Propensity weighting plus adjustment in proportional hazards model is not doubly robust
本研究证明在比例风险模型中结合倾向性评分加权与调整无法实现双重稳健估计，仅在无因果效应零假设下一致，并提出两种对生存差异及一种对完整生存曲线的双重稳健替代估计方法。
2025-05-30 stat.ME
Propensity score weighting for causal inference with multi-stage clustered data
倾向得分加权是因果推断调整测量混杂因素的工具。调查数据通常是在复杂的抽样设计下收集的，如多级整群抽样，这给倾向得分建模和估计带来了挑战。此外，对于聚类数据，也可能存在与治疗和结局相关的未观察到的聚类效应。当这种未测量的混杂因素存在并且在倾向得分模型中被省略时，随后的倾向得分调整将是有偏倚的。我们提出了在存在不可测量的集群级混杂因素的情况下对多阶段集群数据进行校准的倾向得分加权调整。校准倾向得分，以平衡治疗组之间的设计加权协变量分布和聚类效应。特别是，我们考虑了越来越多的校准约束的集群，这是必要的，以消除渐近偏差，与未观察到的集群级混杂因素的数量增加。我们表明，我们的估计是强大的意义上，估计是一致的，没有正确的规范的倾向得分模型。我们将结果推广到多个治疗的情况。在模拟研究中，我们表明，所提出的估计是优于其他竞争对手。我们评估了学校体重指数筛查对宾夕法尼亚州小学超重和肥胖患病率的影响。
2016-07-26 stat.ME
Adjustment for Biased Sampling Using NHANES Derived Propensity Weights
加州大学欧文分校的同意联系（C2C）登记处收集社区参与者的数据，以帮助招募临床研究。自我选择进入C2C可能会导致偏见，部分原因是注册者相对于美国普通人群具有更多的教育年限。Salazar等人（2020）最近使用C2C来检查种族/民族与参与者愿意就研究进行联系的相关性。为了解决问题的普遍性估计协会，我们估计倾向自我选择到方便的样本权重使用的数据从全国健康和营养检查调查（NHANES）。我们创建了一个C2C和NHANES主题的组合数据集，并比较了不同的方法（逻辑斯谛回归，协变量平衡倾向得分，熵平衡和随机森林），以估计C2C相对于NHANES的成员资格的概率。我们提出的方法来估计方差的参数估计，占不确定性，估计倾向权重。模拟研究探讨了倾向权重估计对不确定性的影响。我们通过重复Salazar等人的分析来证明这种方法。推导出C2C受试者的倾向权重，并对比两种分析的结果。这个方法可以使用我们在GitHub上可用的R中的estweight包来实现。
2021-04-21 stat.AP stat.ME
A Propensity-Score Integrated Approach to Bayesian Dynamic Power Prior Borrowing
在随机对照试验（RCT）中，使用历史对照数据来增加小型内部对照组可以显著提高试验效率。它引入了潜在偏倚的风险，因为历史对照人群通常与RCT相当不同。已引入幂先验方法来贴现历史数据，以减轻总体差异的影响。然而，即使使用贝叶斯动态借用，可以根据两个人群的结果相似性对历史数据进行折扣，相当大的人群差异仍然可能导致适度的偏倚。因此，使用诸如逆概率加权或匹配之类的方法对总体差异进行鲁棒调整可以使借用更有效和鲁棒。在本文中，我们提出了一种新的方法集成倾向得分的协变量调整和贝叶斯动态借用使用功率先验。所提出的方法使用贝叶斯引导结合经验贝叶斯方法利用准似然确定功率先验。我们的方法的性能进行了检查的模拟研究。我们将这种方法应用于两项急性髓系白血病（AML）研究。
2022-10-04 stat.ME
Adjustment for Unmeasured Spatial Confounding in Settings of Continuous Exposure Conditional on the Binary Exposure Status: Conditional Generalized Propensity Score-Based Spatial Matching
Yale University（耶鲁大学）
本文提出基于条件广义倾向分数的空间匹配方法，用于校正连续暴露条件下的二元暴露状态下的未测量空间混杂因素，通过空间接近性和整合空间信息的广义倾向分数进行匹配，提高了因果效应估计的准确性。
2026-04-30 stat.AP stat.ME
The Propensity Score Estimation in the Presence of Length-biased Sampling: A Nonparametric Adjustment Approach
流行的队列研究的疾病持续时间的普遍使用，越来越多地要求适当的方法来解释的偏见，总是伴随着样本形成这样的数据。例如，众所周知，寿命较短的受试者不太可能参与此类研究。此外，某些协变量值可以优先选择到样本中，与长期生存者相关。使用流行病例收集的数据估计倾向评分的现有方法需要在给定治疗和协变量的情况下正确的条件生存/风险函数。如果所研究的疾病具有平稳的发病率，即所谓的平稳性假设，则可以减轻这一要求。我们提出了一种非参数调整技术的基础上加权估计方程估计的倾向得分，不需要建模的条件生存/风险函数时，平稳性假设成立。建立了估计量的大样本性质，并通过仿真研究了其小样本行为。
2013-11-06 math.ST stat.TH
Information projection approach to propensity score estimation for handling selection bias under missing at random
