Finite-sample bias-variance tradeoff with variables related to trial participation inserted into causal forest models for ensuring generalizability
Division of Preventive Medicine, Department of Medicine, Brigham and Women’s Hospital and Harvard Medical School(预防医学系,内科,布莱根妇女医院和哈佛医学院);Department of Epidemiology, Graduate School of Medicine, Dentistry and Pharmaceutical Sciences, Okayama University(流行病学科,医药齿学研究院,冈山大学);Harris School of Public Policy, University of Chicago(哈里斯公共政策学院,芝加哥大学)
本文研究了在因果森林模型中纳入与试验参与相关的变量对有限样本偏差方差权衡的影响,发现IPW方法能有效提升性能,强调单独处理选择偏差的重要性。
2026-05-14 stat.AP stat.ME
Selection on treatment in the target population of generalizabillity and transportability analyses
研究者越来越多地使用新的方法将因果推断从试验扩展(推广或转移)到目标人群。在许多可推广性和可移植性分析中,按照非嵌套试验设计,对来自目标人群的试验和观察数据进行单独采样。在该设计的实际实施中,目标人群中的非随机化个体通常通过使用特定治疗来识别,而使用其他候选治疗用于相同适应症的个体或未使用任何治疗的个体被排除在外。在本文中,我们认为,在目标人群中的治疗条件的变化的估计量的推广和可移植性分析,并可能引入严重的偏见,在目标人群或目标人群的子集使用特定的治疗的因果估计。此外,我们认为,天真的应用边际化或加权为基础的标准化方法不会产生任何合理的因果估计。我们使用因果图和反事实的参数来描述识别问题引起的条件反射治疗的目标人群,并说明了使用模拟数据的问题。最后,我们考虑我们的研究结果的应用工作的影响。
2022-09-19 stat.ME
Causality and Generalizability: Identifiability and Learning Methods
University of Copenhagen(哥本哈根大学);Technical University of Denmark(丹麦技术大学);University of Amsterdam(阿姆斯特丹大学)
这篇博士论文包含了统计因果建模领域的几个贡献。统计因果模型是嵌入因果假设的统计模型,允许对受外部操纵(干预)影响的随机系统的行为进行推断和推理。本论文的研究领域涉及因果效应估计、因果结构学习和分布鲁棒(分布外推广)预测方法。我们提出了新的和一致的线性和非线性因果效应估计的工具变量设置,采用数据依赖的均方预测误差正则化。我们提出的估计显示,在某些设置中,均方误差的改进相比,规范和国家的最先进的估计。我们发现,最近的研究分布稳健的预测方法有连接到充分研究的估计计量经济学。这种联系使我们证明,一般的K-类估计具有分布鲁棒性。此外,我们提出了一个一般框架的分布鲁棒性的干预诱导的分布。在这个框架中,我们推导出充分条件的分布鲁棒预测方法的可识别性,并提出不可能的结果,显示了这些条件的必要性。本文提出了一种新的结构学习方法,适用于加性噪声模型,有向树作为因果图。我们证明了一致性消失的可识别性设置,并提供了一种方法来测试子结构假设与渐近族明智的误差控制,仍然有效的后选择。最后,我们提出了启发式的想法学习非线性时间序列模型的摘要图。
2021-10-04 cs.LG stat.ML
Generalizing causal inferences from randomized trials: counterfactual and graphical identification
当参与随机试验是由影响结局的因素驱动时,或者当参与试验直接影响与治疗无关的结局时,试验受试者的平均处理效应不太可能推广到目标人群。在本文中,我们使用反事实和图形因果模型,以检查在什么条件下,我们可以概括因果推断从一个随机试验的目标人群的试验合格的个人。我们提供了一个解释的概括性分析使用的概念,一个假设的干预,以“扩大”试验参与的目标人群。我们认为,当试验参与不直接影响结果时,解释的概括性分析,突出与纵向研究中的删失的连接,并讨论通过g公式计算和逆概率加权的反事实结果的分布的识别。最后,我们展示了如何扩展的方法,以解决随时间变化的治疗,不遵守,和审查。
2019-06-26 stat.AP stat.ME
Causal Inference in Panel Data with a Continuous Treatment
本文提出一个将双向固定效应模型作为特例的框架,用于在 Panel Data 中进行连续处理的因果推断,利用序贯条件独立假设识别处理效应,并开发了最小二乘法和 GMM 估计量及渐近性质,同时提议用 DAGs 检验假设有效性。
2025-06-29 stat.ME
Partial Identification of Treatment Effects for Generalizability
