Statistical Inference via Generative Models: Flow Matching and Causal Inference
Shinto Eguchi
本书通过流匹配方法，将生成模型重新诠释为非参数学习高维概率分布的统计工具，用于解决生存分析、删失、缺失和因果推断等结构性高维问题。
2026-03-09 cs.LG stat.ML
A note on confidence intervals for parameter estimates of a spatio-temporal Ornstein-Uhlenbeck process
本文比较了高斯时空Ornstein-Uhlenbeck过程矩匹配参数估计的两种构造置信区间的方法。结果发现，通过成对似然近似获得的覆盖率较低，更容易出现维数灾难，而不是从参数引导程序。
2017-07-24 stat.ME
Information Recovery in Shuffled Graphs via Graph Matching
虽然许多多图推理方法在图的顶点集上的显式顶点对应是已知的隐式假设下操作，但实际上这些对应可能仅部分或错误地已知。在这里，我们提供了一个信息理论的基础，了解错误观察到的顶点对应的实际影响，可以对后续的推理，图匹配方法的能力，以恢复丢失的顶点对齐和推理性能。工作在相关的随机块模型设置，我们建立了一个对偶之间的损失的互信息，由于错误观察顶点对应和图匹配算法的能力，以恢复真正的对应关系的图形。在这个过程中，我们建立了一个相变的图匹配在图之间的相关性，我们推测类似的相变的相对信息损失，由于洗牌顶点标签。我们通过两个样本图假设检验和联合谱图聚类的示例，展示了图重排和匹配对后续推理的实际影响。
2017-09-27 cs.IT math.CO math.IT
Discussion of "A note on universal inference" by Timmy Tse and Anthony Davison
本文是对Timmy Tse和Anthony Davison于2022年发表的《关于通用推断的注记》一文的受邀讨论。
2023-03-30 math.ST stat.ME stat.TH
Uncertain Neighbors: Bayesian Propensity Score Matching For Causal Inference
我们比较了标准的最近邻倾向得分匹配与类似的贝叶斯倾向得分匹配过程的性能。我们表明，贝叶斯方法更好地利用了可用的信息，因为它使不那么武断的决定，哪些观察下降，哪些保留在匹配的样本。我们进行了模拟研究，以评估标准和贝叶斯最近邻匹配的性能时，匹配和不替换。然后，我们使用这两种方法来复制最近的研究土地改革对游击队活动在哥伦比亚的影响。
2021-05-05 stat.ME
Note on the Delta Method for Finite Population Inference with Applications to Causal Inference
本文探讨Delta方法与有限总体中心极限定理结合，以推导因果估计量的渐近分布和方差，并通过因果比率估计量示例展示其应用。
2022-06-01 stat.ME
Likelihood-Free Inference via Structured Score Matching
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland, College Park（马里兰大学帕克分校）
本文提出结合分数匹配与梯度优化的无似然推断框架，通过定制化分数匹配估计器和架构正则化方案，提升参数估计精度与可扩展性，并通过实验验证其有效性。
2026-03-30 stat.ME
Bias Mitigation in Matched Observational Studies with Continuous Treatments: Calipered Non-Bipartite Matching and Bias-Corrected Estimation and Inference
针对连续处理匹配观察性研究中因不精确匹配导致的严重因果推断偏差问题，提出结合协变量与处理剂量信息的卡尺非二分匹配框架及偏差校正估计推断方法，通过COVID-19研究验证其有效性并开发开源R包。
2025-02-12 stat.AP stat.ME
A Framework for Optimal Matching for Causal Inference
我们提出了一个新的框架，从观测数据的因果效应匹配估计是基于最小化的对偶范数的估计误差时，表示为一个操作员。我们发现，许多流行的匹配估计可以表示为最佳的在这个框架中，包括最近邻匹配，粗精确匹配，平均匹配采样。这揭示了他们的动机和适当性，作为结构先验，通过将效果嵌入特定的功能空间来制定。这也产生了一系列新的，基于核的匹配估计，出现时，一个嵌入的效果在再生核希尔伯特空间。根据情况，这些估计可以使用二次优化或整数优化。我们证明了基于通用核的估计是普遍一致的，没有模型规格。在使用合成和真实数据的实证结果中，新的基于核的估计量在估计误差方面优于所有标准的因果估计量。