倾向得分加权被广泛用于提高自愿样本的代表性和纠正选择偏差。倾向得分通常使用抽样概率模型来开发，这可能会受到模型错误指定的影响。在本文中，我们考虑了另一种方法，估计逆的倾向得分使用的密度比函数满足自效率条件。通过求解信息在满足平衡分数矩条件的空间上的投影，得到平滑密度比函数。通过仅在密度比模型中包括结果回归模型的协变量，我们可以实现有效的倾向得分估计。惩罚回归用于识别重要的协变量。我们进一步扩展所提出的方法，多变量缺失的情况下。一些有限的模拟研究与现有的方法进行比较。
2022-07-19 stat.ME
Leveraging baseline covariates to analyze small cluster-randomized trials with a rare binary outcome
随机对照试验（CRT）涉及将整个参与者组（称为群集）随机分配到治疗组，但通常由有限或固定数量的可用群集组成。虽然协变量调整可以解释治疗组之间的机会不平衡，并提高个体随机试验的统计效率，但迄今为止，小型CRT中个体水平协变量调整的分析方法很少受到关注。在本文中，我们系统地调查，通过广泛的模拟，操作特性的倾向得分加权和多变量回归作为两个个人层面的协变量调整策略，估计参与者的平均因果效应，在小型CRT与罕见的二元结果，并确定的情况下，每个调整策略具有相对的效率优势，使其他实用的建议。我们还研究了与倾向得分加权和多变量回归相关的偏差校正三明治方差估计量的有限样本性能，用于量化估计参与者平均处理效应的不确定性。为了说明个体水平协变量调整的方法，我们重新分析了最近在31个儿科重症监护病房进行的CRT镇静试验。
2022-11-28 stat.ME
Bayesian Sparse Propensity Score Estimation for Unit Nonresponse
使用倾向得分的无应答加权调整是处理单元无应答的流行方法。然而，将所有可用的辅助变量包括到倾向模型中可能导致低效和不一致的估计，特别是对于高维协变量。本文提出了一种新的基于Spike-and-Slab先验的贝叶斯稀疏倾向得分估计方法。所提出的方法是不基于任何模型假设的结果变量，是计算效率。该方法不像许多频率论方法那样分别进行模型选择和参数估计，而是同时选择稀疏响应概率模型并提供一致的参数估计。所提出的方法的一些渐近性质。这种稀疏的倾向得分估计的效率进一步提高，通过将相关的辅助变量从全样本。在两个有限的模拟研究，包括韩国劳动和收入面板调查的部分模拟的真实数据的例子，所提出的方法的有限样本性能进行了研究。
2018-07-28 stat.ME
Estimating Causal Effects Under Interference Using Bayesian Generalized Propensity Scores
在大多数现实世界的系统中，单元是相互连接的，可以表示为由节点和边组成的网络。例如，在社会系统中，个人可以有社会联系、家庭或财务关系。在某些装置受到某种处理而其影响溢出到相连装置的情况下，估计处理的直接影响和溢出效应提出了若干挑战。首先，需要对溢出效应沿观测网络发生的方式和程度进行假设。其次，在观察性研究中，治疗分配不受研究者控制，混杂和同质性是识别和估计网络因果效应的潜在威胁。在这里，我们做了两个结构性假设：i）邻域干扰，假设干扰只通过近邻处理的函数起作用; ii）个体和邻域处理的无混淆性，排除了不可测量的混淆变量的存在，包括那些驱动同质性的变量。在这些假设下，我们开发了一个新的协变量调整估计的治疗和溢出效应的观察性研究网络。估计基于广义倾向得分，该分数在不同水平的个体治疗和暴露于邻居治疗的情况下平衡了各个单位的个体和邻居协变量。使用惩罚样条回归对倾向得分进行调整。推断利用了三步贝叶斯过程，该过程允许考虑倾向得分估计中的不确定性并避免模型反馈。最后，相互作用的单位的相关性考虑到使用社区检测算法，并将随机效应的结果模型。
2018-07-29 stat.ME
Sufficient Covariate, Propensity Variable and Doubly Robust Estimation
从观察性研究中进行统计因果推断通常需要对可能的多维变量进行调整，其中降维至关重要。由Rosenbaum和Rubin首先引入的倾向评分是这种减少的流行方法。我们在Dawid的决策理论框架内解决因果推理，其中必须注意足够的协变量及其属性。我们研究了一个倾向变量在正态线性模型中的作用。我们研究了基于人口和基于样本的线性回归，并对多变量协变量和倾向变量进行了调整。此外，我们还研究了反应模型和倾向模型组合下的增广逆概率加权估计。在具有同方差的线性回归中，证明了倾向变量提供与多元调整相同的估计因果效应。估计的倾向变量可以但不一定比真实倾向变量产生更好的精度。增广逆概率加权估计具有双重稳健性，如果正确指定倾向模型，则可以提高精度。
2015-01-30 math.ST stat.TH
Robust propensity score weighting estimation under missing at random
针对缺失数据下倾向得分加权估计的模型误设问题，本文基于信息投影与内部偏差校准提出一种高效、双重稳健且抗离群值的估计方法，理论性质与模拟均验证了其优越性。
2024-03-27 stat.ME
Propensity score-based estimators with multiple error-prone covariates
倾向得分方法是帮助减少非实验研究中混杂的重要工具。大多数倾向得分方法假设协变量的测量没有误差。然而，协变量的测量通常存在误差，如果真正的潜在协变量是实际的混杂因素，则会导致有偏倚的因果效应估计。虽然一些研究已经调查了一个单一的误测协变量估计因果效应的影响，并提出了处理测量误差的方法，几乎没有工作存在调查的情况下，多个协变量被误测。在本文中，我们通过广泛的模拟研究和真实数据分析，使用基于倾向得分的估计量估计因果效应时，多个易错协变量的后果。我们发现，当倾向得分模型包含误测的协变量时，因果效应估计值的偏差较小，而这些协变量的真实潜在值彼此之间存在很强的相关性。然而，当测量值\emph{errors}彼此相关时，引入了额外的偏差。此外，在倾向得分模型中，包括正确测量的辅助变量是有益的，这些辅助变量与混淆因素相关，而混淆因素的真实基础值是错误测量的。
