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
Estimating Causal Effects From Nonparanormal Observational Data
科学的基本目标之一是解开特定系统的因果链。特别是对于大型系统，这可能是一项艰巨的任务。详细的干预和随机数据采样方法可以用来解决因果关系的问题，但对于许多系统，这样的干预是不可能的或太昂贵，以获得。最近，Maathuis et al.（2010）遵循Spirtes et al.（2000）的思想，引入了一个框架来估计大规模高斯系统中的因果效应。通过将因果网络描述为有向无环图，即使对于非高斯系统，也可以估计一类一致地描述潜在因果相互作用的马尔可夫等价系统。在这些系统中，因果效应不再是线性的，不能再用单一的系数来描述。本文导出了非高斯分布的一个大子类（称为非超正态分布）中因果效应的一般函数形式。我们还得到了一个方便的近似，它可以有效地用于估计。我们将该方法应用于观察基因表达数据集。
2016-11-29 stat.ME
Nonparametric causal inference from observational time series through marginal integration
从观测数据中进行因果推断是一项雄心勃勃但高度相关的任务，具有从自然科学到社会科学的多种应用。在非参数时间序列的范围内，通过干预定义的因果推断（参见Pearl（2000））在很大程度上是未探索的，尽管时间顺序大大简化了问题。我们考虑一个边际积分方案，用于从观测的时间序列数据推断因果效应，MINT-T（时间序列中的边际积分），这是Ernest和Bühlmann（Electron. J. Statist，pp. 3155-3194，第9卷，2015）。我们的平稳随机过程的方法是完全非参数的，并假设没有瞬时效应始终恢复总的因果关系的一个单一的干预与最佳的一维非参数收敛速度$n^{-2/5}$假设正则条件和两次可微的某个相应的回归函数。因此，MINT-T在很大程度上不受维数灾难的影响，只要在更高的维度中保持平滑条件，并且它对于大类平稳时间序列是可行的，包括非线性和多变量过程。对于瞬时效应的情况下，我们提供了一个程序，防止假阳性的因果关系陈述。
2016-12-21 stat.ME
Flexible sensitivity analysis for causal inference in observational studies subject to unmeasured confounding
本文提出一个灵活的敏感性分析框架，可同时处理逆概率加权、结果回归和双重稳健估计量，以应对观察性研究中未测量混杂导致的偏差，并开发了R包saci实现该方法。
2024-03-29 stat.ME
Embarrassingly Causal: Causal Use of Associational Data in Magic The Gathering Drafts
The Pennsylvania State University（宾夕法尼亚州立大学）
本文探讨了在《魔法觉醒》卡牌抽取中，利用观察性数据进行因果推断的可行性，提出'令人尴尬的因果性'标准，认为在某些情况下，即使存在混杂因素，观察性数据仍可有效指导决策。
2026-04-20 stat.ME
Choosing the Causal Estimand for Propensity Score Analysis of Observational Studies
本文系统比较ATT、ATU、ATE和ATO四种因果估计目标的假设与解释，为医学研究者正确选择估计目标、实施倾向评分方法及解读观察性研究结果提供指导。
2023-07-11 stat.ME
Maximum Entropy Estimation of Heterogeneous Causal Effects
该研究针对因果推断中无强可忽略处理分配假设的场景，提出用最大熵原理估计异质性因果效应的方法，得出关联部分虚假部分因果的审慎结论，并应用于大麻与硬毒品使用的关联分析。
2024-07-11 stat.ME
A review of some recent advances in causal inference
我们给出了一个有选择性的审查因果推断，为研究人员谁不熟悉图形模型和因果关系的一些最新进展，并侧重于适用于大数据集的方法。我们主要解决从观测数据估计因果效应的问题。例如，可以考虑从野生型基因表达数据，即从不进行任何基因敲除实验而获得的基因表达测量值，来估计单个或多个基因敲除的影响。我们假设观测数据是从一个因果结构中产生的，这个因果结构可以用一个有向无环图（DAG）来表示。首先，我们讨论了因果效应的估计时，潜在的因果DAG是已知的。然而，在大规模网络中，因果DAG通常是未知的。接下来，我们讨论因果结构学习，即从观察数据中学习有关因果结构的信息。然后，我们结合这两个部分，并讨论方法来估计（上界）的因果关系的因果结构是未知的时，从观测数据。我们还说明了这种方法上的酵母基因表达数据集。最后，我们提到几个扩展所讨论的工作。
