How Balanced Should Causal Covariates Be?
本文针对小样本下协变量平衡的精度问题，首次提出严格的非渐近分析，利用PAC-Bayesian技术推导出处理效应的有限样本置信区间，并优化正则化参数以权衡偏差与方差，提出一种适应性更强的新平衡算法，提升了因果推断的可靠性。
2025-03-05 stat.ME
Partially Retargeted Balancing Weights for Causal Effect Estimation Under Positivity Violations
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）
本文提出了一种新的平衡权重方法，在正性违反情况下通过放松平衡约束来减少偏差和方差，同时保持原始估计量的一致性。
2025-12-15 stat.ME
Distributional Balancing for Causal Inference: A Unified Framework via Characteristic Function Distance
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文提出基于特征函数距离的统一框架，用于非参数分布平衡，以提高因果推断的准确性，并通过理论分析和实证研究验证其有效性。
2026-02-05 stat.ME
Bayesian Weighted Mendelian Randomization for Causal Inference based on Summary Statistics
全基因组关联研究（GWAS）对数千种表型的研究结果为推断一种表型（暴露）对另一种表型（结果）的因果影响提供了前所未有的机会。孟德尔随机化（MR），一个工具变量（IV）的方法，已被引入使用GWAS数据的因果推断。然而，由于复杂性状/疾病的多基因结构和多效性的普遍存在，与常规IV方法相比，MR具有许多独特的挑战。我们提出了一个贝叶斯加权孟德尔随机化（BWMR）的因果推断，以解决这些挑战。在我们的BWMR模型中，弱效应的不确定性，由于多基因性已被考虑和违反IV假设，由于多效性已通过贝叶斯加权离群值检测解决。为了使基于BWMR的因果推断具有计算稳定性和高效性，我们提出了一种变分期望最大化（VEM）算法。此外，我们还导出了一个精确的封闭式公式，以纠正变分推断中经常被低估的后验协方差。通过全面的仿真研究，我们评估了BWMR的性能，证明了BWMR相对于其竞争对手的优势。然后，我们应用BWMR对130种代谢物和93种复杂的人类特征进行了因果推断，揭示了暴露与结果特征之间的新因果关系。BWMR软件可在https://github.com/jiazhao97/BWMR上获得。
2019-04-29 stat.ME
A Stable and Efficient Covariate-Balancing Estimator for Causal Survival Effects
针对条件独立删失数据的生存因果效应估计，提出经验稳定且渐近有效的协变量平衡方法，解决非参数方法因小概率倒数放大估计误差的问题，并通过合成与半合成实验验证理论结果。
2024-05-15 stat.ME stat.ML
General Bayesian inference for causal effects using covariate balancing procedure
针对观察性研究中倾向评分模型设定偏误会导致IPW估计有偏的问题，提出一种基于损失函数、无需全似然假设的概率化参数确定的通用贝叶斯因果推断方法，模拟与真实数据实验表现优异。
2025-03-20 stat.ME
End-to-End Balancing for Causal Continuous Treatment-Effect Estimation
Amazon.com, Inc.（亚马逊公司）；Wharton School of the University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
本文在逆倾向分数加权的框架下研究了连续处理的观察因果推理问题。为了获得稳定的权重，我们设计了一种基于熵平衡的新算法，该算法使用端到端优化来学习权重以直接最大化因果推理准确性。在优化过程中，这些权重会自动调整到所使用的特定数据集和因果推理算法。我们提供了一个理论分析，证明我们的方法的一致性。使用合成和真实世界的数据，我们表明，我们的算法估计因果关系比基线熵平衡更准确。
2022-07-10 cs.LG stat.ME stat.ML
