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
A Bayesian Nonparametric Approach for Evaluating the Causal Effect of Treatment in Randomized Trials with Semi-Competing Risks
我们开发了一种贝叶斯非参数（BNP）方法来评估随机试验中治疗的因果效应，其中非终末事件可以被终末事件删失，但反之亦然（即，半竞争风险）。基于主分层的思想，我们定义了一个新的估计量的因果关系的治疗对非终端事件。我们引入识别假设，索引的敏感性参数，并显示如何使用我们的BNP方法得出推论。我们进行模拟研究，并说明我们的方法使用数据从脑癌试验。
2019-07-21 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
Bayesian Inference and Partial Identification in Multi-Treatment Causal Inference with Unobserved Confounding
在因果估计问题中，感兴趣的参数通常只能部分识别，这意味着即使有无限的数据，参数也不能被精确地恢复。在这里，我们研究贝叶斯推断的部分确定的处理效应在多治疗因果推断问题与未观察到的混杂。原则上，推断部分识别的处理效应在贝叶斯范式下是自然的，但结果可能对参数化和先前规范高度敏感，通常以令人惊讶的方式。因此，理解关于处理效应的结论的哪些方面完全由先前的规范驱动是至关重要的。我们使用了一个所谓的透明参数化的影响，更可解释的科学动机的多重效果的先验规范。我们证明了我们的分析在一个例子中量化基因表达水平对小鼠肥胖的影响。
2022-04-23 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
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
Causal Inference with Two Versions of Treatment
因果效应通常被定义为治疗和对照下潜在结果的比较，但这一定义受到治疗或对照条件定义不明确的可能性的威胁，而是存在于多个版本中。提出了一个简单的，广泛适用的分析，以解决的可能性，治疗或控制条件存在于两个版本，两个不同的处理效应。该分析在治疗和对照的主要比较中没有失去功效，提供了关于版本效应的额外信息，并在几个比较中控制了家族错误率。该方法的动机和说明使用正在进行的研究的可能性，反复头部创伤在高中足球导致早发性痴呆症的风险增加。
2019-04-24 stat.ME
Assessing Time-Varying Causal Effect Moderation in the Presence of Cluster-Level Treatment Effect Heterogeneity
微随机试验（MRT）是一种顺序随机试验设计，以经验评估可能在数百或数千个决策点提供的移动健康（mHealth）干预组件的有效性。MRT已经激发了一类新的因果被估量，称为“因果偏移效应”，对于该因果被估量，可以通过加权的中心最小二乘准则进行半参数推断（Boruvka等人，2018年）。现有的方法假设主体之间的独立性和不干涉。与这些假设的偏差经常发生。在本文中，因果漂移效应下重新集群水平的处理效应异质性和干扰，感兴趣的处理效应可能取决于集群水平的主持人。所提出的方法的效用是通过分析来自多机构队列的第一年在美国的医疗居民的数据。
2021-12-10 stat.ME
The causal effects of modified treatment policies under network interference
Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
提出诱导修正治疗策略以识别网络干扰下的因果效应，并开发半参数有效估计器，通过加州零排放车辆对空气污染的影响验证。
2025-12-10 stat.ME
Causal-DRF: Conditional Kernel Treatment Effect Estimation using Distributional Random Forest
University of Geneva（日内瓦大学）；ETH Zürich（苏黎世联邦理工学院）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）
本文提出Causal-DRF方法，利用分布随机森林算法估计条件核治疗效应，通过森林拟合获得一致且渐近正态的估计值，从而更全面理解治疗效应差异。
2026-04-02 stat.ME
Berry-Esseen bounds for design-based causal inference with possibly diverging treatment levels and varying group sizes
该研究针对处理水平发散、组规模可变的随机化模型因果推断理论缺口，用Stein方法推导估计量的Berry-Esseen界，提出无重复多处理水平实验的方差估计量，完善了基于设计的因果推断理论保障。