2017-06-07 stat.ME
Doubly robust estimators for the average treatment effect under positivity violations: introducing the $e$-score
从观察数据中估计因果参数需要完全的混杂因素调整，以及每个治疗组的倾向得分的阳性，这两个假设之间通常存在权衡：混杂偏倚可能通过调整大量的治疗前协变量来减少，但阳性在分析中不太可能与治疗无关的预测因子，如工具变量。在经验正性违背下，倾向得分权重是高度可变的，双稳健估计具有高方差和大的有限样本偏差。为了解决这个问题，我们引入了$e$分数，它是通过倾向得分的降维定义的。这种降维是基于一个被称为协作双重稳健性的结果，该结果粗略地指出，仅以结果回归估计量的偏差为条件的倾向得分足以获得双重稳健性。我们提出了基于$e$ -score的双稳健估计的构造方法，并讨论了它们的性质，如一致性、有效性和渐近分布。这允许构造渐近有效的Wald型置信区间和假设检验。我们提出了一个说明性的应用估计吸烟对骨矿物质含量的影响，在青春期女孩和合成数据模拟说明我们提出的估计实现的偏差和方差减少和渐近正态性。
2019-02-27 stat.ME
Propensity score weighting for causal inference with clustered data
倾向得分加权是因果推断的一种工具，用于调整观察性研究中测量的混杂因素。在实践中，数据往往呈现复杂的结构，如聚类，这使得倾向得分建模和估计具有挑战性。此外，对于聚类数据，可能存在与治疗分配和结局均相关的未测量的聚类特异性变量。当存在此类未测量的集群特异性混杂因素，并且在倾向得分模型中被省略时，随后的倾向得分调整可能会有偏倚。在这篇文章中，我们提出了一个校准技术的倾向得分估计下的潜在可重复的治疗分配机制，即，考虑到观察到的协变量和潜在的集群效应，治疗-结果关系是无混杂的。当倾向得分和结果遵循广义线性混合效应模型时，我们提供了平均处理效应的一致倾向分数加权估计。建议的倾向得分加权估计是有吸引力的，因为它不需要规范的倾向得分和结果模型的功能形式，因此是强大的模型误指定。建议的加权方法可以结合抽样权重的综合解决方案，以处理混杂和抽样设计的因果推断与聚类调查数据。在模拟研究中，我们表明，所提出的估计是优于其他竞争对手。我们评估了学校体重指数筛查对宾夕法尼亚州小学超重和肥胖患病率的影响。
2017-03-17 stat.ME
Multiple imputation for propensity score analysis with covariates missing at random: some clarity on within and across methods
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）
本文澄清了倾向评分分析中处理随机缺失协变量的多重插补方法的适用性，指出内方法在全数据设定下一致，而现有跨方法不一致，提出改进的跨方法并推荐使用标准内方法。
2023-08-28 stat.ME
Regularized calibrated estimation of propensity scores with model misspecification and high-dimensional data
倾向得分法广泛用于估计观察性研究的处理效应。一种流行的方法是基于逻辑斯谛回归通过极大似然然估计倾向得分，然后应用逆概率加权估计或扩展来估计处理效应。然而，一个具有挑战性的问题是，这种包括双重鲁棒方法的逆概率加权方法即使在逻辑模型如通过常规技术检查的那样看起来足够时也可能表现不佳。此外，在处理大量协变量时，适当估计倾向得分的难度越来越大。为了解决这些问题，我们研究校准估计作为替代极大似然估计拟合逻辑倾向得分模型。我们发现，与可能的模型误设定，最大限度地减少校准估计的预期校准损失涉及减少预期的似然损失和相对误差的测量，控制逆概率加权估计的均方误差。此外，我们提出了一个正则化的校准估计最小化的校准损失与Lasso惩罚。我们开发了一种新的Fisher评分下降算法计算建议的估计，并提供了一个高维分析所产生的逆概率加权估计的人口手段，利用控制校准估计的相对误差。我们提出了一个模拟研究和实证应用，以证明所提出的方法相比，极大似然和正则化的优势。
2017-10-23 stat.ME
Propensity scores using missingness pattern information: a practical guide
电子健康记录是调查健康相关问题的有价值的数据来源，倾向得分分析已成为解决此类调查中混杂偏倚的日益流行的方法。然而，由于电子健康记录通常作为标准临床护理的一部分进行常规记录，因此通常存在缺失值，特别是对于潜在的混杂因素。在我们的激励性研究中--使用电子健康记录调查肾素-血管紧张素系统阻滞剂对急性肾损伤风险的影响--两个关键混杂因素，种族和慢性肾脏病分期，分别有$59\%$和$53\%$缺失数据。缺失模式法（MPA）是缺失指标法的一种变体，已被提出作为处理倾向得分分析中部分观察到的混杂因素的方法。在MPA中，分别估计数据中存在的每个缺失模式的倾向得分。虽然在文献中陈述了MPA有效性的基本假设，但在实践中很难评估其可行性。在本文中，我们探讨了MPA的基本假设，使用因果关系图来评估它们在一系列简单的情况下的可解释性，得出一般性的结论，在这些情况下，他们可能会被违反。我们提出了一个框架，为评估MPA的假设在特定环境中是否合理提供实用指导，从而决定MPA何时合适。我们将我们的框架应用于我们的激励研究，表明MPA的基本假设似乎是合理的，并且我们演示了MPA在本研究中的应用。