Kernel-Distance-Based Covariate Balancing
观察性研究中常见的问题是正确评估因果效应，通常指的是平均处理效应或对被治疗者的平均处理效应。在本文中，我们提出了一种数据预处理方法，基于核距离的协变量平衡，观察性研究与二进制处理。该方法分别为治疗组和对照组产生一组单位权重，使得重新加权的协变量分布可以满足一组预先指定的平衡条件。这种预处理方法可以有效地减少后续因果效应估计的混杂偏倚。通过蒙特卡罗模拟实验和实际数据分析，我们展示了基于核距离的协变量平衡的实现和性能。
2021-01-10 stat.ME
Winner's Curse Free Robust Mendelian Randomization with Summary Data
针对经典孟德尔随机化（MR）分析中汇总数据存在的胜者诅咒和多效性问题，提出统一稳健MR框架，无需参数分布假设或完美工具筛选，可有效消除偏倚并实现因果效应的有效统计推断，经模拟和案例验证性能良好。
2025-08-24 stat.ME
Targeted Function Balancing: Flexible balancing weights that leverage strategic imbalance to estimate causal effects
Reed College（里德学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出目标函数平衡（TFB），一种灵活的协变量平衡权重方法，通过回归函数及其方差定义平衡，允许策略性保留不平衡以提高效率，并应用于估计高中数学课程对结果的影响。
2026-09-21 stat.ME
Data adaptive covariate balancing for causal effect estimation for high dimensional data
Division of Biostatistics and Health Data Science, University of Minnesota（明尼苏达大学生物统计与健康数据科学系）
本文提出一种非参数化直接平衡方法，利用随机森林自适应强调混杂因素，以提高高维数据中因果效应估计的准确性。
2025-12-19 stat.ME
Average Controlled and Average Natural Micro Direct Effects in Summary Causal Graphs
INSERM（法国国家健康与医学研究院）
本文研究摘要因果图中平均受控与自然微观直接效应的可识别性，给出存在隐藏混杂时的充分条件，并证明无混杂时调整识别条件的必要性。
2025-10-09 cs.AI stat.ME
Sparse Causal Effect Estimation using Two-Sample Summary Statistics in the Presence of Unmeasured Confounding
本文针对存在未测量混杂的双样本汇总统计量场景，提出稀疏因果效应工具变量估计量spaceTSIV，并证明其可识别性与一致性，通过模拟和真实数据验证其在药物靶点发现中的有效性。
2024-11-23 stat.AP stat.ME
Balancing Weights for Causal Inference in Observational Factorial Studies
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, Berkeley（加州大学伯克利分校）
本文提出了一种针对多因素观察性研究的加权方法，用于实现因子效应的无偏估计，同时处理缺失治疗组合和协变量平衡问题。
2025-12-02 stat.ME
Proximal causal inference through cross-proxy balancing
Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯大学布隆伯格公共卫生学院）；Yale University（耶鲁大学）
本文提出通过交叉代理平衡来理解近似因果推断，将治疗桥函数视为平衡条件，并证明其估计为平衡权重估计，同时为常见估计器的数值等价性提供条件。
2026-09-30 stat.ME
Balancing Approach for Causal Inference at Scale
本文提出可扩展的分布式算法 DistEB 和 DistMS，用于 entropy balancing 和 MicroSynth 两种协变量平衡方法，解决了大规模数据集下因果效应估计的计算效率问题，并在 Snap Inc. 部署了端到端系统。