2025-06-12 stat.ME
Causal Inference with Confounders MNAR under Treatment-independent Missingness Assumption
观察性研究中的因果推断在混杂因素可能缺失时具有挑战性。一般来说，即使在限制性参数模型假设下，当混杂因素非随机缺失时，也不能保证因果效应的识别。为了解决这一问题，我们提出了一个通用框架，以建立因果关系的识别时，混杂因素受到治疗无关的缺失，这意味着缺失数据机制是独立的治疗，考虑到结果和可能的缺失混杂因素。我们特别考虑了常用的连续和二元结果模型，并在识别失败时提供了反例。在估计方面，我们给出了模型参数的加权估计方程估计方法，并在估计模型的基础上给出了平均因果效应的三个估计量。我们通过模拟评估有限样本的估计性能。我们进一步说明了所提出的方法，从全国健康和营养检查调查的真实数据集。
2023-03-22 stat.ME
Matching Estimators for Causal Effects of Multiple Treatments
平均处理效应的匹配估计量广泛用于二元处理设置，其中缺失的潜在结果插补为每个单位所有匹配的观察结果的平均值。然而，对于两个以上的治疗组，使用匹配的估计需要额外的技术。在本文中，我们提出了一个最近邻匹配估计使用多个，标称治疗，并使用模拟表明，这种方法是精确的，覆盖水平接近标称。此外，我们实施建议的推理方法，以检查不同的药物治疗方案对长期疼痛的患者经历机动车碰撞的影响。
2019-04-25 stat.ME
Relaxed covariate overlap and margin-based causal effect estimation
在大多数非随机观察性研究中，治疗组间的差异不仅可能由于治疗，还可能由于混杂因素的影响。因此，关于处理效应的因果推断不像随机试验那样直接。为了调整由于测量的协变量引起的混杂，使用基于潜在结局框架的各种方法来估计平均处理效应。其中一个关键假设是治疗积极性，即对于任何可能的混杂因素组合，治疗的概率都不超过0和1。当违反这一假设时，用于执行因果推断的方法相对有限。在这篇文章中，我们讨论了一个新的平衡相关的条件，涉及到治疗组的凸包，我术语放松协变量重叠。这个概念的一个优点是，它可以链接到一个概念，从机器学习，称为余量。松弛的协变量重叠的引入导致一种方法，其中可以执行因果推断在三个步骤的方式。用两个例子说明了该方法。
2018-07-03 stat.ME
Semi- and non-parametric approaches to individualized treatment regimes in the presence of causal mediation
McGill University（麦吉尔大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）
提出贝叶斯半参数和非参数估计器估计条件中介效应，用于优化个体化治疗方案，并应用于丙肝阳性供体肾移植分配。
2026-06-23 stat.ME
Incremental Causal Effect for Time to Treatment Initialization
本文研究治疗初始化时间的增量因果效应，提出无需正定性假设的识别方法及基于逆概率加权的估计框架，并通过模拟和类风湿关节炎研究验证了其有效性。
2025-08-13 stat.ME
Causal Inference for Functional Treatments with Stochastic Policies
Division of Biostatistics and Health Data Science, School of Public Health, University of Minnesota（明尼苏达大学公共卫生学院生物统计与健康数据科学系）
针对功能型处理（如加速度计测量的身体活动）的因果效应估计，提出随机策略方法，通过单一基函数修改处理分布，避免正性假设，并实现率双稳健估计。
2026-06-29 stat.ME
The risks of risk assessment: causal blind spots when using prediction models for treatment decisions
该研究指出临床常用的三种预测模型治疗处理方法存在因果盲点，易引发误读与决策失误，建议扩展模型开发指南并引入因果推断技术，以保障治疗决策安全。
2025-06-16 stat.ME
Investigating the causal effects of multiple treatments using longitudinal data: a simulation study
本文通过模拟研究比较五种g-methods在多种治疗和时依性混杂下的因果效应估计性能，并用英国CF注册处数据验证其应用。
2024-05-02 stat.ME
Peer Encouragement Designs in Causal Inference with Partial Interference and Identification of Local Average Network Effects
