文中，我们制定了这个问题作为一个隐含变量的推断，并强制执行因果约束的基础上，四个排他性的因果种群模型。我们提出了一个新版本的EM算法，被称为期望因果关系最大化（ECM）算法，并提供提示，其收敛性在温和的条件下。我们比较我们的算法合成和真实世界的数据基线方法，并讨论其性能。
2020-05-06 cs.LG stat.ML
Ensemble Method for Estimating Individualized Treatment Effects
Stanford University（斯坦福大学）
在许多医疗和商业应用中，研究人员对使用来自随机实验的数据来估计个体化处理效应感兴趣。例如，在医疗应用中，医生从临床试验中了解处理效应，在技术公司中，研究人员从A/B测试实验中了解它们。尽管已经提出了数十种机器学习模型来完成这项任务，但确定哪种模型最适合手头的问题是具有挑战性的，因为地面实况处理效应是不可观察的。与最近几篇提出选择这些竞争模型之一的方法的论文相反，我们提出了一种算法，用于从不同的模型库中聚合估计值。我们在43个基准数据集上比较了集成和模型选择，发现集成几乎每次都赢。从理论上讲，我们证明了我们的合奏模型是（渐近）至少作为考虑中的最佳模型的准确性，即使候选模型的数量允许增长的样本量。
2022-02-28 cs.LG 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
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