2023-08-03 cs.DC stat.ME
Forest Kernel Balancing Weights: Outcome-Guided Features for Causal Inference
University of California, Berkeley（加州大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Texas, Austin（德克萨斯大学奥斯汀分校）
本文提出森林核平衡方法，利用树形模型隐含估计核特性，通过平衡基于结果的重要特征提升因果推断的统计与计算性能。
2026-08-19 stat.AP stat.ME
SurvCaus : Representation Balancing for Survival Causal Inference
LaMME（拉梅实验室）；Paris Saclay University / UEVE（巴黎萨克雷大学/埃夫里大学）；LaMME - CNRS（拉梅实验室-法国国家科学研究中心）；IBISC（IBISC实验室）
个体处理效应（ITE）估计方法在过去几年中越来越受欢迎。大多数情况下，个体效应更好地表示为条件平均处理效应（CATE）。最近，表征平衡技术在从观测数据进行因果推断方面获得了相当大的发展势头，但仍限于连续（和二元）结果。然而，在许多病理学中，关注的结果是（可能删失的）生存时间。我们的论文提出了一个代表性的平衡框架，适用于反事实推理的生存环境中使用的神经网络能够预测的事实和反事实的生存功能（然后CATE），在审查制度的存在下，在个人层面上的理论保证。我们还提出了广泛的实验合成和半合成数据集，表明所提出的扩展优于基线方法。
2022-03-29 cs.LG stat.ME stat.ML
A Focusing Framework for Testing Bi-Directional Causal Effects with GWAS Summary Data
孟德尔随机化（MR）是一种强大的方法，它使用遗传变异作为工具变量（IV）来推断可改变的暴露对结果的因果影响。虽然近年来已经看到了许多扩展的基本MR方法是强大的某些违反假设，很少有方法被提出来推断双向因果关系，特别是对有限的生物学理解的表型。水平多效性的存在增加了另一层复杂性。在这篇文章中，我们表明，常见的MR方法的假设往往是不可能的或过于严格的双向关系的存在。然后，我们提出了一个新的聚焦框架，用于测试可能具有多效性遗传变异的两个性状之间的双向因果效应。我们的建议可以与许多最先进的MR方法相结合。我们提供的第一类错误和所提出的方法的权力的理论保证。我们使用几个模拟和真实的数据集证明了所提出的方法的鲁棒性。
2022-03-14 stat.AP stat.ME
Differentially Private Covariate Balancing Causal Inference
Yale School of Public Health（耶鲁公共卫生学院）；University of Pittsburgh（匹兹堡大学）
本文针对隐私敏感场景下观测数据因果推断中协变量平衡与隐私保护难以兼顾的问题，提出一种差分隐私两阶段协变量平衡加权估计量，在给定隐私预算下同时提供具有一致性和速率最优性保证的点估计与区间估计。
2026-10-30 cs.CR cs.LG stat.ME
Identifying Macro Conditional Independencies and Macro Total Effects in Summary Causal Graphs with Latent Confounding
INSERM（法国国家健康与医学研究院）；ENS de Lyon（里昂高等师范学院）
本文研究了具有潜在混杂的摘要因果图，明确区分了宏观与微观条件独立性及总效应，证明了d-分离和do-演算在识别宏观条件独立性和宏观总效应时的可靠性与完备性，并给出了宏观总效应不可识别性的图特征化。
2024-12-20 cs.AI stat.ME
On Efficient Adjustment for Micro Causal Effects in Summary Causal Graphs
INSERM（法国国家健康与医学研究院）
本文提出在总结因果图中更简单有效的调整方法，以识别更广泛的因果效应调整集，并优化因果效应估计的方差。
2025-12-23 cs.AI stat.ME
Causal Mediation Analysis Leveraging Multiple Types of Summary Statistics Data