2017-02-28 stat.ME
Matching Algorithms for Causal Inference with Multiple Treatments
随机临床试验（RCT）是估计因果效应的理想方法，因为背景协变量的分布在治疗组之间的预期相似。当使用观察数据估计因果效应时，匹配是一种常用的方法，用于复制RCT中实现的协变量平衡。匹配算法的历史可以追溯到20世纪中期，但主要用于估计两个治疗组之间的因果关系。当有两种以上的治疗方法时，估计因果效应需要额外的假设和技术。我们提出了匹配算法，解决目前的方法的缺点，我们使用模拟比较当前和新的方法。所有的方法都显示出在匹配组中相对于匹配前队列的协变量平衡的改善。此外，我们还向研究人员提供关于不同协变量分布首选哪些匹配算法的建议。
2019-02-26 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
Matching Using Sufficient Dimension Reduction for Causal Inference
为了估计偶然的处理效应，我们提出了一种新的匹配方法的基础上减少协变量从充分的降维。与文献中常用于匹配的原始协变量和倾向得分相比，在对原始协变量的温和假设下，减少的协变量可进行非参数估计，并且在插补缺失的潜在结局方面充分有效。在相容性假设下，所提出的方法的一致性需要一个较弱的公共支持条件。此外，允许研究人员使用不同的简化协变量来为不同的治疗组找到匹配的受试者。我们开发了相对的渐近结果，并进行模拟研究以及真实数据分析，以说明所提出的方法的实用性。
2017-02-01 stat.ME
PanelMatch: Matching Methods for Causal Inference with Time-Series Cross-Section Data
本文介绍 R 包 PanelMatch，为时间序列截面数据提供参数假设更少、诊断更丰富的匹配式因果推断方法及可视化工具。
2025-08-16 stat.AP stat.ME
GPMatch: A Bayesian Doubly Robust Approach to Causal Inference with Gaussian Process Covariance Function As a Matching Tool
在较弱的因果假设下，提出了一种基于完全贝叶斯框架的高斯过程（GP）协方差函数作为GPMatch的匹配工具。利用GP先验协方差函数定义匹配距离实现匹配。我们表明，GPMatch提供了一个双重的平均处理效应（ATE）的鲁棒估计很像G-估计，ATE是正确的估计时，满足以下任一条件：1）GP均值函数正确指定潜在的结果\(Y^{(0)}\) ;或2）GP协方差函数正确指定匹配结构。进行模拟研究，没有假设任何已知的匹配结构，也没有功能形式的结果。结果表明，GPMatch具有良好的校准频率属性，并优于许多广泛使用的方法，包括贝叶斯加性回归树。该案例研究使用从电子病历中提取的数据，比较了早期积极使用生物药物治疗新诊断的青少年特发性关节炎儿童的有效性。
2019-03-14 stat.ME
Semi-Implicit Variational Inference via Score Matching
Peking University（北京大学）
针对半隐式变分推断中变分分布密度难求解、现有方法依赖替代ELBO或高成本MCMC的问题，提出基于去噪得分匹配极小极大目标的SIVI-SM方法，在多种贝叶斯推断任务中准确率接近MCMC且优于现有基于ELBO的SIVI方法。
2023-08-19 cs.LG stat.ME stat.ML
Network-Constrained Matching and Randomization-Based Inference for Causal Effects
Brown University（布朗大学）
针对网络数据中匹配可能引发虚假关联的问题，提出带网络邻近性约束的匹配方法和基于随机化的推断，并在R包netmatchRI中实现，应用于弗雷明汉心脏研究。
2026-10-06 stat.AP stat.ME
Profile Matching for the Generalization and Personalization of Causal Inferences