2015-06-25 stat.ME
A novel decomposition to explain heterogeneity in observational and randomized studies of causality
New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）；Columbia University（哥伦比亚大学）；University Paris Est Creteil（巴黎东克雷泰尔大学）
本文提出一种新框架，通过分解不同研究间的因果效应异质性，探讨观察性与随机研究中的治疗效应差异来源，验证了方法在模拟研究和MTO研究中的应用价值。
2026-06-08 stat.ME
Causal Inference from Observational Studies with Clustered Interference
从观察性研究中推断因果关系是具有挑战性的，因为参与者不是随机接受治疗的。传染病研究中的观察性研究提出了额外的挑战，即一名参与者的治疗可能会影响另一名参与者的结果，即，可能存在干扰。在本文中，最近的方法来定义因果效应的干扰的存在被认为是，并提出了新的因果被估量专门用于观察性研究。先前定义的被估量针对的是反事实情景，在这种情景中，个体以相等的概率独立地选择治疗。然而，在集群内个体之间存在干扰的情况下，同一集群中个体之间的治疗选择可能不太可能独立。拟议的因果被估量，而不是描述反事实的情况下，治疗选择的相关性结构是相同的，在观察到的数据分布，允许在个别治疗选择集群内的依赖性。这些被估量可能更相关的政策制定者或公共卫生官员谁希望量化的影响，增加治疗的个人在人口中的比例。逆概率加权估计这些被估量提出。估计量的大样本性质的推导，并提出了一个模拟研究，证明有限样本性能的估计。所提出的方法是通过分析孟加拉国超过10万人的霍乱疫苗接种研究数据来说明的。
2017-11-13 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
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
Leveraging specificity for causal inference in observational studies
本文提出一个正式定量框架，利用因果特异性假设在观察性研究中调整未测量混杂，适用于多治疗多结局的因果推断，并支持敏感性分析。
2025-06-23 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
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
A Causal Framework for Observational Studies of Discrimination
在歧视研究中，研究人员经常试图估计种族或性别对结果的因果影响。例如，在刑事司法方面，人们可能会问，如果被捕者是不同种族，他们是否会随后被起诉或定罪。人们早就知道，这样的反事实问题面临着与遗漏变量偏差相关的测量挑战，以及与基本不变特征的因果被估量定义相关的概念挑战。另一个令人关切的问题是治疗后的偏见，这是最近辩论的主题：许多关于歧视的研究以明显的中间结果为条件，例如被逮捕，而这些结果本身可能是歧视的产物，可能会破坏统计估计。然而，我们有理由感到乐观。通过仔细定义的被估量-并考虑事件的精确时间-我们表明，在歧视研究的兴趣的主要因果量可以估计下，可能持有大约在一些观察设置的可验证性条件。我们通过分析模拟数据和美国一个大县检察官办公室的指控决定来说明这些想法。
2022-04-04 stat.ME
Data Integration in Causal Inference
整合来自多个异质来源的数据已变得越来越流行，以实现大样本量和多样化的研究人群。本文回顾了因果推断方法的发展，该方法结合了从潜在异质性人群中通过潜在不同设计收集的多个数据集。我们总结了随机临床试验与观察性研究或历史对照的外部信息相结合的最新进展，当没有单个样本具有所有相关变量时，将样本组合起来应用于双样本孟德尔随机化，在隐私问题下使用真实世界数据进行比较有效性和安全性研究的分布式数据设置，贝叶斯因果推断和因果发现方法。
2021-10-03 stat.ME
Asymptotic causal inference with observational studies trimmed by the estimated propensity scores
观察性研究的因果推断通常依赖于不同治疗组中协变量分布的不混淆和重叠假设。当某些单元的倾向得分接近0或1时，就违反了重叠假设，因此实践和理论研究人员都建议放弃具有极端估计倾向得分的单元。然而，现有的修剪方法忽略了在这个设计阶段的不确定性和限制的推断只修剪样本，由于非光滑的修剪。我们提出了一个平滑加权，它近似于现有的样本修剪，但具有更好的渐近性质。新的平滑加权估计量的一个优点是它的渐近线性，这确保了自助法可以用来对目标人群进行推断，并结合了设计和分析阶段产生的不确定性。我们还将理论扩展到对治疗的平均处理效应，建议修剪估计倾向得分接近1的样本。