在非网络环境中，当随机化治疗被认为不切实际或治疗依从性无法完全强制执行时，鼓励设计已被广泛用于分析治疗、政策或干预对关注结果的因果影响。不幸的是，这样的问题有关的治疗依从性得到较少的关注，在网络设置和网络中研究最充分的试验设计，两阶段随机化设计，需要完美的治疗依从性。本文提出了一种新的试验设计--同伴激励设计，用于研究在实施治疗随机化不可行的情况下网络处理效应。同伴激励设计的核心思想是个性化激励的思想，它允许在激励设计文献中识别熟悉的被估量。本文还定义了新的因果被估量，局部平均网络效应，可以确定在新的设计和分析的影响，不遵守行为的随机实验网络。
2016-09-14 stat.ME
Causal Inference with Truncation-by-Death and Unmeasured Confounding
临床研究有时会因死亡而截断，结果不确定。仅基于观察到的存活者的统计分析可能会产生偏倚结果，因为治疗组之间存活者的特征不同。通过主成分分层，幸存者平均因果效应被提出作为定义在总是幸存者中的因果被估量。然而，当治疗分配和生存或结局过程之间存在不可测量的混杂时，该被估量无法识别。在本文中，我们考虑了一个积极的治疗和保守治疗的生存单调性之间的比较。首先，我们表明，幸存者的平均因果效应的保守治疗是可识别的替代变量在适当的假设下，即使当治疗分配是不合理的。其次，我们提出了一个增广的逆概率加权（AIPW）型估计量，这个估计量具有双重的鲁棒性。最后，建立了该估计量的大样本性质。该方法被应用于研究异基因造血干细胞移植类型对白血病复发的影响。
2022-11-21 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
Copula-based Sensitivity Analysis for Multi-Treatment Causal Inference with Unobserved Confounding
本研究针对多重治疗且存在未观测混杂的观察性研究，提出基于 copula 分解的敏感性分析方法，以刻画因果效应的部分识别范围，并给出高斯 copula 实现与效应有界条件。
2025-03-26 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
Independence weights for causal inference with continuous treatments
针对连续处理观察性研究中加权法对模型误设敏感的问题，提出基于独立性度量的无模型权重估计方法，可显式缓解处理-混杂因素依赖，鲁棒性强且适用场景广。
2023-04-06 stat.ME
Individualized Causal Effects under Network Interference with Combinatorial Treatments
University of Leeds（利兹大学）；National University of Defense Technology（国防科技大学）；School of Statistics and Data Science, SUFE（上海财经大学统计与数据科学学院）
本文提出了一种统一框架，通过构建全局潜在结果模拟器，在高维网络化环境下实现个体化因果推断，结合局部平滑性、双重稳健正交化和稀疏谱学习，解决网络干扰和组合治疗带来的挑战。
2026-02-23 stat.ME
Simultaneous Estimation of Multiple Treatment Effects from Observational Studies
针对观察性研究中多重处理效应估计受未测量混杂困扰、代理变量不足的问题，提出基于因果效应稀疏性假设的新方法，可自主选择非零效应处理实现稀疏估计，经模拟和GWAS数据集验证，比现有方法更有效鲁棒。
2025-01-14 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
Sensitivity Analysis of Inverse Probability Weighting Estimators of Causal Effects in Observational Studies with Multivalued Treatments
针对多值处理观察性研究中缺乏适用敏感性分析框架的问题，提出含通用加性因果估计量的高效敏感性分析框架，模拟和实例验证其有效性。
2024-06-23 stat.ME
Generalized propensity score approach to causal inference with spatial interference
许多空间现象表现出治疗干扰，其中一个位置的治疗可能会影响其他位置的反应。由于干扰违反了稳定单位治疗值假设，因此因果推断的标准方法不适用。我们提出了一个新的因果框架，以恢复直接和溢出效应的空间干扰的存在下，考虑到治疗在附近的位置比治疗更有影响力的位置进一步分开。在没有未测量的混杂假设下，我们证明了广义倾向得分足以消除所有测量的混杂。为了减少维数问题，我们提出了一个贝叶斯样条为基础的回归模型占一个足够的变量集的广义倾向得分。仿真研究证明了准确性和覆盖性能。我们应用该方法来估计2005- 2018年美国西部野火对空气污染的因果影响。