我们介绍了配置文件匹配，多变量匹配方法的随机实验和观察性研究，发现最大可能的未加权样本在多个治疗组，相对于协变量配置文件是平衡的。该协变量谱可以代表特定人群或目标个体，促进因果推断的泛化和个性化。一般而言，由于概况往往相当于目标人口的汇总统计数据，概况匹配并不总是需要访问个人层面的数据，因为出于保密原因，这些数据可能无法获得。对于个性化，简档包括单个个体的特征。轮廓匹配通过构造来实现协变量平衡，但与现有的匹配方法不同，它不需要指定匹配比率，因为这是针对数据隐式优化的。该方法也可用于选择研究随访的单位，并且它很容易适用于具有许多治疗类别的多值治疗。我们评估性能的轮廓匹配的随机试验的推广到目标人群的模拟研究。我们在阿片类药物使用与心理健康结果之间关系的探索性观察研究中进一步说明了这种方法。我们分析这些关系的三个协变量配置文件代表：（一）性少数，（二）美国阿巴拉契亚山脉，（三）一个假设的弱势患者的特征。该方法可以通过R的designmatch包中的新函数profmatch实现，我们提供了一个分步教程。
2022-07-06 stat.ME
A Note on Bayesian Inference for the Bivariate Pseudo-Exponential Data
本文研究了二元伪指数分布的贝叶斯推断，在独立Gamma和伪Gamma先验下推导后验均值并与最大似然估计量比较，最后通过模拟和实际应用验证了方法。
2023-06-26 stat.AP stat.ME
A note on incorrect inferences in non-binary qualitative probabilistic networks
Dipartimento di Matematica, Università degli Studi di Genova（热那亚大学数学系）
本文指出非二元定性概率网络因错误的对称性假设会产生数学上不成立的推断，并通过示例说明问题、探讨可能的修正途径。
2024-01-25 cs.AI math.ST 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 Note on the Posterior Inference for the Yule-Simon Distribution
到目前为止，Yule-Simon分布已经脱离了贝叶斯社区的雷达。在本文中，我们提出了一个明确的吉布斯抽样计划时，伽玛先验选择的形状参数。该算法的性能与模拟研究，包括计数数据回归，和一个真正的数据应用到文本分析。我们将我们的建议与频率主义的同行进行比较，当考虑小样本量时，我们的算法表现出更好的性能。
2016-10-31 stat.AP stat.ME
Probabilistic Matching: Causal Inference under Measurement Errors
每天从各种各样的来源产生的丰富的数据，促进了对从观测数据进行因果推断分析的新方法的需求。观测数据通常包含噪声或缺失的条目。此外，因果推断研究可能需要未观察到的高级信息，这些信息需要从其他观察到的属性中推断出来。在这种情况下，所应用的推理方法的不准确性将导致噪声输出。在这项研究中，我们提出了一种新的方法，当一个或多个关键变量是嘈杂的因果推断。我们的方法利用知识的不确定性的实际值的关键变量，以减少由噪声测量引起的偏差。我们评估我们的方法与现有的方法相比，模拟和真实的情况下，我们表明，我们的方法减少了偏见，避免在大多数情况下错误的因果推断结论。
2017-03-13 stat.CO stat.ME stat.ML
Generalized Optimal Matching Methods for Causal Inference
我们开发了一个涵盖框架匹配，协变量平衡，和双重强大的方法因果推断从观测数据称为广义最优匹配（GOM）。该框架是通过推广一个新的功能分析制定的最佳匹配，产生类GOM方法，我们提供了一个统一的理论来分析易处理性，一致性和效率。许多常用的现有方法都包含在GOM中，并且使用它们的GOM解释，可以扩展到最佳和自动权衡方差的平衡，并优于它们的标准对应物。作为一个子类，GOM产生了内核最优匹配（KOM），这是值得注意的，新的理论和实证结果的支持下，结合了许多其他方法的积极性质。KOM，这是解决线性约束凸二次优化问题，继承了可解释性和无模型匹配的一致性，但也可以实现$\sqrt{n}$一致性的良好指定的回归和双重鲁棒方法的效率和鲁棒性。在有限重叠的设置中，KOM实现了用于部分识别和鲁棒覆盖的区间估计的非常透明的方法。我们用合成数据和真实数据的例子证明了这些好处
2017-10-27 math.OC math.ST stat.ME
A Two-Stage Interpretable Matching Framework for Causal Inference
Northeastern University（东北大学）
针对观测数据因果推断中的协变量匹配问题，提出两阶段可解释匹配（TIM）框架，通过精确匹配与迭代优化提升CATE估计质量、多变量重叠度并支持高维数据，在合成与真实医疗数据集验证了有效性。
2025-04-13 cs.AI stat.ME
Bridging the Gap Between Design and Analysis: Randomization Inference and Sensitivity Analysis for Matched Observational Studies with Treatment Doses