2022-07-15 stat.ME
Anchor regression: heterogeneous data meets causality
我们考虑从一组协变量中预测一个响应变量的问题，这些协变量在一个数据集上的分布与训练数据不同。因果参数是最佳的预测精度，如果在新的分布中，许多变量受到影响的干预措施或只有一些变量受到影响，但扰动很强。如果训练分布和测试分布相差一个偏移，那么因果参数可能过于保守，无法很好地执行上述任务。这激发了锚回归，一种利用外生变量通过考虑最小二乘损失的修改来解决因果极大极小问题的松弛的方法。该过程自然地提供了普通最小二乘和两阶段最小二乘的解决方案之间的插值。我们证明了估计满足预测保证的分布鲁棒性对线性类中的移位，这些保证是有效的，即使违反了工具变量的假设。如果锚回归和最小二乘法提供相同的答案（锚稳定性），我们建立OLS参数在某些分布变化下是不变的。锚回归的经验表明，以提高可复制性和防止分布的变化。
2020-05-08 stat.ME
Combining multiple observational data sources to estimate causal effects
大数据时代见证了用于统计分析的多个数据源的日益可用性。我们考虑将大的主数据与不可测量的混杂因素和较小的验证数据与这些混杂因素的补充信息相结合来估计因果效应。在完全观察到混杂因素的无混杂性假设下，较小的验证数据允许构造因果效应的相合估计量，但较大的主数据一般只能给出易错估计量。然而，通过以原则性的方式利用大主数据中的信息，我们可以提高估计效率，同时保留仅基于验证数据的初始估计量的可靠性。我们的框架适用于渐近正态估计，包括常用的回归插补，加权和匹配估计，并不需要一个正确的规范的模型相关的不可测量的混杂因素的观察变量。我们还提出了适当的自举程序，这使得我们的方法直接使用现有的估计软件例程来实现。
2021-08-21 stat.ME
Nonparametric heterogeneous causal mediation with orthogonal machine learning
Yale School of Public Health（耶鲁大学公共卫生学院）
提出正交机器学习框架估计条件异质性中介效应，通过加权Neyman正交损失和两阶段元学习实现，模拟中误差降低超50%，并在三个数据集上揭示异质性效应。
2026-09-10 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
Balancing Weights for Causal Inference in Observational Factorial Studies
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
Causal predictive inference and target trial emulation
观察性数据的因果推断可视为与观察性研究匹配的假设人群规模随机试验产生的缺失数据问题。这将目标试验方案与相应的生成预测模型联系起来进行推理，为因果假设和处理效应的统计不确定性的透明沟通提供了一个完整的框架，而不需要反事实。这项工作的直观基础是，整个人群的随机试验将为任何可观察到的因果问题提供确定的答案。因此，我们的因果推断的基本问题是假设的目标试验数据的缺失，我们通过从以观察数据为条件的生成预测模型中重复插补来解决这个问题。因果假设映射到预测模型跨人群和条件的可移植性的直观条件。我们展示了我们的方法在一个真实的数据应用，研究母亲吸烟对出生体重的影响，使用贝叶斯添加剂回归树和逆概率加权的扩展。
2022-07-25 stat.ME
Causaltoolbox---Estimator Stability for Heterogeneous Treatment Effects
估计异质性处理效应在许多领域中变得越来越重要，并且生死决定现在基于这些估计：例如，选择个性化的医学治疗过程。最近，各种程序依赖于不同的假设已经提出了估计异质性处理效应。不幸的是，没有令人信服的方法，允许识别的程序，具有最接近的过程中产生的数据集的研究和研究人员经常任意选择一个假设。这种方法冒着做出依赖于不正确假设的推论的风险，并给实验者太多的$p$ -黑客攻击的空间。单一的估计器也会倾向于忽略其他估计器可能已经拾取的模式。我们认为，许多已发表的论文的结论可能会改变一个不同的估计被选中，我们建议，医生应该评估许多估计和评估他们的相似性时，调查异质性处理效应。我们证明了这一点，通过应用28个不同的估计程序的模拟观测数据集，这种分析表明，不同的估计程序可能会得到截然不同的估计。我们还提供了一个可扩展的\texttt{R}软件包，使从业者可以直接遵循我们的建议。
2019-03-28 stat.ME