最近的方法,以改善推广从非随机样本通常调用假设,如强的可重复性的样本选择,往往是有争议的,在实践中获得点估计。而不是专注于点估计为基础的推断,本文认为部分确定的估计,从更少和更弱的假设推断。我们通过在教育中使用聚类随机试验,将部分识别方法扩展到非随机样本的因果推广。在四种情况下推导出群体平均处理效应的界,两种情况下未对数据进行假设,两种情况下假设样本变异和响应单调性有界。该方法适用于纳入群体数据框架,以收紧群体平均处理效应的界限。在有限样本变异和单调性的假设下,平均处理效应的区间估计值提供了足够的信息范围,以排除大的处理效应,这与实验研究的点估计值一致。这说明,部分识别方法可以提供一个替代的视角,因果概括的样本选择的强可验证性的情况下。
2017-01-05 stat.AP stat.ME
Causally-Interpretable Random-Effects Meta-Analysis
最近的工作作出了重要贡献的因果可解释的荟萃分析的发展。这些方法将在随机试验集合中估计的处理效应转移到感兴趣的目标人群。理想情况下,针对特定人群的估计值更易于解释,与政策制定者和临床医生相关。然而,研究间异质性不是由处理效应调节剂分布差异引起的,可能会增加综合试验间估计值的困难。这种异质性的存在,包括治疗方式的变化,也使将迁移估计数解释为目标人群中的一般效应变得复杂。我们提出了一个概念框架和估计程序,试图解释这种异质性,并开发推理技术,旨在捕捉伴随的因果估计的过度变异。这一框架还试图澄清哪种处理效应可以适用于可推广性和可移植性技术。
2023-02-07 stat.ME
Causal discovery on vector-valued variables and consistency-guided aggregation
本文研究向量值变量的因果发现,提出三个聚合一致性分数并设计 Adag 包装器优化聚合,以提升聚合变量上因果发现的可靠性。
2025-05-15 stat.ME
Lost in Aggregation: The Causal Interpretation of the Instrumental Variable Estimand
University of Washington(华盛顿大学);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);California Institute of Technology(加州理工学院)
本文指出聚合处理变量的因果效应模糊性,并探讨了工具变量估计在聚合处理中的解释限制。
2026-11-17 stat.ME stat.ML
Towards Human-like Perception: Learning Structural Causal Model in Heterogeneous Graph
Zhejiang University(浙江大学);Worcester Polytechnic Institute(伍斯特理工学院);Alibaba DAMO Academy(阿里巴巴达摩院)
本文提出 HG-SCM,将异质图构建为结构因果模型,利用图模式语义与因果发现自动学习任务级因果关系,在分布外场景中提升预测、泛化与可解释性。
2023-12-10 cs.AI cs.DL cs.LG
Causal Perspectives on Network Meta-Analysis
PreMeDICaL, Inria, Inserm, Université de Montpellier(普雷梅迪卡尔实验室,法国国家信息与自动化研究所,法国国家健康与医学研究院,蒙彼利埃大学)
该研究探讨网络荟萃分析,提出应先确定因果估计量再汇总,开发统一因果框架,基于汇总数据定义治疗效果、考虑异质性,使组间汇总自然产生,与传统范式不同,数值研究显示新方法因果效应明确,两种方法有差异。
2026-07-13 stat.ME
On the Recoverability of Causal Relations from Temporally Aggregated I.I.D. Data
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);The University of Melbourne(墨尔本大学);Carnegie Mellon University(卡内基梅隆大学)
本文研究时间聚合对瞬时因果发现的影响,形式化提出函数一致性与条件独立一致性,证明聚合尤其在完全非线性情形下会严重扭曲结果,但部分线性或适当先验可使因果关系仍可恢复。
2024-09-09 cs.LG stat.ML
Nested Instrumental Variables Analysis: Switcher Average Treatment Effect, Identification, Efficient Estimation and Generalizability
University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心);Ghent University(根特大学)
本文提出嵌套工具变量分析方法,用于识别开关者平均处理效应,并通过非参数模型推导高效估计器,探讨IV估计的可推广性检验。
2026-10-08 stat.AP stat.ME stat.OT
Sensitivity Analysis when Generalizing Causal Effects from Multiple Studies to a Target Population: Motivation from the ECHO Program