针对剂量治疗匹配观察性研究缺乏有效随机化推断与敏感性分析的问题，提出适用于一般匹配设计、多种结局类型及两类零假设的新方法，并经模拟与真实数据验证。
2024-09-19 stat.ME
On the statistical role of inexact matching in observational studies
在观察性因果推断中，精确协变量匹配起着两个统计作用：（i）它有效地控制了由于测量的混杂引起的偏倚;（ii）它证明了基于随机化检验的无干扰推断的合理性。本文表明，不精确的协变量匹配并不总是发挥这些相同的作用。我们发现，不精确的匹配往往会留下统计上有意义的偏见，这种偏见使标准的随机化测试渐近无效。因此，我们建议在不精确匹配后进行额外的基于模型的协变量调整。在局部误设定的框架下，我们证明了匹配使得随后的参数分析对模型选择或误设定不那么敏感。我们认为，获得这种鲁棒性是不精确匹配的主要统计作用。
2022-11-30 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
Interpretable Almost Matching Exactly for Causal Inference
Duke University（杜克大学）
我们的目标是为潜在结果框架中的分类数据创建尽可能高质量的治疗-对照匹配。匹配方法由于其可解释性而在社会科学中大量使用，但大多数匹配方法都不能通过基本的健全性检查：当引入不相关的变量时，它们会失败，并且往往要么计算缓慢，要么产生低质量的匹配。在这项工作中提出的方法的目的是匹配加权汉明距离的单位，考虑到协变量的相对重要性;该算法的目的是匹配尽可能多的相关变量的单位。为此，该算法创建了一个协变量组合的层次结构，在此基础上进行匹配（类似于向下闭包），在此过程中为每个单元解决一个优化问题，以构建最佳匹配。该算法使用一个单一的动态程序来解决所有的优化问题同时进行。我们的方法比现有的匹配程序显着的优点是其高质量的匹配，在处理不同的数据分布，可能有不相关的变量，并能够处理缺失数据尽可能多的可用协变量匹配。
2019-06-08 cs.LG stat.ME stat.ML
Vector Search As Nearest Neighbor Matching: RAG-based Policy Learning in Causal Inference
np-hard.co.jp（np-hard公司）
研究提出基于检索增强生成（RAG）的策略学习一步法和两步法，两步法通过向量搜索等进行行动选择，还将两步法遗憾分解并界定，直接评估一步法为策略，把特定行动向量搜索与因果推断最近邻匹配相联系。
2026-07-21 cs.LG econ.EM math.ST
Simulation-based Inference via Langevin Dynamics with Score Matching
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Maryland, College Park（马里兰大学帕克分校）
本文提出一种结合分数匹配与兰格vin动力学的可扩展模拟推理方法，通过局部化方案和结构化分数网络提升统计效率和计算可扩展性。
2026-06-29 stat.CO stat.ME stat.ML
A First Course in Causal Inference
本研究基于加州大学伯克利分校七年的因果推断课程教学经验，编写了面向本科生、仅需基础统计与回归知识的入门课程讲义。
2023-10-03 stat.AP stat.ME
Likelihood-Free Adaptive Bayesian Inference via Nonparametric Distribution Matching
Stanford University（斯坦福大学）
本文提出自适应贝叶斯推断（ABI）框架，通过边缘增广切片Wasserstein距离将后验分布比较转化为一维条件分位数回归，并结合自适应拒绝采样迭代细化后验近似，在高维和相依观测场景下显著优于现有免似然方法。
2025-05-07 cs.LG stat.CO 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
A Unified Theory for Causal Inference: Direct Debiased Machine Learning via Bregman-Riesz Regression
本文提出因果推断的统一理论，通过Bregman-Riesz回归整合Riesz回归、协变量平衡、DRE、TMLE和匹配估计器，揭示它们在ATE估计中的对偶与等价关系，并证明TMLE可消除主导偏差项。
2025-10-30 cs.LG econ.EM math.ST