Causal Inference on Win Ratio for Observational Data with Dependent Subjects
通常使用复合终点，预期临床相关终点作为一个整体将产生有意义的治疗获益。胜率是一种基于排名的统计数据，用于总结复合终点，允许优先考虑复合终点的重要组成部分。最近的发展统计推断的胜率统计一直集中在独立的主题，没有任何潜在的混杂。当使用观察性数据分析复合终点时，重要的挑战之一是基线时的混杂。此外，分层观察数据结构在实践中很常见，尤其是在患者嵌套在医院内的多中心研究中。这种层次结构可能会在分析中的观测值之间引入潜在的依赖性或聚类效应。为了解决这两个问题时，使用的胜率统计，我们提出了一个加权分层因果胜率估计校准的权重。校准的权重在比较组之间创建平衡的患者水平协变量和聚类效应分布。我们进行了广泛的模拟研究，并显示出有前途的性能，提出的估计偏差，方差估计，第一类错误和功率分析，无论分配的治疗分配在基线和集群内的相关性。最后，建议的估计适用于儿童创伤性脑损伤的观察性研究。
2022-12-13 stat.ME
Semiparametric Inference for Dynamic Causal Effects from Observational Time Series
The University of Hong Kong（香港大学）
针对观测时间序列中动态因果效应推断的挑战，提出结合去偏机器学习与工具变量的半参数框架，并验证其在货币政策应用中的有效性。
2026-09-24 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
Frameworks for Estimating Causal Effects in Observational Settings: Comparing Confounder Adjustment and Instrumental Variables
本文提出在假设可能违背时比较混杂因素调整与工具变量估计的原则，并通过多奈哌齐治疗 MCI 的实例说明方法选择。
2023-04-28 stat.ME
Statistical causal inference methods for observational research in PER: a primer
本文针对物理教育研究（PER）中观察数据的因果推断问题，介绍了统计因果推断的基本原理与方法，并通过模拟数据阐明混杂因素与中介变量的控制原则，最终提出观察研究应致力于为未来干预研究提供预测。
2023-05-23 physics.ed-ph stat.ME
Causal Interaction Trees: Tree-Based Subgroup Identification for Observational Data
我们提出了因果关系树，以确定亚组的参与者，增强了处理效应使用观察数据。我们扩展了分类和回归树算法，使用分裂标准，重点是最大限度地提高组间处理效应异质性的基础上，亚组特定的处理效应估计，以决定在算法中的决策。我们推导出三个亚组特定的处理效应估计，占观察性质的数据-逆概率加权，g-公式和双稳健估计的属性。我们使用模拟研究所提出的算法的性能，并在一项观察性研究中实施该算法，以评估右心导管插入术对危重患者的有效性。
2020-03-06 stat.ME stat.ML
How and Why to Use Experimental Data to Evaluate Methods for Observational Causal Inference
Leidos（莱多斯公司）
从观测数据中推断因果关系的方法是许多科学领域的核心，包括医学，经济学和社会科学。这些方法的各种理论特性已得到证明，但经验评价仍然是一个挑战，主要是由于缺乏已知处理效应的观察数据集。我们描述并分析了随机对照试验（OSRCT）的观察性抽样，这是一种使用随机对照试验（RCT）数据评估因果推断方法的方法。该方法可用于创建构建的观察数据集，并具有相应的处理效应的无偏估计，从而显著增加了可用于因果推断方法经验评价的数据集数量。我们表明，在预期中，OSRCT创建的数据集是等同于随机抽样的经验数据集，其中所有潜在的结果是可用的。然后，我们对7种因果推断方法进行了大规模评估，这些方法来自随机对照试验、模拟器、真实世界的计算系统以及用合成反应变量增强的观察数据集。当比较来自不同来源的数据时，我们发现了显着的性能差异，这表明了在评估任何因果推断方法时使用来自各种来源的数据的重要性。
2021-07-07 cs.LG 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
Heterogeneous Treatment Effects and Causal Mechanisms
Duke University（杜克大学）；New York University（纽约大学）
本文探讨了异质性处理效应如何支持因果机制的推断，指出需额外假设才能证明机制激活，并提供新的解释和研究设计指导。
2025-11-21 econ.EM stat.ME