Johns Hopkins Bloomberg School of Public Health(约翰霍普金斯大学彭博公共卫生学院);University of Michigan School of Public Health(密歇根大学公共卫生学院);University of Pennsylvania(宾夕法尼亚大学);Avera Research Institute, Avera Health(阿维拉健康研究所,阿维拉医疗集团);School of Medicine and Public Health, University of Wisconsin–Madison(威斯康星大学麦迪逊分校医学院和公共卫生学院);University of Pittsburgh(匹兹堡大学);University of Washington(华盛顿大学);University of California, San Francisco(加州大学旧金山分校);University of New Mexico(新墨西哥大学);University of California, Davis(加州大学戴维斯分校);University of Minnesota(明尼苏达大学);Harvard Pilgrim Health Care Institute(哈佛朝圣者健康保健研究所);Dartmouth College(达特茅斯学院);Feinstein Institutes for Medical Research, Northwell Health(北岸-长岛犹太卫生系统费因斯坦医学研究所);Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院)
本研究扩展了一个不依赖分布假设的敏感性分析框架,用于评估未观测效应修饰对因果效应推广的偏倚,并通过假设检验检测推广性假设违反,应用于ECHO研究中二手烟暴露对出生体重的影响。
2025-10-24 stat.AP stat.ME
Effect heterogeneity and variable selection for standardizing causal effects to a target population
用于因果推断的随机试验和其他研究的参与者通常不能代表临床决策者所看到的人群。为了解释人群之间的差异,研究人员可能会考虑将结果标准化为目标人群。我们讨论了与标准化相关的几种不同类型的同质性条件:效果度量的同质性,反事实结果状态转换参数的同质性,以及反事实分布的同质性。这些条件中的每一个都可以用来表明,给定有关科学背景的假设,特定的标准化程序将导致目标人群中效应的无偏估计。我们比较和对比的同质性条件,特别是他们的影响,选择协变量的标准化和他们的影响,如何计算标准化的因果效应在目标人群。虽然最近开发的一些反事实的方法来概括依赖于同质性条件,避免了许多与传统方法相关的问题,他们往往需要调整一个大的(可能是不可行的)协变量集。
2019-10-05 stat.ME
Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
Purdue University(普渡大学)
针对观测数据因果发现中缺乏完美干预难以区分因果特征的挑战,提出 Feature Matching Intervention (FMI) 方法,通过匹配过程模拟完美干预并构建因果潜图框架,理论证明其具有强分布外泛化能力,实验验证了其在仅用观测数据有效识别因果特征上的优越性。
2025-03-05 cs.LG stat.ME stat.ML
Generalizing and transporting causal inferences from randomized trials in the presence of trial engagement effects
本文在存在试验参与效应时,提出新的因果估计量,证明在无交互作用假设下,可结合试验与目标人群数据识别常规护理下的平均治疗效果,并为现有估计器提供新解释。
2024-07-19 math.ST stat.ME stat.TH
Causal inference methods for combining randomized trials and observational studies: a review
随着数据可用性的增加,可以在不同的数据集(包括随机对照试验(RCT)和观察性研究)中评价因果效应。随机对照试验将治疗效果与不需要的(混杂的)共现效应分离,但它们可能不具有代表性,因此缺乏外部有效性。另一方面,大型观察性样本通常更能代表目标人群,但可能会将混杂效应与关注的治疗混淆。在本文中,我们回顾了越来越多的文献中的方法,因果推断结合随机对照试验和观察性研究,争取两全其美。我们首先讨论了识别和估计方法,提高了随机对照试验的概括性使用的观察数据的代表性。经典的估计包括加权,条件结果模型之间的差异,和双稳健估计。然后,我们讨论了结合随机对照试验和观察数据的方法,以确保观察分析的不确定性或改善(条件)平均处理效应估计。我们还连接和对比的潜在结果的文学和结构因果模型文学的作品。最后,我们使用模拟研究和真实世界的数据来分析氨甲环酸对重大创伤患者死亡率的影响,比较主要的方法。还提供了可用代码和新实现的审查。
2023-01-10 stat.ME
Can predictive models be used for causal inference?