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所）；University of Chicago（芝加哥大学）
全基因组关联研究（GWAS）的汇总统计表明，数百万个遗传标记与数万种表型之间存在因果关系。然而，潜在的生物学机制尚未阐明。我们可以在因果中介框架中实现对GWAS的必要解释，希望在遗传和下游变量之间建立一组稀疏的中介，但存在一些挑战。与现有的方法依赖于强有力的和不切实际的假设，我们解决了实际的挑战，在一个原则性的总结为基础的因果推断框架。我们在从真实世界的遗传数据生成的广泛模拟中分析了所提出的方法。我们证明了只有我们的方法可以准确地挽救因果基因，即使不知道实际的个人水平的数据，尽管存在竞争的非因果线索。
2019-01-24 cs.LG q-bio.GN stat.ML
Inference of nonlinear causal effects with GWAS summary data
针对GWAS汇总数据下传统因果推断仅限线性的局限，提出一种TWAS非线性因果效应推断方法，通过解耦边际效应与非线性变换实现稳健估计，成功识别出18个阿尔茨海默病致病基因。
2023-10-26 stat.AP stat.CO stat.ME
Integrating Randomized Controlled Trial and External Control Data Using Balancing Weights: A Comparison of Estimands and Estimators
针对RCT样本受限问题，研究整合外部对照数据，厘清不同因果估计量并提出基于平衡权重的估计器，模拟揭示其偏倚与效率随数据相似性而变化。
2025-02-19 stat.ME
Proximal Balancing for Causal Effect Estimation under Unmeasured Confounding
针对未测量混杂下的因果效应估计，提出近端平衡方法，通过学习协变量和代理的低维摘要实现组间可比，无需逆问题或潜模型，并提供理论保证与PROBE算法。
2026-10-22 cs.LG stat.ME stat.ML
Propensity Score Weighting for Causal Inference with Multiple Treatments
在观察性研究中，多组之间的因果或无混杂的描述性比较很常见。从卫生服务研究中的种族差异研究的动机，我们提出了一个统一的倾向得分加权框架，平衡权重，估计因果关系的影响与多种治疗。这些权重包括广义倾向得分，以平衡每个治疗组的加权协变量分布，所有权重均朝向共同的预先指定的目标人群。这类平衡权包括几种现有的方法，如逆概率权和修剪权作为特殊情况。在这个框架内，我们提出了一套基于线性对比的目标被估量。我们进一步发展了广义重叠权重，构造为逆概率权重和广义倾向得分的调和平均值的乘积。广义重叠加权方案对应于多种治疗之间协变量重叠最多的目标人群。这些权重是有界的，因此绕过了极端倾向的问题。我们证明了广义重叠权重最小化了平衡权重类内两两对比的矩加权估计量的总渐近方差。我们考虑两个平衡检查准则，并提出了一个新的三明治方差估计估计广义重叠权重的因果效应。我们应用这些方法来研究种族之间的差异，在医疗支出的几个种族群体使用2009年医疗支出面板调查（MEPS）数据。仿真结果与现有方法进行了比较。
2019-06-29 stat.ME
Kernel-Based Functional Balancing for Causal Inference with Compositional Treatments
University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对成分处理（暴露位于单纯形）的因果效应估计，提出基于核的协变量函数平衡加权法，通过最小化再生核希尔伯特空间中的最坏情况平衡误差构造权重，并构建增强加权估计量，实现√n一致性。
2026-06-19 stat.ME stat.ML
Energy Balancing of Covariate Distributions
因果比较的偏倚与治疗组间协变量的分布不平衡直接对应。加权策略（如逆倾向得分加权）试图通过对治疗分配机制建模或平衡指定的协变量矩来减轻偏倚。本文介绍了一种新的加权方法，称为能量平衡，而不是旨在平衡加权协变量分布。通过直接针对分布不平衡，所提出的加权策略可以灵活地用于各种因果分析，包括估计平均处理效应和个体化处理规则。我们的能量平衡权重（EBW）的方法有几个优势，现有的加权技术。首先，它提供了一种无模型和鲁棒的方法来获得协变量平衡，不需要调整参数，避免了对手头科学问题的次要性质的建模决策的需要。第二，由于这种方法是基于一个真正的衡量分布平衡，它提供了一种手段来评估平衡所引起的一组给定的权重为给定的数据集。最后，所提出的方法是计算效率，并在温和的条件下具有理想的理论保证。我们证明了这种EBW方法的有效性，在一套模拟实验，并在右心导管插入术的安全性和留置动脉导管的影响的研究。