Estimating complex causal effects from incomplete observational data
University of Jyväskylä（于韦斯屈莱大学）
尽管因果建模取得了重大进展，因果关系仍然是许多统计学家不熟悉的话题。在本文中，它是从开始到结束演示如何因果效应可以估计从观测数据假设的因果结构是已知的。为了使问题更具挑战性，因果效应是高度非线性的，数据是随机随机缺失的。估计中使用的工具包括设计因果模型、因果演算、多重插补和广义可加模型。主要的信息是，一个训练有素的统计学家可以通过明智地结合现有的工具来估计因果效应。
2014-07-02 cs.LG math.ST stat.ME
Causal discovery for observational sciences using supervised machine learning
因果推断可以估计因果效应，但除非通过实验收集数据，否则统计分析必须依赖于预先指定的因果模型。因果发现算法是从数据中构建因果模型的经验方法。已经存在几种渐近正确的方法，但它们通常在较小的样本上挣扎。此外，大多数方法集中在非常稀疏的因果模型，这可能并不总是现实的现实生活中的数据生成机制的代表。最后，虽然这些方法所提出的因果关系往往是正确的，但它们关于因果无关性的说法有很高的错误率。这种非保守的误差权衡对于观测科学来说并不理想，在观测科学中，所产生的模型直接用于告知因果推断：具有许多缺失因果关系的因果模型需要太强的假设，并可能导致有偏的效应估计。我们提出了一种新的因果发现方法，解决了这三个缺点：监督学习发现（SLdisco）。SLdisco使用监督机器学习来获得从观测数据到因果模型的等价类的映射。我们在基于高斯数据的大型模拟研究中评估了SLdisco，并考虑了模型大小和样本量的几种选择。我们发现，SLdisco是更保守的，只是适度较少的信息和较不敏感的样本量比现有的程序。我们还提供了一个真实的流行病学数据应用程序。我们使用随机二次抽样调查小样本的真实数据的性能，并再次发现，SLdisco是对样本量不太敏感，因此似乎更好地利用小数据集的信息。
2022-05-14 stat.ME stat.ML
Inferring Heterogeneous Causal Effects in Presence of Spatial Confounding
Uppsala University（乌普萨拉大学）
我们解决的问题，推断的因果关系影响的曝光结果在整个空间，使用观测数据。数据可能会受到未测量的混杂变量的影响，在标准方法中，必须通过估计滋扰函数进行调整。在这里，我们开发了一种方法，消除滋扰功能，同时减轻由此产生的错误的变量。其结果是一个强大的和准确的空间变化的异质因果效应的推断方法。该方法的性能证明合成以及来自德国和美国的实际数据。
2019-06-03 cs.LG stat.ME stat.ML
Estimating Heterogeneous Causal Mediation Effects with Bayesian Decision Tree Ensembles
因果推断文献越来越多地认识到，明确针对处理效应异质性可以提高科学认识和政策建议。为了达到同样的目的，研究治疗与结果之间的因果关系也是有用的。本文将在\emph{causal mediation analysis}的背景下解决这些问题。我们引入了一个基于贝叶斯加性回归树的变系数模型来识别和规范异质因果中介效应;类似于线性结构方程模型，这些效应对应于系数的协变量依赖性产物。我们发现，即使在协变量很少的大型数据集上，LSEM也可以对条件平均直接和间接效应产生高度不稳定的估计，而我们的\emph{Bayesian causal mediation forests}模型产生稳定的估计。我们发现，我们的方法是保守的，效果估计“缩小到同质性。我们使用来自医疗支出面板调查的数据和基于模拟数据的数据来检查我们方法的显著特性。最后，我们展示了如何将我们的模型与后验总结策略相结合，以识别有趣的子群并解释模型拟合。
2023-03-02 stat.AP stat.ME
Discussion on "Bayesian Regression Tree Models for Causal Inference: Regularization, Confounding, and Heterogeneous Effects" by Hahn, Murray and Carvalho
Hahn等人（2020）提供了一项广泛的研究，以解释和评估BCF模型在不同环境中的性能，并详细讨论了其在因果推断中的效用。这是一个受欢迎的除了因果机器学习文献。我将通过两个主题的讨论来强调BCF模型对因果推断领域的贡献：1）BCF模型中的PS和贝叶斯更新方法中的贝叶斯PS之间的差异，2）基于因果效应估计方法的结果建模中PS的作用的另一种阐述。最后，我将对未来涉及BCF的研究途径发表评论，这在大数据时代将是重要的和急需的。
2021-08-05 stat.ME stat.OT