University of Regensburg(雷根斯堡大学);Theoretical Ecology(理论生态学(该机构为雷根斯堡大学下属的理论生态学相关研究单位,按要求提取到学院/研究院级别))
本文探讨预测模型能否用于因果推断,通过Pearl后门准则约束特征选择,发现深度网络可获近无偏效应估计,且因果约束模型泛化更优。
2023-06-18 cs.LG stat.ME stat.ML
A General Algorithm for Deciding Transportability of Experimental Results
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
在大多数科学探索中,将经验发现推广到新的环境、设置或人群是必不可少的。本文将讨论一个特殊的问题的普遍性,称为“可移植性”,定义为一个许可证,以转移实验研究中学到的信息到一个不同的人群,只有观察性研究可以进行。考虑到两个种群之间的共性和差异,Pearl和Bareinboim(2011)得出了允许这种转移发生的充分条件。本文总结了他们的研究结果,并补充了一个有效的程序,以决定何时以及如何运输是可行的。它建立了一个必要和充分的条件,以决定何时因果效应在目标人口估计从现有的统计信息和因果信息从实验转移。本文进一步提供了一个完整的算法来计算传输公式,即一种结合观测和实验信息来合成期望因果关系的无偏估计的方法。最后,本文考察了可移植性和可概括性的其他变体之间的差异。
2013-12-29 cs.AI stat.ME stat.ML
Stable Causal Discovery via Directed Acyclic Graph Aggregation
Yau Mathematical Sciences Center, Tsinghua University(丘成桐数学科学中心,清华大学);Department of Statistics, University of Virginia(弗吉尼亚大学统计系);Dr. Bing Zhang Department of Statistics, University of Kentucky(肯塔基大学张炳章统计系)
本文提出DAGgr模型平均框架,通过聚合多个候选DAG以获得稳定表示,利用外样本预测似然加权候选图,并通过边重要性评分阈值规则保证聚合图的无环性,通过理论分析和实验验证其有效性。
2026-05-18 stat.ME stat.ML
Sample, estimate, aggregate: A recipe for causal discovery foundation models
Massachusetts Institute of Technology(麻省理工学院);Accenture(埃森哲)
提出一种受基础模型启发的因果发现方法,通过在大规模合成数据上训练监督模型,利用汇总统计量预测因果图,实现对数百变量图的高效、鲁棒推断。
2025-03-28 cs.LG stat.ML
Generalizing causal effects with noncompliance: Application to deep canvassing experiments
Yale University(耶鲁大学)
针对非依从性情境,提出目标依从者平均因果效应(T-CACE)的识别假设与逆概率加权估计方法,并通过模拟和深度拉票实验验证其有效性。
2026-06-06 stat.ME
A causal inference approach to network meta-analysis
虽然标准荟萃分析汇总了比较两种治疗方法的随机试验的结果,但网络荟萃分析汇总了比较更广泛治疗方案的随机试验的结果。然而,当并非对每个人群的所有治疗进行评价时,尚不清楚异质人群中效应估计值的汇总是否与有意义的参数一致。借鉴反事实理论和因果推断框架,我们定义了网络荟萃分析中的感兴趣人群,并在一系列非参数结构假设下定义了目标参数。这使我们能够确定该参数的可识别性要求,从而能够描述网络荟萃分析适用的条件以及何时可能误导决策。然后,我们从因果推断文献中采用了几种建模策略,以获得干预特异性平均结局的一致估计和治疗之间的模型独立对比。最后,我们对一项系统评价进行再分析,以比较抗生素对住院患者中疑似或确诊的甲氧西林耐药\emph{Staphylococcus aureus}的疗效。
2016-08-11 stat.ME
On the permutation equivariance principle for causal estimands
Yale School of Public Health(耶鲁大学公共卫生学院)
本文提出了一种因果估计量的排列等变原则,通过加权估计量捕捉交互效应,并应用于因果中介和网络干扰等场景。
2026-10-08 stat.ME
Realization of Causal Representation Learning to Adjust Confounding Bias in Latent Space