2022-03-11 stat.ME
DeepMatch: Balancing Deep Covariate Representations for Causal Inference Using Adversarial Training
我们研究最佳协变量平衡的因果推断从观测数据时，丰富的协变量和复杂的关系，需要灵活的建模与神经网络。标准的方法，如倾向加权和匹配/平衡失败，在这样的设置，由于错误校准的倾向网和不适当的协变量表示，分别。我们提出了一种新的方法，基于对抗性训练的加权和一个神经网络，有效地解决了这一方法上的差距。通过该方法的新理论表征以及使用全连接架构学习复杂关系和卷积架构处理图像混淆的经验结果来证明这一点，展示了这种新方法如何在这些具有挑战性的环境中实现强大的因果分析。
2018-02-15 stat.ML
Covariate balancing for causal inference on categorical and continuous treatments
该研究提出基于最优协变量平衡逆概率加权的分类与连续处理因果估计量，证明其统计性质并通过模拟和真实数据集验证，揭示BMI对自评健康下降的非线性影响。
2021-02-28 math.ST stat.ME stat.TH
Temporal-Spatial Entropy Balancing for Causal Continuous Treatment-Effect Estimation
Huolala.cn, Inc（货拉拉公司）
针对城域货运中传统因果效应估计方法时空维度精度不足的问题，提出基于灵活时空网格划分的TS-EBCT连续熵平衡方法，经多数据集验证有效提升了因果效应预测精度，可优化补贴定价策略。
2023-12-19 cs.AI cs.LG stat.ME
Functional Data Analysis with Causation in Observational Studies: Covariate Balancing Functional Propensity Score for Functional Treatments
函数数据分析处理各种科学领域中的曲线、曲面、体积、流形等数据，是近几十年来现代统计学和数据科学中迅速发展的领域。函数变量对结果的影响是函数数据分析中的一个重要主题，但大多数相关研究仅限于相关效应而不是因果效应。本文首次尝试在观察性研究中研究功能变量作为治疗的因果效应。尽管缺乏一个概率密度函数的功能治疗，倾向得分是适当的定义在一个多元替代。提出了两种协变量平衡方法来估计倾向得分，这使得治疗和协变量之间的相关性最小化。仿真研究表明，该方法在协变量平衡和因果效应估计方面都具有良好的性能。所提出的方法被应用于研究人体内脏脂肪组织的体型的因果关系。
2020-08-20 stat.AP stat.ME
Revisiting the propensity score's central role: Towards bridging balance and efficiency in the era of causal machine learning
大约40年前，罗森鲍姆和鲁宾（Rosenbaum & Rubin，1983）在一篇开创性的文章中，将倾向得分作为观察性研究中得出因果推断的核心量，并对其进行了批判性的描述。在此后的几十年里，因果推断的几个研究前沿取得了很大进展，特别是包括重新加权和匹配范式。专注于前者，特别是它与机器学习和半参数效率理论的交叉点，我们重新审视的倾向得分在现代方法论的发展中的作用。由于Rosenbaum和Rubin（1983）的贡献引起了对倾向得分的平衡性质的关注，我们重新检验了这种性质在因果效应的渐近有效估计量的发展中发挥作用的程度和方式;此外，本发明还我们讨论了平衡性质和有效估计之间的联系，并以得分方程的形式提出了一个得分测试，用于评估一个估计器实现平衡。
2022-09-30 stat.ME
Balancing Weights for Causal Mediation Analysis
The University of Tokyo（东京大学）
本文提出了一种通过直接惩罚权重分散并强制协变量和中介变量平衡的方法，以提高因果中介分析中估计器的稳定性和准确性。
2025-12-10 econ.EM stat.ME
