A Topological Perspective on Causal Inference
Stanford University（斯坦福大学）
本文提出了一个拓扑学习理论的因果推理的角度，通过引入一系列的拓扑定义的一般空间的结构因果模型（SCM）。作为一个说明的框架，我们证明了拓扑因果层次定理，表明实质性的无约束因果推理是可能的，只有在一个微薄的SCM集。由于一个已知的弱拓扑和统计上可验证的假设之间的对应关系，我们的研究结果表明，归纳假设足以许可有效的因果推理是统计上不可验证的原则。类似于统计推断的无免费午餐定理，本研究结果澄清了因果推断的实质性假设的必然性。我们的拓扑方法的另一个好处是，它很容易容纳SCM无限多个变量。最后，我们建议，该框架可能有助于积极的项目，探索和评估替代的因果关系归纳假设。
2022-05-31 cs.AI cs.LG stat.ME
CausalImages: An R Package for Causal Inference with Earth Observation, Bio-medical, and Social Science Images
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Linköping University（林雪平大学）
该R包causalimages支持利用图像和图像序列数据进行因果推断，提供分解处理效应异质性、控制混杂因素及生成嵌入等功能，并包含加速大规模图像分析的设施，为R中因果推断开辟新能力。
2023-11-09 cs.LG stat.ME
Valid Inference After Causal Discovery
University of California, Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
本研究针对因果发现后估计效应时的“双重 dipping”问题，提出有效推断工具，在保证覆盖率的同时提升因果发现准确性。
2024-08-19 cs.LG stat.ME stat.ML
Probabilistic Modelling is Sufficient for Causal Inference
University of Cambridge（剑桥大学）
本文表明，概率建模足以回答因果推断问题，无需专门的因果工具或符号。
2025-12-29 cs.LG stat.ME stat.ML
A Survey of Causal Inference Frameworks
因果推断是一门多学科发展和应用的科学。一方面，它基于试验设计和严格的统计推断来衡量观察数据中的治疗效果，以得出因果关系陈述。潜在结果框架是量化因果效应最有影响力的框架之一。另一方面，因果图模型利用有向边来表示因果关系，并对图中变量之间的条件独立关系进行编码。从图中读出条件独立句和重构因果结构两个方面都做了一系列的研究。近年来，对因果推断的最新研究开始将不同的因果推断框架统一起来。本综述旨在回顾过去关于因果推断的工作，主要集中在潜在结果框架和因果图模型。我们希望这一调查将有助于加快理解因果推断在不同领域。
2022-09-02 stat.ME
Computational Causal Inference
Netflix
我们介绍计算因果推断作为一个跨学科领域的因果推断，算法设计和数值计算。该领域旨在开发专门从事因果推断的软件，这些软件可以以高性能，通用和鲁棒的方式分析具有各种因果效应的海量数据集。对软件的关注提高了研究的灵活性，并使因果推断能够容易地集成到大型工程系统中。特别是，我们使用计算因果推断来加深因果推断、在线实验和算法决策之间的关系。本文描述了新的领域，需求，可扩展性的机会，开放的挑战，并开始讨论社区如何能够团结起来，以解决扩展因果推断和决策的挑战。
2020-07-21 cs.LG stat.CO
A Forecaster's Review of Judea Pearl's Causality: Models, Reasoning and Inference, Second Edition, 2009
Central University of Finance and Economics（中央财经大学）
本文从预测者视角评述 Pearl《因果论》第二版，展示预测场景中的因果推断策略，并探讨时间序列预测中反事实建模、不确定性估计与先验知识融合的益处和挑战。
2023-08-10 cs.LG stat.AP stat.ME
Inference of Causal Effects when Control Variables are Unknown
Uppsala University（乌普萨拉大学）
因果效应推理的传统方法通常依赖于指定一组有效的控制变量。当这个集合是未知的或错误指定的时候，推论就会出错。我们提出了一种方法来推断平均因果效应时，所有潜在的混淆观察，但控制变量是未知的。当数据生成过程属于非循环线性结构因果模型类时，我们证明了该方法产生渐近有效的置信区间。我们的结果建立在一个光滑的线性有向无环图的特征。我们验证了该方法的能力，以产生有效的置信区间的平均因果效应，使用合成数据，即使当控制变量的适当规格是未知的。
2021-06-11 cs.LG stat.ME stat.ML
Causal programming: inference with structural causal models as finding instances of a relation
University of Maryland（马里兰大学）
本文提出了一个因果推断关系和因果规划作为一般框架的因果推断与结构因果模型。元组$\langle M, I, Q, F \rangle$是关系的实例，如果公式$F$计算因果查询$Q$，作为由一组模型假设$M$所包含的每个模型中的已知总体概率$I$的函数。因果推断中的许多问题都可以看作是满足给定条件的关系实例的枚举问题。这统一了一些以前研究的问题，包括因果效应识别，因果发现和选择偏差的恢复。此外，这种关系支持用结构因果模型将因果推断中的新问题形式化，例如研究设计问题。因果规划被提出作为因果推断的进一步推广，作为关于成本函数找到关系的最佳实例的问题。
2018-05-04 cs.AI stat.ME