2019-01-13 stat.ME
Propensity Score Propagation: A General Framework for Design-Based Inference with Unknown Propensity Scores
Department of Biostatistics, New York University（纽约大学生物统计系）；School of Economics, Nankai University（南开大学经济学院）；Center for Data Science, Zhejiang University（浙江大学数据科学中心）
本文提出了一种新的设计基推断框架，即倾向分数传播，用于处理未知倾向分数的情况。该框架通过再生与联合过程将倾向分数估计的不确定性传播到下游推断中，无需假设超总体结果分布。该方法兼容参数和非参数倾向分数模型，并能与现有基于已知倾向分数的设计基方法无缝集成，适用于广泛的设计基推断问题。理论结果和模拟研究显示，该框架在名义覆盖方面表现良好，即使现有方法存在显著的覆盖不足。
2026-07-03 stat.ME
A Bayesian view of doubly robust causal inference
在因果推断中，混杂可以通过结果模型中的回归调整或通过倾向得分调整或治疗加权的逆概率或两者来控制。后者的方法，这是基于建模的治疗分配机制和他们的双重强大的扩展已经很难激励使用正式的贝叶斯参数，在原则上，基于似然性的推断，治疗分配模型可以发挥任何作用的推断有关的预期结果，如果模型被假定为正确指定。另一方面，通过允许错误指定结果和治疗分配模型来强制结果和治疗分配模型之间的依赖性，导致倾向得分的平衡属性的损失和任何双重稳健性的损失。在本文中，我们解释的框架中的错误指定的模型，为什么双重强大的推理不能产生纯粹的基于似然的参数，并通过模拟证明这一点。作为一种替代贝叶斯倾向得分分析，我们提出了一个贝叶斯后验预测方法构建双重稳健估计程序。我们的方法通过将贝叶斯因果推断中的逆治疗分配概率作为蒙特卡罗积分中的重要性抽样权重，适当地简化了结果和治疗分配模型。
2017-01-15 stat.ME
Robust Estimation of Propensity Score Weights via Subclassification
基于倾向得分的加权估计被广泛用于各种背景下的因果估计，例如观察研究、边际结构模型和干扰。它们具有吸引人的理论性质，例如在正确的模型规范下的一致性和可能的效率。然而，这种理论上的吸引力在实践中可能会被倾向得分模型的错误设定的敏感性所削弱。为了改善这一点，我们借用了一个想法，从另一种方法来因果效应估计在观察性研究中，即子分类估计。众所周知，与加权估计相比，子分类方法通常对模型误设具有更强的鲁棒性。本文首先讨论了看似无关的加权估计与子分类估计之间的内在联系，然后利用这种联系通过子分类构造稳健的倾向得分权重。我们通过提出所谓的全分类权重和伴随的估计量来说明这一想法，用于观察性研究中的因果效应估计。我们的新估计是一致的和强大的模型误设，从而结合传统的加权和子分类估计的优势，从观察性研究的因果效应估计。数值研究表明，所提出的估计执行有利的现有方法相比。
2021-10-05 stat.ME
Extension of Dynamic Network Biomarker using the propensity score method: Simulation of causal effects on variance and correlation coefficient
Yokohama City University（横滨市立大学）；The University of Tokyo（东京大学）
本文提出利用倾向分数匹配方法扩展动态网络生物标志物，通过模拟研究证明该方法能有效减少偏倚并提升组间比较效果。
2025-11-21 stat.AP stat.ME
Improve Efficiency of Doubly Robust Estimator when Propensity Score is Misspecified
本文提出倾向评分增广双重稳健（PAD）估计量，通过在PS模型中引入校准协变量并求解受限加权最小二乘问题，在PS模型错误而OR模型正确时显著降低ATT估计方差，同时保持双重稳健性。
2023-04-15 stat.ME
Propensity score weighting under limited overlap and model misspecification
倾向得分（PS）加权法常用于非随机研究，以调整混杂因素并评估处理效应。其中最受欢迎的是逆概率加权（IPW），根据观察到的协变量，分配与特定治疗分配的条件概率的倒数成比例的权重。IPW估计的一个关键要求是正性假设，即，PS必须远离0和1。在实践中，违反阳性假设通常表现为治疗组之间PS分布存在有限重叠。当这些实际的违规行为发生时，少量的高度影响的IPW权重可能会导致不稳定的IPW估计，有偏估计和大的方差。为了缓解这些问题，已经提出了许多替代方法，包括IPW修剪、重叠权重（OW）、匹配权重（MW）和熵权重（EW）。由于OW、MW和EW的目标人群是均衡的（并且有足够的重叠），并且它们的被估量取决于真实的PS，因此常见的批评是这些估计量可能对PS模型的错误指定更敏感。在本文中，我们进行了广泛的模拟研究，比较性能的IPW和IPW修剪对那些OW，MW和EW有限的重叠和误指定的倾向得分模型。在我们考虑的各种场景中，OW、MW和EW在偏差、根均方误差和覆盖概率方面始终优于IPW。
2020-11-02 stat.ME
Doubly Robust Estimation of Local Average Treatment Effects Using Inverse Probability Weighted Regression Adjustment