A tutorial comparing different covariate balancing methods with an application evaluating the causal effects of substance use treatment programs for adolescents
随机对照试验是衡量因果效应的金标准。然而，它们往往并不总是可行的，因果处理效应必须根据观察数据进行估计。观察性研究不允许关于因果关系的强有力的结论，除非统计技术解释了各组之间治疗前混杂因素的不平衡，同时关键假设成立。倾向得分和平衡加权（PSBW）是有用的技术，旨在通过对观察到的混杂因素进行组间加权以减少治疗组间的不平衡。有许多方法可用于估计PSBW。然而，目前尚不清楚先验，这将实现协变量平衡和有效样本量之间的最佳权衡。此外，评估稳健估计所需处理效应所需关键假设的有效性至关重要，包括重叠和无未测量混杂假设。我们提出了协变量平衡策略的分步指南，包括如何评估重叠，获得PSBW的估计值，检查协变量平衡，以及评估对未观察到的混杂因素的敏感性。我们比较了几种估计方法的性能，使用案例研究检查物质使用治疗方案的相对有效性，并提供了一个用户友好的Web应用程序，可以实现所提出的步骤。
2021-05-15 stat.AP stat.ME stat.OT
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
Bias-Targeted Nonparametric Balancing for Stable Causal Mediation Analysis
Department of Mathematics and Statistics, Boston University（波士顿大学数学与统计系）
本文提出一种非参数加权平衡方法，用于稳定因果中介分析中的估计器，通过重新参数化似然函数减少连续中介变量带来的偏倚和方差。
2026-02-09 stat.ME stat.ML
Using Balancing Weights to Target the Treatment Effect on the Treated when Overlap is Poor
逆概率权重通常用于流行病学中，以估计观察性研究中的因果效应。研究人员通常可以集中在平均处理效应或平均处理效应的治疗与逆概率加权估计。然而，当处理组和对照组之间的重叠很差时，这可能会产生极端权重，从而导致有偏估计和大方差。逆概率权重的一个替代方案是重叠权重，其针对在观察到的特征上具有最多重叠的群体。虽然基于重叠权重的估计在这种情况下产生较少的偏差，但因果被估量可能难以解释。逆概率权重的一个替代方案是平衡权重，其直接针对估计过程期间的不平衡。在这里，我们探讨是否平衡权重允许分析师的目标平均处理效应的情况下，逆概率权重是有偏见的，由于穷人的重叠。我们进行了三个模拟研究和实证应用。我们发现，在许多情况下，平衡权重允许分析师仍然针对治疗的平均处理效应，即使重叠是穷人。我们发现，虽然重叠权重仍然是估计因果效应的一个关键工具，但可以通过使用平衡权重而不是逆概率权重来确定更熟悉的被估量。
2022-10-04 stat.AP stat.ME
Robust Estimation of Causal Effects via High-Dimensional Covariate Balancing Propensity Score
在本文中，我们提出了一个稳健的方法来估计平均处理效应的观察性研究中的潜在混杂因素的数量可能远远大于样本量。我们首先使用一类惩罚M-估计的倾向得分和结果模型。然后，我们通过平衡精心选择的预测结果的协变量子集来校准倾向得分的初始估计。最后，估计的倾向得分被用来构造逆概率加权估计。证明了当正确指定倾向得分模型且结果模型在协变量下是线性的时，所提出的估计具有样本有界性，是根-n相容的，渐近正态的，并且是半参数有效的.更重要的是，我们表明，我们的估计保持root-n一致和渐近正态，只要正确指定的倾向得分模型或结果模型。我们提供了有效的置信区间，在这两种情况下，并进一步扩展这些结果的情况下，结果模型是一个广义线性模型。在模拟研究中，我们发现，所提出的方法往往比现有的方法更准确地估计平均处理效应。我们还提出了一个实证的应用，在其中，我们估计的平均因果关系的影响，上大学的成年政治参与。有开放源码软件可用于实施拟议的方法。
2018-12-20 stat.ME stat.ML
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
Barycentric Fused Gromov-Wasserstein Balancing for Causal Inference under Multiple Treatments