Heterogeneous causal effects with imperfect compliance: a Bayesian machine learning approach
Harvard University（哈佛大学）；KU Leuven（鲁汶大学）；IMT School for Advanced Studies（IMT高等研究院）
本文介绍了一种创新的贝叶斯机器学习算法，用于在存在不完美依从性的情况下（例如，不定期分配机制）。我们表明，通过蒙特卡罗模拟，提出的贝叶斯因果森林与工具变量（BCF-IV）的方法优于其他机器学习技术的因果推断中发现和估计的异质因果效应，同时控制familywise错误率（或-不太严格-为错误发现率）在叶子的水平。第四个生物多样性合作框架揭示了工具变量假设情景中因果效应的异质性，从而为决策者提供了有针对性的政策的相关工具。其实证应用评估的影响，额外的资金对学生的表现。研究结果显示，BCF-IV可用于提高学校资助对学生表现的有效性。
2021-11-30 cs.LG stat.ME stat.ML
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
Combining Interventional and Observational Data Using Causal Reductions
University of Amsterdam（阿姆斯特丹大学）
未观察到的混杂是估计因果效应时的主要挑战之一。我们提出了一种因果简化方法，在给定因果模型的情况下，将任意数量的可能高维潜在混杂因素替换为单个潜在混杂因素，该潜在混杂因素在与治疗变量相同的空间中取值，而不改变因果模型所需的观察和干预分布。这使我们能够从合并数据中以原则性的方式估计因果效应，而不依赖于常见但往往不切实际的假设，即所有混杂因素都已被观察到。我们在三种不同的情况下应用我们的因果还原。在第一种情况下，我们假设治疗和结果是离散的。因果关系的减少，然后意味着可以利用估计目的的观察和干预分布之间的界限。在观测样本高度不平衡的某些情况下，可以通过合并观测数据来提高因果效应估计的准确性。其次，对于连续变量，假设线性高斯模型，我们推导出观测分布和干预分布参数的等式约束。第三，对于一般的连续设置（可能是非线性和非高斯），我们参数化的减少因果模型使用规范化流，一个灵活的类容易可逆的非线性变换。我们对合成数据进行了一系列实验，发现在几种情况下，在不牺牲准确性的情况下，添加观察训练样本可以减少干预样本的数量。
2023-02-22 cs.AI cs.LG stat.ME
Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data
本文提出一种将因果估计表述为经验风险最小化问题的系统性框架，通过交叉验证选取权重来结合实验与观测数据，有效克服了样本量与混杂偏差的矛盾，并验证了其有效性与可靠性。
2025-11-01 econ.EM stat.ME stat.ML
Analyses of 'change scores' do not estimate causal effects in observational data
背景资料：在纵向数据中，通常通过从随访时的测量值中减去基线时的测量值来创建“变化评分”，然后将所得“变化”作为结果变量进行分析。在观测数据中，这种方法可能会产生误导性的因果效应估计。本文使用有向无环图（DAG）和简单的模拟来提供一个可访问的解释，为什么变化分数不估计观测数据中的因果效应。研究方法：模拟数据以匹配三种一般情况，其中代表基线结局测量值的变量是1）竞争性暴露，2）混杂因素，或3）暴露对代表随访结局测量值的变量的总因果效应的中介因素。比较变化评分分析和DAG知情分析之间的回归系数。结果如下：变化评分分析不能提供有意义的因果效应估计值，除非代表基线结局测量值的变量是竞争性暴露，如在随机化实验中。如果这些变量（即结局的基线测量值）是混杂因素或中介因素，则从变化评分分析得出的结论与DAG知情分析的结论存在差异（可能存在实质性差异）。结论：未来寻求因果效应估计的观察性研究应避免分析变化分数，并采用替代分析策略。
2019-07-05 stat.AP stat.ME
Causal Graph Aided Causal Discovery in an Observational Aneurysmal Subarachnoid Hemorrhage Study
针对医学观察性研究目标不明确、缺乏过程调整工具的问题，本研究基于因果DAG提出可提供中途洞见、识别因果问题并指明数据库增强方向的方法，结合aSAH患者数据验证，还提出基于IV推断的多中心实践变化监测方法。
2024-08-12 stat.ME stat.ML
Generalization bound for estimating causal effects from observational network data
Guangdong University of Technology（广东工业大学）；Shantou University（汕头大学）