我们重新审视的问题，估计的局部平均处理效应（LATE）和局部平均处理效应的治疗（LATT）时，控制变量是可用的，要么使工具变量（IV）适当的外源性或提高精度。与以前的方法不同，我们的双重鲁棒（DR）估计程序使用准似然方法加权的IV倾向得分的倒数-所谓的逆概率加权回归调整（IPWRA）估计。通过正确选择倾向评分和结果模型的模型，确保拟合值在由响应变量确定的逻辑范围内，从而产生具有吸引人的小样本性质的LATE和LATT的DR估计量。无论是分析还是使用非参数自助法，推断都相对简单。我们的DR LATE和DR LATT估计器在模拟中运行良好。我们还提出了一个DR版本的Hausman检验，可用于评估unconfoundedness假设，通过比较不同的估计值的平均处理效应的治疗（ATT）在单侧不遵守。与比较OLS和IV估计值的常用检验不同，该程序对处理效应异质性具有稳健性。
2022-11-15 econ.EM stat.ME
Propensity Score Analysis with Guaranteed Subgroup Balance
针对观察性研究中倾向得分模型设定偏误导致的子组治疗效应估计偏差问题，提出G-SBPS及核化kG-SBPS算法，保障子组协变量平衡，提升估计准确性，并经数值研究与真实数据集验证有效。
2024-04-17 stat.ME
Using propensity scores for racial disparities analysis
倾向得分在因果推断中起着核心作用，但它的使用并不局限于因果比较。作为协变量平衡工具，倾向得分可用于成员不可操纵的组之间的受控描述性比较。一个突出的例子是医疗保健方面的种族差异。然而，在种族差异研究中使用倾向得分，概念上的混乱和犹豫仍然存在。在这篇评论中，我们认为，倾向得分，可能与其他方法相结合，是一个有效的工具，种族差异的分析。我们描述了相关的被估量，目标人群和假设。特别是，我们澄清，一个受控的描述性比较需要较弱的假设比因果关系比较。我们讨论了三种常见的倾向得分加权策略：重叠加权，逆概率加权和治疗加权的平均处理效应。我们进一步描述了如何结合权重与排名和替换调整方法，以产生符合医学研究所定义的种族差异估计。该方法是通过对医疗支出面板调查数据的重新分析来说明的。
2022-09-08 stat.AP stat.ME
Two-phase sampling experiment for propensity score estimation in self-selected samples
由于调查对象的调查参与倾向不同，因此经常获得自选样本。当调查参与与感兴趣的调查主题相关时，使用辅助信息进行倾向得分加权调整可能导致估计有偏。在本文中，我们考虑一个参数模型的响应概率，包括研究变量本身的协变量的模型，并提出了一种新的应用双重抽样估计的倾向模型的参数。所提出的方法包括一个实验，其中数据再次从原始的自选样本的一个子集收集。通过这个双重抽样实验，我们可以一致地估计倾向得分模型中的参数。然后，可以将倾向得分调整应用于自选择样本以估计总体参数。从两个有限的模拟研究的选择模型假设的敏感性。该方法适用于2012年爱荷华州党团调查。
2014-11-21 stat.AP
Navigated Weighting to Improve Inverse Probability Weighting for Missing Data Problems and Causal Inference
逆概率加权（IPW）被广泛用于解决包括因果推断的缺失数据问题，但是由于倾向得分模型误指定，可能遭受大的方差和偏差。为了解决这些问题，我提出了一种称为导航加权（NAWT）的估计方法，该方法利用适合于特定的预先指定的感兴趣参数（例如，对被处理者的平均处理效应）。由于这些预先指定的参数将每个单元的相对重要性确定为倾向得分的函数，因此NAWT在倾向得分估计中优先考虑重要单元，以提高效率和对模型错误指定的鲁棒性。我调查其大样本特性，并通过模拟研究和实证例子证明其有限样本的改进。一个实现NAWT的R包nawtilus已经开发出来，可以从Comprehensive R Archive Network（http：//cran.r-project.org/package=nawtilus）获得。
2020-08-04 stat.ME
Models for the Propensity Score that Contemplate the Positivity Assumption and their Application to Missing Data and Causality
通常假设广义线性模型拟合倾向得分，用于计算逆概率加权（IPW）估计。为了得到IPW估计量的渐近性质，假定倾向得分是有界远离cero的。这个条件在文献中称为严格正性（或正性假设），在实践中，当它不成立时，IPW估计量非常不稳定，并且具有很大的可变性。虽然经常假设严格的正性，但当某些协变量是连续的时，它并不成立。在这项工作中，我们试图调和严格的积极性条件和广义线性模型的理论，通过纳入一个额外的参数，这导致在一个明确的下限的倾向得分。
2017-04-23 stat.AP stat.ME
COMPACT: Spectral Adjustment Scores from a Complete and Irreducible Causal Criterion
University of Pittsburgh（匹兹堡大学）
COMPACT算法通过完全不可约因果准则的谱调整分数，解决观测数据因果效应估计的变量选择问题，经模拟和真实数据验证，性能优于多种替代方法。
2026-08-12 stat.ME stat.ML
Causal inference via propensity scores for case-control studies