University of Minnesota(明尼苏达大学);University of Pittsburgh(匹兹堡大学)
本文重新定义因果DAG为do-DAG,通过几何解释识别因果表示偏倚,并提出基于深度学习的框架及实现方法以调整潜在空间中的混杂偏倚。
2023-09-22 cs.LG stat.ME
Selecting Subpopulations for Causal Inference in Regression Discontinuity Designs
针对断点回归设计中的子总体选择问题,提出基于贝叶斯有限混合模型的聚类方法,在局部随机化框架下识别满足假设的子总体,并应用于巴西家庭补助金项目对麻风病发病率的影响评估。
2024-09-18 stat.ME
Data-driven Automated Negative Control Estimation (DANCE): Search for, Validation of, and Causal Inference with Negative Controls
在使用观察数据进行因果推断时,越来越多地使用阴性控制变量来调整未测量的混杂偏倚。它们通常通过主题知识来识别,目前严重缺乏数据驱动的方法来找到阴性对照。在本文中,我们提出了一个统计测试,发现一种特殊类型的阴性对照-断开阴性对照-可以作为替代品的未测量的混杂因素,我们将该测试纳入数据驱动的自动阴性对照估计(DANCE)算法。DANCE首先使用新的验证测试来识别满足断开阴性对照假设的一组候选阴性对照变量的子集。然后对每对经验证的阴性对照变量应用阴性对照方法,并汇总输出,以在存在未测量混杂因素的情况下产生因果效应的无偏点估计值和置信区间。我们(1)证明了该验证测试的正确性,从而证明了DANCE的正确性;(2)通过模拟实验证明,DANCE优于忽略未测量混杂的朴素分析和随机选择候选阴性对照的阴性对照方法;(3)证明了DANCE在具有挑战性的现实问题上的有效性。
2022-10-02 stat.ME
External Validity: From Do-Calculus to Transportability Across Populations
University of California, Los Angeles(加州大学洛杉矶分校)
经验发现对新环境、新环境或新人群的普遍适用性,通常被称为“外部有效性”,在大多数科学探索中至关重要。本文讨论了一个特殊的问题的概括性,称为“可移植性”,定义为许可证转移因果关系的影响,在实验研究中学习到一个新的人口,其中只能进行观察性研究。我们引入了一个正式的表示,称为“选择图”的利益群体之间的差异和共性表示知识,并使用这种表示,我们减少了问题的可移植性的符号推导的做演算。这种减少产生基于图形的程序,用于在观察任何数据之前决定目标人群中的因果效应是否可以从研究人群中的实验结果中推断出来。当答案是肯定的,程序确定需要从两个人群中获得什么样的实验和观察结果,以及如何将它们结合起来以确保无偏差的传输。
2015-03-05 cs.AI stat.ME
Target Aggregate Data Adjustment Method for Transportability Analysis Utilizing Summary-Level Data from the Target Population
针对现有可迁移性分析依赖个体数据且未充分考虑删失的问题,提出两阶段加权框架TADA,可利用目标汇总数据同时调整删失偏倚和效应修饰因子分布不平衡,提升数据有限场景下的分析适用性与临床可解释性。
2025-07-07 stat.ME
Towards Generalizing Inferences from Trials to Target Populations
Harvard University(哈佛大学);Johns Hopkins University(约翰斯·霍普金斯大学)
本文基于跨学科研讨会,综述了将随机对照试验结果推广至目标人群的挑战,提出整合方法、综述进展并指出未来研究方向,以促进因果推断的外部有效性。
2024-05-25 cs.AI cs.LG econ.EM
Causal Discovery on Irregular Time Series
Feedzai(Feedzai公司);Instituto Superior Técnico, Universidade de Lisboa(里斯本大学高等技术学院);DCC, Faculdade de Ciêncidas da Universidade do Porto(波尔图大学理学院数据与计算机科学系);Instituto de Telecomunicações(电信研究所)
研究旨在解决不规则时间序列的因果发现问题,通过扩展PCMCI+方法,利用预定义时间窗口聚合因果影响,在合成数据实验中表现出色,能有效恢复因果图且优于标准方法。
2026-07-21 cs.LG stat.ME