NTT DOCOMO, INC.（NTT都科摩公司）；Yokohama City University（横滨市立大学）
针对多处理因果推断中现有成对平衡方法的复杂度高、局部结构保留差的问题，本文提出CIHSI-Net框架，基于BFG-WB目标实现高效全局对齐与局部结构保留，模拟及真实数据应用验证了其性能优势。
2026-08-25 cs.AI cs.LG stat.ME
Towards more plausible point-identifying assumptions in two-sample Mendelian randomization
Federal University of Pelotas（佩洛塔斯联邦大学）；University of Bristol（布里斯托大学）；University College London（伦敦大学学院）；Norwegian University of Science and Technology（挪威科技大学）
本文证明两样本孟德尔随机化的点识别假设比先前认为的更弱，即汇总水平同质性可由加性线性因果效应及异质性不相关性隐含，从而支持将方法解释为估计平均因果效应。
2026-10-28 stat.ME
Covariate balancing with measurement error
本文研究测量误差对协变量平衡的负面影响，并提出一类测量误差校正策略，以恢复协变量平衡、消除处理效应估计偏差。
2024-06-13 stat.ME
Causal Representation Learning with Optimal Compression under Complex Treatments
Shanghai University of Finance and Economics（上海财经大学）
本文提出一种新的多治疗一般化界限和理论估计器，解决了多治疗场景中个体治疗效应估计的超参数选择和维度灾难问题，通过治疗聚合策略实现了高精度和O(1)可扩展性。
2026-05-02 cs.LG stat.ME
Adversarial Balancing for Causal Inference
IBM Research（IBM研究院）；McGill University（麦吉尔大学）；IBM Research-Haifa（IBM海法研究院）
治疗观察数据的偏倚对估计不同人群的预期治疗结果构成了重大挑战。解释这些偏差的一个重要技术是重新加权样本，以最大限度地减少治疗组之间的差异。我们提出了一种新的重新加权的方法，使用双级优化交替训练的分类器，以最大限度地减少分类误差，和一个平衡权重生成器，使用指数梯度下降，以最大限度地提高这个错误。这种方法借鉴了生成对抗网络（GANs）的原理，利用分类器的能力来测量两个样本的分歧。我们提供了理论结果的条件下，估计误差是有界的两个因素：（i）的差异措施引起的误差;和（ii）的权重的变化。在几个基准测试上的实验结果表明，这种方法在估计因果效应方面是有效的。
2020-09-11 cs.LG stat.ML
Sliced $L^p$ Distributional Balancing
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出切片 $L^p$ 分布平衡（SLDB）方法，通过一维投影的 $L^p$ 距离加权平衡协变量分布，并开发高效算法及理论框架，实现因果效应的有效估计。
2026-09-29 stat.ME
Covariate balancing using the integral probability metric for causal inference
Seoul National University（首尔国立大学）
本文提出使用积分概率度量（IPM）进行协变量平衡，通过确定最优权重使处理组与对照组的加权经验分布差异最小，证明该方法在无需正确设定任何模型的情况下估计量仍保持一致，并在有限样本上以巨大优势优于现有加权方法。
2023-05-23 cs.LG stat.ML
Adversarial Balancing-based Representation Learning for Causal Effect Inference with Observational Data
Eindhoven University of Technology（埃因霍温理工大学）；University at Buffalo（布法罗大学）