Université de Montréal（蒙特利尔大学）；McGill University（麦吉尔大学）；Centre de recherche de St. Mary（圣玛丽研究中心）；Research Institute of the McGill University Health Centre（麦吉尔大学健康中心研究所）；SUNY Downstate Health Sciences University（纽约州立大学_downstate_健康科学大学）；Institut national de la recherche scientifique, Centre Armand-Frappier Santé Biotechnologie（国家科研研究所，阿尔芒-弗拉皮耶生物技术与健康中心）；Centre de recherche du CHU de Québec – Université Laval（魁北克大学医院研究中心）
该研究针对病例对照研究中倾向得分因果推断方法应用有限的问题，提出新型两步倾向得分卡尺匹配程序，结合模拟与真实数据验证了相关估计量的有效性，可用于估计因果相对效应。
2026-08-21 stat.ME
Doubly robust treatment effect estimation with missing attributes
缺失属性在因果推断中是普遍存在的，就像在大多数应用统计工作中一样。在本文中，我们考虑各种假设下，因果推断是可能的，尽管缺失的属性和讨论相应的方法，平均处理效应估计，包括广义倾向得分法和多重插补。在广泛的模拟研究中，我们表明，没有一种方法系统地优于其他方法。然而，我们发现，双稳健的修改标准方法的平均处理效应估计与缺失数据反复执行优于其非双稳健的基线，例如，双稳健的广义倾向得分方法击败逆加权与广义倾向得分。这一发现在一项关于在重症监护管理背景下给予氨甲环酸对创伤性脑损伤患者死亡率影响的观察研究分析中得到了加强。在这里，双稳健估计恢复置信区间是一致的随机试验的证据，而非双稳健估计不。
2020-05-22 stat.ME
Causal Inference with MNAR Self-Masking Confounders: A Stratified Delta-Imputed Propensity Estimation Method
The University of Texas at El Paso（德克萨斯大学埃尔帕索分校）；icddr,b（孟加拉国国际腹泻病研究中心）
SDIPE是一种针对自掩MNAR混杂因素的因果推断方法，通过分层delta插补和稳定逆概率权重估计平均治疗效应，实现低偏倚和高覆盖率。
2026-02-27 stat.ME
Propensity Score Adapted Covariate Selection for Causal Inference
本文提出了一种适应于倾向得分的变量选择方法，用于选择倾向得分模型中的协变量，以消除观察性研究中的混杂偏倚，提高统计效率。我们的变量选择方法是专门为因果推断而设计的，它只需要倾向得分是$\sqrt{n}$ -通过参数模型一致估计，不需要正确的潜在结果模型的规范。通过使用估计的倾向得分作为逆概率治疗权重，对结局进行自适应套索，成功排除了工具变量，并包括混杂因素和结局预测因素。在“线性结合”条件下证明了它的预言性质。我们还进行了一些数值模拟，以说明我们的倾向得分适应协变量选择程序，并评估其性能下的模型误设定。与其他协变量选择方法进行了比较，通过使用人工数据，我们发现，它是更强大的排除工具变量和虚假的协变量。
2021-09-11 stat.ME
Which Regularized Propensity-Score and Doubly Robust Methods Are Best Calibrated When Exposures or Outcomes Are Rare? A Plasmode Study of Proxy-Based Confounding Adjustment
School of Population and Public Health, University of British Columbia（英属哥伦比亚大学公共卫生与人口健康学院）
研究在医疗保健数据库研究中，比较多种正则化倾向得分和双重稳健方法在暴露或结果罕见时的校准效果。核心方法是基于特定数据模拟并结合多种策略。主要贡献是得出不同方法在不同情况下的表现及结论，为方法选择提供参考。
2026-07-09 stat.AP stat.CO stat.ME
Doubly robust matching estimators for high dimensional confounding adjustment
根据观察数据有效估计处理效应需要适当控制混杂因素。如果协变量的数量相对于观测值的数量较大，则控制所有可用协变量是不可行的。在稀疏性条件成立的情况下，变量选择或惩罚可以以允许有效估计处理效应的方式降低协变量空间的维度。在这篇文章中，我们提出了估计的倾向得分和估计的预后分数匹配时，协变量的数量相对于观察的数量是大的。我们推导出的匹配估计的渐近结果，并表明它是双重强大的，在这个意义上，只有一个两个得分模型需要是正确的，以获得一个相合估计量。我们通过模拟显示其有效性，在控制混杂和突出其潜力，以解决非线性混杂。最后，我们应用所提出的程序，使用保险索赔数据分析性别对处方阿片类药物使用的影响。
2018-01-10 stat.ME
Improving operating characteristics of clinical trials by augmenting control arm using propensity score-weighted borrowing-by-parts power prior
University of Nebraska Medical Center（内布拉斯加医学中心大学）；Medical College of Wisconsin（威斯康星医学院）；Daffodil International University（达佛西尔国际大学）