ALCM: Autonomous LLM-Augmented Causal Discovery Framework
University of California, Irvine(加利福尼亚大学欧文分校)
针对高维数据集因果发现的NP难问题,提出ALCM框架融合数据驱动算法与LLMs,通过三个组件自主协作生成更优因果图,实验表明其性能优于现有方法,为因果推理提供新方向。
2025-04-16 cs.AI cs.CL cs.LG
Combining observational and experimental data for causal inference considering data privacy
本文探讨了在保护数据隐私的前提下,通过对观察数据进行限制泄露变换并与实验数据结合,以提升因果推断中处理效应估计的泛化能力和精度,并揭示了隐私与效用之间的权衡。
2024-08-23 stat.AP stat.ME
CausalFormer: An Interpretable Transformer for Temporal Causal Discovery
Tongji University(同济大学);Fudan University(复旦大学)
针对现有时间因果发现方法仅利用深度学习模型部分组件参数、映射不完整的问题,提出由因果感知Transformer和基于分解的因果检测器组成的CausalFormer模型,在多类数据集上实现了当前最优的时间因果发现性能。
2024-06-24 cs.LG stat.ME
Causally-interpretable meta-analysis: clearly-defined causal effects and two case studies
荟萃分析通常用于结合多个临床试验的结果,但传统的荟萃分析方法并不明确涉及结果适用的人群,并且不清楚如何使用其结果来评估治疗对感兴趣人群的影响。我们描述了最近引入的因果可解释的荟萃分析方法,并将其处理效应估计应用于两个个体参与者数据集。这些估计量使用个体的潜在效应修饰协变量将荟萃分析中研究的估计处理效应转移至指定目标人群。我们考虑不同的回归和加权方法,在这种方法中,并比较传统的汇总数据荟萃分析方法的结果。在我们的应用程序中,某些版本的因果可解释的方法比传统的方法表现得更好,但后者通常表现良好。当协变量改变处理效应时,因果关系可解释的方法提供了最有希望的结果,我们的研究结果表明,传统的方法在效果异质性很小时效果良好。因果解释方法通过将估计量直接与特定人群相关联,为元分析提供了一个有吸引力的理论框架,并为未来的发展奠定了坚实的基础。
2023-02-15 stat.AP stat.ME
Spatiotemporal causal inference with arbitrary spillover and carryover effects: Airstrikes and insurgent violence in the Iraq War
Harvard University(哈佛大学);Dartmouth College(达特茅斯学院);University of Florida(佛罗里达大学)
本文提出通用时空因果推断框架及开源R包geocausal,支持任意溢出与延续效应,并应用于伊拉克战争重新检验空袭对叛乱暴力的因果影响。
2025-11-05 stat.AP stat.ME
Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures
Alstom(阿尔斯通公司)
本文针对异构数据中的成对因果发现问题,提出一种基于稳健互信息度量的无监督方法,并提供了标准无偏基准结果,以替代依赖监督学习的现有基线,为未知环境下的因果发现提供参考。
2024-08-01 cs.AI cs.LG stat.ME
Curb Your Attention: Causal Attention Gating for Robust Trajectory Prediction in Autonomous Driving
University of Alberta(阿尔伯塔大学);Noah’s Ark Laboratory, Huawei Technologies Canada(华为加拿大诺亚实验室);Cornell University(康奈尔大学)
本文提出CRiTIC模型,通过因果发现网络识别agent间因果关系,并引入因果注意力门控机制提升轨迹预测的鲁棒性和泛化能力,实验表明模型在对抗非因果扰动时鲁棒性提升54%。
2025-03-06 cs.LG cs.RO stat.ME
A Formal Theory of Survey Experiment Generalizability: Attention and Salience
Duke University(杜克大学);University of British Columbia(不列颠哥伦比亚大学)