2020-06-30 stat.ME
Causal Inference with a Hidden Treatment
University of Connecticut（康涅狄格大学）；University of Pennsylvania（宾夕法尼亚大学）
针对处理变量不可直接观测而仅有代理测量的情况，提出半参数框架，通过正交补映射导出影响函数和效率界，并构建具有多重稳健性的估计量。
2026-06-23 stat.ME
Efficient Inference for Incremental Causal Effects of Time to Treatment
University of California San Diego（加州大学圣地亚哥分校）
本文针对治疗开始时间的增量因果效应，推导了有效影响函数，并提出了一个结合灵活机器学习方法且收敛速度快的估计框架，通过经验过程理论获得有效置信带。
2026-06-08 stat.ME
Treatment Effects on Ordinal Outcomes: Causal Estimands and Sharp Bounds
评估干预措施对有序结果的因果影响是许多教育和行为研究的重要目标。在潜在结果框架下，我们可以将因果效应定义为治疗和控制下的潜在结果之间的比较。然而，不幸的是，平均因果效应，通常是感兴趣的参数，很难解释为有序的结果。为了应对这一挑战，我们建议使用两个因果参数，定义为治疗对实验单位有益和严格有益的概率。然而，尽管上述两个参数对于任何结果都有明确的定义，并且对于顺序结果特别感兴趣，但它们取决于潜在结果之间的关联，因此在没有额外假设的情况下无法从观察到的数据中识别。为了响应计量经济学和生物统计学文献的最新进展，我们提出了在潜在结果的固定边缘分布下，上述顺序结果的因果参数的锐界。由于因果被估量及其相应的锐界是基于潜在结果本身，所提出的框架可以灵活地纳入任何选择的模型的潜在结果，并直接适用于随机实验，无混杂观察性研究，随机实验与不遵守。我们说明我们的方法，通过数值例子和三个现实生活中的应用程序相关的教育和行为研究。
2018-04-05 stat.ME
Bounds on causal effects in $2^{K}$ factorial experiments with non-compliance
针对因子实验中不依从问题，本文在更温和假设下，利用工具变量方法为有界结果的依从者平均处理效应提供界。
2025-08-05 stat.ME
Micro-randomized Trials with Categorical Treatments: Causal Effect Estimation and Sample Size Calculation
本文扩展微随机试验方法至分类处理，提出因果效应估计与样本量公式，并通过模拟和HeartSteps实例验证，确保实际应用中的统计功效。
2025-04-21 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
A causal approach to analysis of censored medical costs in the presence of time-varying treatment
最近，人们对发展统计方法来比较治疗组之间的医疗费用越来越感兴趣。当累积成本是利益的结果，右删失带来了挑战的信息缺失，由于异质性的成本积累率在科目。寻求解决信息成本轨迹的挑战的现有方法通常依赖于逆概率加权，并以净“意向治疗”效应为目标。然而，迄今为止，还没有开发出能够处理时间依赖性治疗和这种情况下的混淆的方法。在比较干预措施时，估计治疗方案对成本的联合因果效应的方法将有助于为公共政策提供信息。在本文中，我们开发了一个嵌套的g-计算方法的成本分析，以适应时间依赖性的治疗和重复的结果的措施。我们证明，我们的程序是合理的强大的偏离其分布假设，并可以提供独特的见解，在时间依赖性治疗制度的平均成本的根本差异。
2017-05-24 stat.ME
Treatment persistence drives estimator performance in longitudinal causal inference based on observational data: A simulation study
University of Padova（帕多瓦大学）
该模拟研究基于观察数据，探讨纵向因果推断中治疗持续性对估计量性能的驱动作用，发现治疗持续性是影响估计量表现的关键因素，为解读估计量性能提供了参考。
2026-09-07 stat.ME
On the limitations of causal inference with current-treatment Cox models
University of Copenhagen（哥本哈根大学）；Karolinska Institute（卡罗林斯卡学院）
该研究指出当前治疗Cox模型依赖不可验证的马尔可夫性质，证明其因果解释需无治疗-脆弱性交互，转换生存尺度也无法弥补。
2026-09-17 stat.ME