本文提出一种结合倾向分数加权和灵活贝叶斯方法的PSW-BPP，用于改善临床试验中外部数据借用的效率和稳健性。
2026-01-07 stat.ME
Efficient adjustment for complex covariates: Gaining efficiency with DOPE
University of Copenhagen（哥本哈根大学）
本文提出DOPE方法，通过调整协变量信息提升ATE估计效率，适用于高维和复杂数据。
2025-12-05 math.ST stat.ME stat.ML
Covariate-adaptive randomization inference in matched designs
针对匹配观察研究中忽略组内倾向得分差异的问题，提出协变量自适应随机化推断，通过调整排列概率控制I型错误，并证明其有效性及敏感性分析推广，模拟和实证显示其优于传统均匀推断。
2023-11-10 stat.ME
Examining the Efficacy of Coarsened Exact Matching as an Alternative to Propensity Score Matching
Washington University in St. Louis（圣路易斯华盛顿大学）
本文指出粗化精确匹配在处理大量协变量时不如倾向分数匹配稳健，因CEM存在残余混杂和模型依赖性问题，而PSM在减少不平衡和应对模型不规范方面表现更优。
2026-01-31 stat.ME
The impact of directly observed therapy on the efficacy of Tuberculosis treatment: A Bayesian multilevel approach
本文提出一种含潜在局部随机效应的贝叶斯多层倾向评分方法，用于在混杂潜变量存在时估计DOT对巴西结核病治疗成功的ATE，并通过模拟表明其可降低因果效应估计偏差。
2023-04-25 stat.ME
The Impact of Confounder Selection in Propensity Scores for Rare Events Data - with Applications to Birth Defects
我们的工作是由最近的一项研究的动机婴儿出生缺陷的孕妇暴露于某种药物治疗慢性疾病。出生缺陷等结局在一般人群中是罕见事件，在未暴露组中通常转化为极少数事件。由于妊娠期药物安全性研究通常是观察性的，因此我们使用倾向得分（PS）控制了这种罕见事件背景下的混杂因素。使用我们的经验数据，我们注意到，由于暴露导致的出生缺陷的估计比值比根据所使用的具体方法而变化很大。PS常用的方法有匹配、分层、逆概率加权（IPW）和回归调整。极罕见事件设置使得匹配或分层不可行。此外，PS本身可以通过不同的方法形成，以从相对较长的潜在混杂因素列表中选择混杂因素。我们进行了模拟实验来比较不同的方法组合：IPW或回归调整，其中1）包括所有潜在的混杂因素而不进行选择，2）基于候选变量和结果之间的单变量关联进行选择，3）基于变化的选择效应（CIE）。模拟表明，IPW没有选择导致极大的方差估计的比值比，这有助于解释我们观察到的经验数据分析结果。模拟还表明，IPW与选择的基础上单变量关联的结果是首选IPW与CIE。无论使用何种选择方法，回归调整的估计比值比方差都很小。
2017-02-22 stat.AP
Covariate adjustment in randomised trials: canonical link functions protect against model mis-specification
协变量调整有可能增加随机试验分析的功效，但调整模型的错误设定可能导致错误。我们探讨了在协变量在随机化治疗之间完全平衡的情况下，当调整模型忽略了随机化治疗相互作用的协变量时可能出现的错误。我们使用数学论证和对单个假设数据集的分析。我们表明，分析与典型的链接函数的广义线性模型导致零下没有错误-也就是说，如果处理效应是真正的调整后的模型下为零，那么它也是在未调整的模型下为零。然而，使用非规范的链接函数不会给出此属性，并在null下导致潜在的重要错误。即使在大样本中也存在误差，因此构成偏倚。我们的结论是随机试验的协变量调整分析应避免非典型联系。如果边际风险差异是估计的目标，则不应使用身份链接进行估计;替代的首选方法包括标准化和治疗加权的逆概率。
2021-07-15 stat.ME
Confounder selection strategies targeting stable treatment effect estimators
在观察性研究中推断治疗对结果的因果效应需要调整观察到的基线混杂因素以避免偏倚。然而，当只有一个子集是关注效应的混杂因素时，已知对所有观察到的基线协变量进行调整会产生潜在低效和不稳定的处理效应估计值。此外，它还增加了有限样本偏差和模型误设定偏差的风险。由于这些原因，通常使用混杂因素（或协变量）选择来确定足以进行混杂调整的可用协变量子集。在这篇文章中，我们提出了一个混杂选择策略，重点是稳定估计的处理效应。特别是，当倾向得分模型已经包括足以调整混杂因素的协变量时，则添加与治疗或结局单独相关（但不是两者）的协变量不应系统性地改变效应估计量。因此，该提案首先需要优先考虑纳入倾向得分模型的协变量，然后使用估计值变化方法选择产生稳定效应估计值的最小调整集。根据经验评估该建议正确选择混杂因素的能力，并确保在数据驱动协变量选择后有效推断处理效应，并使用模拟研究与现有方法进行比较。我们使用三个不同的公开数据集通常用于因果推断的过程。
2020-10-10 stat.ME
Propensity score analysis with partially observed confounders: how should multiple imputation be used?