本文提出调查实验一般化的正式理论,探讨了注意和显著性机制如何影响实验结果的推广性,揭示了考虑集压缩导致效应放大和显著性依赖导致符号不稳定的现象。
2026-04-14 econ.EM stat.AP
Consistent Causal Inference for High-Dimensional Time Series
本文提出一种基于高斯copula和向量自回归的高维时间序列因果推断方法,无需估计边际分布,可在稀疏条件下一致识别条件因果关系并以有向无环图表示,并应用于石油冲击与限价订单簿数据。
2023-07-06 math.ST stat.ME stat.TH
Hierarchical Causal Models
Technical University of Denmark(丹麦技术大学);Columbia University(哥伦比亚大学)
研究数据分层情境下的因果推断问题,引入分层因果模型,开发图形识别技术与估计策略,通过模拟和实例分析表明分层数据能实现因果识别,解决非分层数据无法解决的问题。
2026-07-13 stat.ME stat.ML
Towards Causal Representations of Climate Model Data
Mila –Quebec AI Institute(米拉-魁北克人工智能研究所);McGill University(麦吉尔大学);Osnabrück University(奥斯纳布吕克大学);Université de Montréal(蒙特利尔大学);Intel Labs(英特尔实验室);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Columbia University(哥伦比亚大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文研究基于机器学习的气候仿真器泛化性与可解释性不足的问题,评估因果表征学习方法 CDSD 在排放、温度和降水等多类气候数据集上的表现,为稳健可解释的气候模型仿真提供思路。
2023-12-06 cs.AI cs.LG physics.ao-ph
Efficient Ensemble Conditional Independence Test Framework for Causal Discovery
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院)
本文提出了一种高效的条件独立性测试框架,通过分组聚合策略降低计算复杂度并提升因果发现性能。
2026-02-27 cs.AI cs.LG stat.ML
Unbiased Estimation for Total Treatment Effect Under Interference Using Aggregated Dyadic Data
针对社交网络互动干扰下的因果效应估计问题,本文提出一种基于伯努利随机化设计和聚合二元数据的TTE无偏估计量,并通过数值实验证明其优于常用估计量。
2024-02-20 cs.SI stat.AP
Distributional Instrumental Variable Method
ETH Zürich(苏黎世联邦理工学院);University of Washington(华盛顿大学)
提出分布工具变量方法,利用生成建模在非线性工具变量设置中估计整个干预分布,并证明其可识别性优于传统方法。
2026-06-18 stat.ME stat.ML
Causal Inference under Outcome-Based Sampling with Monotonicity Assumptions
本文研究了在病例-对照与病例-总体抽样下二元处理与结果的因果推断,证明在单调性假设下比值比可作为因果相对风险的尖锐识别上界,并提供推断算法及三个实证例子验证其有效性。
2023-10-20 econ.EM stat.ME stat.ML
Causal Machine Learning Methods for Estimating Personalised Treatment Effects -- Insights on validity from two large trials
University of Zurich(苏黎世大学);Epidemiology, Biostatistics and Prevention Institute(流行病学、生物统计学与预防研究所)
本文基于两项大型卒中随机对照试验评估17种因果异质性机器学习方法,发现其个体化治疗效应估计在内部和外部验证中均无法可靠泛化,凸显加强稳健验证的必要性。
2025-01-07 cs.LG stat.ML
Integration of aggregated data in causally interpretable meta-analysis by inverse weighting
针对效应修饰因子分布差异导致因果荟萃分析困难的问题,本文扩展矩方法,将无法获取个体参与者数据的试验汇总数据整合到因果荟萃分析中,并通过模拟和真实临床数据验证了方法的有效性。