从观测数据中学习因果效应对医疗保健、教育和社会学等各个领域都有很大的好处。例如，人们可以估计新药对特定个体的影响，以帮助临床计划并提高生存率。本文主要研究从观测数据中估计条件平均治疗效应（CATE）的问题。这个问题的挑战是双重的：一方面，我们必须推导出一个因果估计量估计的因果量从观察数据，存在混杂偏倚;另一方面，我们必须处理的识别CATE时，治疗组和对照组的协变量的分布是不平衡的。为了克服这些挑战，我们提出了一个神经网络框架，称为基于对抗平衡的表示学习因果效应推理（ABCEI），基于表示学习的最新进展。为了确保CATE的识别，ABCEI使用对抗学习来平衡潜在表征空间中治疗组和对照组中协变量的分布，而不对治疗选择/分配函数的形式进行任何假设。此外，在表示学习和平衡过程期间，来自原始协变量空间的高度预测信息可能丢失。ABCEI可以通过在互信息估计的正则化下保留用于预测因果效应的有用信息来解决这种信息损失问题。实验结果表明，ABCEI是强大的治疗选择偏见，并匹配/优于国家的最先进的方法。我们的实验在几个数据集上显示了有希望的结果，这些数据集代表了不同的医疗保健领域。
2020-10-16 cs.LG stat.ML
Mahalanobis balancing: a multivariate perspective on approximate covariate balancing
针对近似协变量平衡中阈值参数选择困难及矩约束无法完全捕捉分布差异的问题，提出Mahalanobis balancing方法，利用单一二次约束从多变量视角控制总体不平衡，并证明其对偶问题与正则化回归及倾向得分模型相关，有效推广至高维场景。
2024-04-28 stat.ME
Counterfactual Representation Learning with Balancing Weights
Duke University（杜克大学）
使用观察数据进行因果推断的关键是实现与每种治疗类型相关的预测特征的平衡。最近的文献探讨了表征学习，以实现这一目标。在这项工作中，我们讨论了这些策略的陷阱-例如实现平衡和预测能力之间的权衡-并通过因果学习中的平衡权重的整合提出了一种补救措施。具体来说，我们从理论上联系平衡的倾向估计的质量，强调确定一个适当的目标人群的重要性，并阐述了功能平衡和权重调整的互补作用。使用这些概念，我们然后开发了一个算法，灵活，可扩展和准确的因果关系的估计。最后，我们展示了如何学习加权表示可能有助于促进替代因果学习程序与吸引人的统计特征。我们进行了一系列广泛的实验合成的例子和标准的基准，并报告令人鼓舞的结果相对于国家的最先进的基线。
2021-02-24 cs.LG stat.ML
Causality and extremes
该研究总结极值因果推断的前沿方法，介绍分位数处理效应的极值方法、两类极值因果结构的可识别性及相关因果结构学习，并用Seine network数据集验证实用性，指明未来研究方向。
2024-03-08 stat.ME
Causal Meta-Mediation Analysis: Inferring Dose-Response Function From Summary Statistics of Many Randomized Experiments
在互联网行业中，使用离线开发的算法来为有助于企业成功的在线产品提供动力是很常见的。离线开发的算法由离线评估指标指导，这些指标通常与在线业务关键绩效指标（KPI）不同。为了最大限度地提高业务KPI，在所有可用的离线评估指标中选择北极星是很重要的。通过指出在线产品可以通过在线评估指标来衡量，在线评估指标是离线评估指标的在线对应物，我们将问题分解为两部分。由于离线A/B测试文献得出了第一部分：离线评估指标的反事实估计量，其移动方式与在线评估指标相同，因此我们关注第二部分：在线评估指标对业务KPI的因果影响。离线评估指标的北极星应该是其在线对应物导致业务KPI最显着提升的指标。我们建模的在线评价指标作为一个中介，并正式确定其因果关系的业务KPI的剂量反应函数（DRF）。我们的新方法，因果Meta中介分析，利用许多现有的随机实验的汇总统计，以确定，估计和测试的调解人DRF。它易于实施和扩大规模，并且与中介分析和荟萃分析的文献相比具有许多优点。我们证明了它的有效性，通过模拟和实际数据上的实现。
2020-06-17 math.ST stat.AP stat.ME
Generated outcomes as generated regressors: Equivalences in recursive causal estimation
CEMFI（马德里欧洲大学经济研究所）；Harvard University（哈佛大学）
本文研究递归因果估计中三种标准估计量（递归插入、递归平衡权重和递归双重稳健）在有限样本下的等价性，并分析岭惩罚下双重稳健估计量的向后递归性质。
2026-06-27 econ.EM stat.ME