针对观测网络数据因果效应估计缺乏泛化界分析的问题，本文结合联合倾向得分重加权与IPM表示学习推导出泛化界，并据此提出加权回归方法，在真实网络半合成数据上验证了有效性。
2023-08-08 cs.LG stat.ME
Estimating Causal Effects with Observational Data: Guidelines for Agricultural and Applied Economists
本文针对农业与应用经济学多数因果研究依赖观测数据的现状，梳理了常用的观测数据因果效应估计方法，并为相关研究者提供评估、讨论识别策略等方面的实操指南。
2025-08-04 econ.EM stat.ME
A step towards the applicability of algorithms based on invariant causal learning on observational data
Universidad Politécnica de Madrid（马德里理工大学）
针对观测数据缺乏多环境的问题，提出一种高效生成训练环境的方法，将其与ICP结合用于因果发现，并改进以适用于多协变量数据集。
2023-04-05 cs.LG stat.ME
Causal Effect Estimation from Observational and Interventional Data Through Matrix Weighted Linear Estimators
ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Cambridge（剑桥大学）
本文研究在混淆线性回归模型中从观测和干预数据混合估计因果效应，提出基于矩阵加权线性估计量的方法，证明其渐近无偏，在混淆大且观测数据占比高时优于基线方法。
2023-06-09 cs.AI 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
Causal isotonic calibration for heterogeneous treatment effects
University of Washington（华盛顿大学）；University of Pennsylvania（宾夕法尼亚大学）
针对异质性处理效应预测器的校准问题，提出非参数因果等渗校准及无需留出集的交叉校准，并证明其在弱条件下具有快速双重稳健速率和无分布保证。
2023-06-06 cs.LG stat.ME stat.ML
CoBWeb: a user-friendly web application to estimate causal treatment effects from observational data using multiple algorithms
背景/目标：虽然随机对照试验是衡量因果关系的金标准，但如果使用适当的统计技术来解释各组间治疗前混杂因素的不平衡，则可以使用观察性研究的数据获得关于因果关系的可靠结论。倾向得分（PS）和平衡加权是有用的技术，旨在通过对组进行加权，使观察到的混杂因素尽可能相似，从而减少治疗组之间观察到的不平衡。研究方法：我们创建了CoBWeb，这是一个免费且易于使用的网络应用程序，用于从观察数据中估计因果处理效应，使用PS和平衡权重来控制混杂偏倚。CoBWeb使用多种算法来估计PS和平衡权重，以允许治疗指标和观察到的混杂因素之间的关系更加灵活（因为不同的算法对治疗协变量和混杂因素之间的结构关系做出不同（或没有）假设）。通过选择在平衡和有效样本量之间实现最佳折衷的算法，可以选择最优算法。结果如下：CoBWeb遵循从观察性研究数据中稳健估计因果处理效应所需的所有关键步骤，并包括未观察到的混杂因素的潜在影响的敏感性分析。我们说明了应用程序的实际使用，使用的数据集来自于对青少年物质使用障碍的干预研究，这是可供用户在应用程序环境中。结论：CoBWeb旨在使非专业人员能够理解和应用使用观察数据对因果处理效应进行稳健估计所需的所有关键步骤。
2021-12-09 stat.AP stat.ME
On Heterogeneous Treatment Effects in Heterogeneous Causal Graphs
North Carolina State University（北卡罗来纳州立大学）；University of California Irvine（加州大学欧文分校）；University of North Carolina Chapel Hill（北卡罗来纳大学教堂山分校）
针对医疗保健中的异质性与共病性挑战，本文提出异质因果图（HCGs）以刻画基于调节因子的异质因果效应（HCEs），推导了其理论性质，并开发交互式结构学习方法进行估计，经模拟与创伤幸存者精神障碍数据验证了有效性。
2023-06-25 cs.LG stat.AP stat.ME
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