2025-03-07 stat.ME
Learning causal representations for robust domain adaptation
Hefei University of Technology(合肥工业大学);School of Computer Science and Information Engineering, Hefei University of Technology(合肥工业大学计算机与信息学院);Key Laboratory of Knowledge Engineering with Big Data (Hefei University of Technology), Ministry of Education(大数据知识工程教育部重点实验室);Shanxi University(山西大学);School of Computer and Information Technology, Shanxi University(山西大学计算机与信息技术学院);University of South Australia(南澳大学);UniSA STEM, University of South Australia(南澳大学UniSA STEM学院)
领域自适应通过利用相关源领域中的知识来解决目标领域中的学习问题。虽然已经取得了显着的进步,几乎所有现有的领域自适应方法严重需要大量的未标记的目标域数据学习域不变表示,以实现良好的泛化目标域。事实上,在许多现实世界的应用程序中,目标域数据可能并不总是可用的。在本文中,我们研究的情况下,在训练阶段的目标域数据是不可用的,只有良好的标记源域数据是可用的,称为鲁棒领域自适应。为了解决这个问题,在假设特征和类变量之间的因果关系在各个领域都是鲁棒的情况下,我们提出了一种新型的因果自动编码器(CAE),它将深度自动编码器和因果结构学习集成到统一模型中,以便仅使用数据学习因果表示来自单个源域。具体而言,采用深度自动编码器模型学习低维表示,设计因果结构学习模型将低维表示分为因果表示和任务无关表示两类。使用三个真实世界的数据集,广泛的实验已经验证了CAE的有效性相比,11个国家的最先进的方法。
2020-11-12 cs.LG stat.ML
A Causal Framework for Evaluating Deferring Systems
Princeton University(普林斯顿大学);University of Pisa(比萨大学);KU Leuven(鲁汶大学);University of Trento(特伦托大学)
本文提出基于因果推断的潜在结果框架评估延迟系统,通过区分两种预测获取场景识别延迟策略对预测准确性的因果影响,并在合成与真实数据集上验证了七种延迟系统的有效性。
2025-04-07 cs.AI cs.LG stat.ML
Guiding Treatment Strategies: The Role of Adjuvant Anti-Her2 Neu Therapy and Skin/Nipple Involvement in Local Recurrence-Free Survival in Breast Cancer Patients
Mercurial AI Inc(Mercurial AI公司)
该研究利用LiNGAM从Duke MRI乳腺癌观察数据中识别因果关系,量化抗Her2 Neu治疗与皮肤/乳头受累对无局部复发生存期的影响,以支持个性化治疗决策。
2025-01-04 cs.LG stat.AP
Learning Causally Predictable Outcomes from Psychiatric Longitudinal Data
Departments of Biomedical Informatics \& Psychiatry, University of Pittsburgh, Pittsburgh, Pennsylvania 15206, United States of America
提出 DEBIAS 算法,通过学习临床可解释的非负结局聚合权重并利用既往治疗的限时直接效应,提升精神科纵向数据中治疗效应的因果可识别性。
2025-07-25 cs.LG q-bio.QM stat.ML
Causal-driven attribution (CDA): Estimating channel influence without user-level data
School of Computer Science and Statistics(计算机科学与统计学学院);Trinity College Dublin(三一学院都柏林);Trinity Business School(三一商学院)
本文提出CDA框架,通过聚合印象数据推断渠道影响,无需用户级数据,实现可解释且隐私保护的归因分析。
2025-12-24 cs.LG stat.ML