The Estimation of Causal Effects of Multiple Treatments in Observational Studies Using Bayesian Additive Regression Trees
目前缺乏适当的方法来估计多种治疗的因果关系时，结果是二元的。对于这样的设置，我们建议使用非参数贝叶斯建模，贝叶斯加性回归树（BART）。我们进行了一项广泛的模拟研究，将BART与几种现有的基于倾向得分的方法进行比较，并在估计治疗患者的平均处理效应时确定其操作特征。BART始终表现出低偏倚和均方误差。我们通过对一个大型数据集的比较有效性分析来说明BART的使用，该数据集来自最新的SEER-Medicare链接，针对通过机器人辅助手术，视频辅助胸外科手术或开胸手术进行手术的患者。
2020-02-27 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
Introducing the CP-plot for Causal Inference with Observational Studies
Qiuzhen College, Tsinghua University（清华大学丘成桐学堂）；Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心）；Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系）
在因果推断的观测研究规范设定下，证明了在倾向得分与条件平均处理效应满足单调关系时，重叠权重的平均处理效应介于处理组和对照组的平均处理效应之间，并推广到加权局部平均处理效应及其他权重，建议使用CP图。
2026-08-25 stat.ME
Incremental causal effects: an introduction and review
在本章中，我们回顾了Kennedy [2019]提出的基于增量倾向得分干预的因果效应类别。增量倾向得分干预的目的是估计增加或减少受试者接受治疗的可能性的影响;这与平均处理效应不同，后者的目的是估计每个人确定性地接受与不接受治疗的效果。我们首先提出的情况下，当有一个单一的二元治疗，使它可以比较平均处理效应，从而阐明关键概念的增量因果关系的影响。特别是，增量效应的一个好处是，确定因果效应不需要积极性--因果推断中的一个常见假设。然后，我们讨论了更一般的情况下，治疗是在多个时间点测量，其中积极性更容易被侵犯，因此增量效应可能是特别有用的。在整个过程中，我们激励增量效应与现实世界中的应用，这些影响的非参数估计，并讨论其效率特性，同时也简要回顾了影响函数在功能估计中的作用。最后，我们将展示如何在实践中使用这些估计来解释和分析结果，并讨论扩展和未来的方向。
2021-10-20 stat.ME
The Nudge Average Treatment Effect
本文提出一种替代单调性假设的识别条件，允许存在违抗者和异质处理效应，证明工具变量估计量可恢复受工具变量操纵的子群的平均因果效应，即Nudge平均处理效应。
2025-08-12 stat.ME
Bipartite Causal Inference with Interference
评估干预措施有效性的统计方法日益受到各单位内在相互关联性的挑战。具体来说，最近的一系列方法研究已经解决了观测之间的干扰问题，当一个观测单元的结果不仅取决于它的治疗，而且还取决于分配给其他单元的治疗时，就会出现这种情况。我们引入了具有干扰的二分因果推断的设置，当1）治疗被定义在与测量结果的观察单位不同的观察单位上时，以及2）在某些单位的结果取决于分配给许多其他单位的治疗的意义上，单位之间存在干扰。基本的定义和配方提供了这种设置，突出的相似性和差异，更普遍认为设置的因果推断与干扰。几种类型的因果被估量进行了讨论，和一个简单的逆概率的治疗加权估计的简化被估量的一个子集。这些估计器被用来评估美国473家发电厂减少空气污染的干预措施如何影响居住在23，458个邮政编码地区的医疗保险受益人的心血管住院治疗。
2018-07-23 stat.ME
Causal Inference in Rebuilding and Extending the Recondite Bridge between Finite Population Sampling and Experimental Design
本文认为，因果推断的治疗对比，从一个随机实验中使用的潜在结果，在有限的人口设置。采用Neymanian重复抽样的方法，将这种因果推断与有限的人口调查抽样，推理框架开发的一般机制，分配实验单元的多个治疗。这个框架扩展了经典的方法，允许随机化限制和不平等的复制的可能性。新的条件是“温和”的处理效应比严格的加性，但允许无偏估计的有限人口抽样方差的任何治疗对比估计，推导出。偏离这样的条件下的后果也研究了极小极大偏差的标准下，和一个新的理由，在实验中使用的Neymanian保守的抽样方差估计。所提出的方法可以很容易地扩展到一般的阶乘结构的治疗的情况下。
2016-06-16 stat.ME
Risk ratio, odds ratio, risk difference... Which causal measure is easier to generalize?