治疗加权逆概率（IPTW）是一种流行的基于倾向得分（PS）的方法，用于估计存在混杂偏倚风险的观察性研究中的因果效应。估计PS时的一个主要问题是存在部分观察到的协变量。多重插补（MI）是处理协变量缺失数据的自然方法，但其在PS背景下的使用提出了三个重要问题：（i）我们应该将鲁宾规则应用于IPTW处理效应估计还是PS估计本身？(ii)结果是否必须包括在插补模型中？(iii)在MI之后，我们应该如何估计IPTW估计量的方差？我们进行了一项模拟研究，重点是二元治疗对二元结局的影响，有三个混杂因素（其中两个部分观察）。我们使用MI和链式方程创建完整的数据集，并比较了三种组合结果的方法：组合处理效应估计值（MIte）;组合插补数据集的PS（MIps）;或组合PS参数并估计插补数据集平均协变量的PS（MIpar）。我们还比较了这些方法的性能完整的情况下（CC）分析和缺失模式（MP）的方法，使用不同的PS模型的每种模式的缺失。我们还实证研究了这3个MI估计的一致性。在随机缺失（MAR）机制下，CC和MP分析在估计边际处理效应时在大多数情况下存在偏倚，而MI方法在减少偏倚方面表现良好，只要结局纳入插补模型。然而，只有MIte是无偏的，在所有的研究方案和鲁宾的规则提供了良好的方差估计MIte。
2016-08-19 stat.ME
Semiparametric Efficiency in Sequential Experiments: Characterization and Design via Average Propensity
Laboratory for Information and Decision Systems, MIT（麻省理工学院信息与决策系统实验室）
本文提出平均倾向得分作为序贯实验效率基准，建立半参数下界，并开发两种自适应批设计方法逼近该基准，实现高效因果估计。
2026-07-01 stat.ME
Multiply robust matching estimators of average and quantile treatment effects
倾向得分匹配是处理因果推断中混杂的长期传统，然而需要严格的模型假设。在这篇文章中，我们提出了双评分匹配（DSM）的一般因果被估量利用两个平衡得分，包括倾向得分和预后得分。为了保护可能的模型误指定，我们为每个得分选择多个候选模型。我们表明，去偏DSM估计实现了多重稳健性，因为它是一致的真正的因果估计，如果任何模型的倾向得分或预后分数是正确的。
2020-07-05 stat.ME
Missing Data Imputation in the Context of Propensity Score Analysis: A Systematic Review
本系统综述调查了倾向性评分分析中缺失数据的处理方法，发现多重填补使用增加但细节描述不足。
2025-10-07 stat.OT
Robust Estimating Method for Propensity Score Models and its Application to Some Causal Estimands: A review and proposal
在观察性研究中，倾向得分在估计因果效应方面具有核心作用。由于倾向得分通常是未知的，通过适当的程序进行估计是必不可少的步骤。需要注意的一点是，如果错误指定了倾向得分模型，则因果效应估计量可能存在一定偏倚;有效的模型构建很重要。为了克服这个问题，已经提出了各种有趣的方法。本文综述了四种方法：普通的逻辑斯谛回归方法; Imai和Ratkovic提出的CBPS方法; McCaffrey等人提出的boosted CART方法; Liu等人提出的半参数方法。此外，我们提出了新的鲁棒两步策略：在第一步中估计每个候选模型，并在第二步中集成它们。我们通过模拟实例，通过估计李和同事提出的ATE和ATO，证实了这些方法的性能。仿真结果表明，高阶平衡条件下的提升CART和CBPS具有较好的性能，ATE和ATO的估计方差和偏差绝对值均较小。提升CART和CBPS是有用的各种估计和估计程序。
2023-01-18 stat.ME
Propensity Score Weighting Analysis of Survival Outcomes Using Pseudo-observations
生存结局在比较有效性研究中很常见，需要独特的处理，因为它们通常由于右删失而不完全观察到。一种“一劳永逸”的因果推断与生存结果的方法构建了伪观察，并允许标准方法，如倾向得分加权进行，就好像结果是完全观察。对于一类具有用户指定目标人群的生存结局的无模型因果被估计，我们基于伪观测值给出了相应的倾向得分加权估计，并建立了它们的渐近性质.特别是，利用函数δ方法和冯米塞斯展开，我们得到了一个新的封闭形式的加权估计方差，考虑到由于伪观测计算和倾向得分估计的不确定性。这允许有效的和计算上有效的推理，而无需重新计算。我们还证明了生存结果的平衡权重类内的重叠权重的最佳效率属性。所提出的方法适用于二进制和多个治疗。进行了大量的模拟，以探索所提出的方法与其他常用的替代品的操作特性。我们应用所提出的方法来比较三种流行的治疗方法对前列腺癌患者的因果影响。
2021-12-19 stat.ME
Design-Based Causal Inference with Missing Outcomes: Missingness Mechanisms, Imputation-Assisted Randomization Tests, and Covariate Adjustment
针对基于设计因果推断中的结果缺失问题，提出灵活缺失机制与“插补与再插补”框架，实现精确随机化检验、协变量调整及置信区间构建，并经模拟和大规模实验验证。
2025-05-24 stat.ME
Gradient-Boosted Pseudo-Weighting: Methods for Population Inference from Nonprobability samples
针对非概率样本选择偏差问题，提出基于梯度提升的伪权重构建方法，在2PS框架中估计倾向得分，经模拟与实证评估，较逻辑回归方法更具灵活性并改善总体推断。
2025-08-07 stat.ME
Isotonic propensity score matching
本文提出一种基于等距回归估计倾向得分的一对多匹配估计量，用于估计平均处理效应，解决现有匹配方法的效率、参数选择、稳健性及自举有效性问题。
2025-01-23 econ.EM stat.ME