本文系统比较多种因果效应度量，统一可折叠性与异质性定义，并证明仅风险差能在任意结局类型下将条件与平均治疗效应同基线分离，进而阐明不同度量推广所需协变量集合的差异。
2025-09-21 stat.ME
Sensitivity Analysis of Causal Treatment Effect Estimation for Clustered Observational Data with Unmeasured Confounding
在观察性研究中识别因果治疗（或暴露）效应需要数据满足不可用观察数据检验的无混淆性假设。通过敏感性分析，人们可以确定如果假设被违反到一定程度，结论可能会如何变化。在本文中，我们提出了一种新的技术适用于集群观测数据的正态分布或二元结果的敏感性分析。所提出的方法旨在评估单个研究以及多个研究中估计的处理效应的稳健性，即，荟萃分析，针对不可测量的混杂因素。进行了各种基本场景的模拟，以评估我们的方法的性能。与其他现有的敏感性分析方法不同，我们的方法对未测量混杂因素的数量或测量和未测量混杂因素之间的关系没有限制性假设，并且不排除测量混杂因素和治疗之间可能的相互作用。我们的方法很容易使用标准的统计软件包实现。
2023-01-29 stat.ME
Causal Mediation Analysis with Multiple Treatments and Latent Confounders
因果中介分析是通过中介变量或中介变量来评估治疗对目标结果的直接和间接因果效应，但在实际应用中，由于中介变量不能随机分配，直接和间接因果效应难以识别。在这篇文章中，我们考虑一个因果模型，包括潜在的混杂因素之间的调解人和结果。我们提出了充分的条件，确定直接和间接的影响，并提出了一种方法来估计它们。所提出的方法的性能进行了评估，通过仿真研究。最后，我们将该方法应用于一个电信公司的客户忠诚度调查数据集。
2020-01-13 stat.AP stat.ME
A flexible approach for causal inference with multiple treatments and clustered survival outcomes
当使用观察数据对多种治疗对聚集生存结局的影响进行因果推断时，我们需要解决因果分析中多水平数据结构、多种治疗、删失和未测量混杂的影响。很少有现成的因果推断工具可用于同时解决这些问题。我们开发了一个灵活的随机截距加速失效时间模型，在该模型中，我们使用贝叶斯加性回归树来捕获截尾生存时间和预处理协变量之间的任意复杂关系，并使用随机截距来捕获特定于簇的主效应。我们开发了一个有效的马尔可夫链蒙特卡罗算法得出后验推论的人口生存的影响，多种治疗和研究的变化，集群水平的影响。我们进一步提出了一种可解释的敏感性分析方法，以评估得出的关于处理效应的因果推断对偏离无未测量混杂的因果假设的潜在幅度的敏感性。扩展的模拟经验验证，并证明我们提出的方法具有良好的实际操作特性。将所提出的方法应用于从国家癌症数据库中提取的老年高风险局部前列腺癌患者的数据集，我们评估了三种治疗方法对患者生存率的比较效果，并评估了潜在的未测量混杂因素的影响。在这项工作中开发的方法是很容易在$\textsf{R}$包$\textsf{riAFTBART}$。
2022-02-16 stat.AP stat.ME
Causal Effect Estimation for Multivariate Continuous Treatments
因果推断广泛应用于生物学、心理学和经济学等领域。在观察研究中，我们需要在估计因果效应之前对协变量进行平衡。本研究将一维熵平衡法扩展到多维，以平衡协变量。提出了估计多变量连续处理因果效应的参数和非参数方法，并给出了这两种估计的理论性质。仿真结果表明，该方法在各种情况下都优于其他方法。最后，我们应用该方法分析了吸烟时间和频率对医疗费用的影响。研究结果表明，吸烟频率会显著增加医疗费用，而吸烟时间不会显著增加医疗费用。
2022-05-18 stat.AP stat.ME
Causal Bias Quantification for Continuous Treatments
Amazon（亚马逊）；Massachusetts Institute of Technology（麻省理工学院）
我们将边际因果效应的定义扩展到连续治疗环境中，并在结构因果模型的框架内开发了一种新的因果偏差表征。我们证明，我们推导的偏差表达式为零，当且仅当，因果效应是通过协变量调整识别。我们表明，在结构方程的一些限制下，因果偏差可以有效地估计，并允许因果正则化的预测概率模型。我们证明了我们的方法的有效性，因果偏差量化在各种设置（不）控制某些协变量将引入因果偏差。
2022-01-30 cs.AI cs.LG stat.ME
Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation
Texas A&M University（德克萨斯农工大学）；Shell USA Inc（壳牌美国公司）
针对空间观测研究中处理效应随空间变化且受空间混杂影响的问题，提出图分裂贝叶斯因果森林（GSBCF），融合GS-BART与贝叶斯因果森林框架，通过图引导分裂规则建模空间结构，实现更精确的HTE估计与不确定性量化。
2026-09-30 stat.ME stat.ML
Connections as treatment: causal inference with edge interventions in networks
Sun Yat-sen University（中山大学）；Xiamen University（厦门大学）
本文提出了一种网络边干预的因果推断框架，通过指数随机图模型估计边概率，用于分析交通网络中铁路连接对区域经济的影响。
2026-01-12 stat.AP stat.ME