Causal Inference Isn't Special: Why It's Just Another Prediction Problem
Hong Kong University of Science and Technology（香港理工大学）
本文提出因果推断本质上是分布偏移下的预测问题，通过重加权和域适应等预测技术可直接应用，从而简化其逻辑并提升可及性。
2025-07-09 cs.LG stat.ME stat.ML
Bayesian causal inference for count potential outcomes
计数建模的文献提供了有用的工具，进行因果推断时，结果采取非负整数值。应用到潜在的结果框架，我们链接贝叶斯因果推断文献计数数据的统计模型。我们讨论了构建缺失潜在结果的预测后验的一般架构考虑。估计平均处理效应的特殊考虑进行了讨论，一些概括某些关系和一些尚未遇到的因果推断文献。
2020-08-07 stat.ME
A scoping review of causal methods enabling predictions under hypothetical interventions
背景和目标：通常开发预测模型的方法意味着，无论是参数还是预测都不应该被因果解释。然而，当预测模型用于支持决策时，通常需要预测假设干预下的结果。我们的目的是确定已发表的方法，开发和验证预测模型，使风险估计的结果下假设的干预措施，利用因果推断：其主要的方法学方法，基本假设，有针对性的被估量，和潜在的陷阱和挑战，使用该方法，和未解决的方法学挑战。研究方法：我们系统地回顾了截至2019年12月发表的文献，考虑了健康领域的论文，这些论文使用因果考虑因素使预测模型能够用于假设干预下的预测。结果如下：我们通过数据库检索确定了4919篇论文，通过手动检索进一步确定了115篇论文，其中13篇论文从统计学和机器学习文献中入选。从观测数据中进行因果推断的大多数方法都是基于边际结构模型和g-估计。结论：存在两种广泛的方法学方法，用于允许在假设干预下预测临床预测模型：1）丰富来自观察性研究的预测模型，并从临床试验和荟萃分析中估计因果效应; 2）直接从观察性数据估计预测模型和因果效应。这些方法需要扩展到动态治疗方案，并考虑多种干预措施，以操作临床决策支持系统。验证“因果预测模型”的技术仍处于起步阶段。
2021-01-12 stat.AP stat.ME stat.ML
An Overview of Causal Inference using Kernel Embeddings
University of Adelaide（阿德莱德大学）
本文综述了核嵌入方法在因果推断领域的应用，介绍其通过将概率测度映射到RKHS实现灵活分布表示，为解决观测数据的因果识别与效应估计等问题提供鲁棒非参数框架。
2024-10-30 cs.LG stat.ME stat.ML
Causal Inference: A Missing Data Perspective
推断治疗的因果效应是许多学科的中心目标。潜在结果框架是因果推断的主要统计方法，其中因果效应被定义为在不同治疗条件下相同单位的潜在结果的比较。因为对于每个单元，最多观察到一个潜在结果，而其余结果缺失，所以因果推断本质上是一个缺失数据问题。事实上，因果推断和缺失数据之间在术语和推理框架上有着密切的相似之处。尽管这两个学科之间存在着内在的联系，但因果推断和缺失数据的统计分析在目的、设置和方法上也存在着明显的差异。本文从缺失数据的角度对因果推断进行了系统的综述。针对可验证的治疗分配机制，我们讨论了广泛的因果推断方法，这些方法在缺失数据分析中具有类似性，例如插补，逆概率加权和双稳健方法。在每一个三种模式的推理-频率，贝叶斯和Fisherian随机化-我们提出了一般结构的推理有限样本和超人口估计，并通过具体的例子说明。我们确定了开放的问题，以激励更多的研究，以弥合这两个领域。
2018-01-03 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
Causal Inference under Networked Interference and Intervention Policy Enhancement
Ludwig Maximilian University of Munich（慕尼黑大学）；Siemens CT（西门子中央研究院）
根据随机实验数据估计个体处理效应是因果推断中的一项关键任务。在因果推断中，通常采用稳定单位处理值假设。然而，当一个单元的分配治疗影响相邻单元的潜在结果时，干扰可能会引入偏倚。这种干扰现象在经济学中被称为溢出效应，在社会科学中被称为同行效应。通常，在随机化实验或具有相互连接单元的观察性研究中，只能观察干扰下的治疗反应。因此，如何在干扰存在的情况下估计叠加的因果效应并恢复个体的处理效应成为因果推断中的一个挑战性任务。在这项工作中，我们使用GNNs研究了一般网络干扰下的因果效应估计，GNNs是捕获图中依赖关系的强大工具。在导出因果效应估计量后，我们进一步研究了在容量约束下的图上的干预政策改进。在网络干扰和处理容量约束下，给出了策略遗憾界.此外，基于GNN因果估计的启发式图结构相关的误差界。
2021-05-04 cs.LG stat.ME stat.ML
MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent Variable Models
Centre d’Analyse et de Mathématique Sociales（社会分析与数学中心）；EHESS（高等社会科学研究院）；Centre de Mathématiques Appliquées（应用数学中心）；École Polytechnique（巴黎综合理工学院）；Inria XPOP（法国国家信息与自动化研究所XPOP团队）；Google Research（谷歌研究院）
从观察数据推断治疗、干预或政策的因果效应是许多应用的核心。然而，用于因果推断的最新方法很少考虑协变量具有缺失值的可能性，这在许多现实世界的分析中是普遍存在的。缺失数据使因果推断程序变得非常复杂，因为它们需要一个适应的无混淆假设，而这在实践中很难证明。我们绕过这个问题，考虑潜在的混淆，其分布是通过适应缺失值的变分自编码器学习。它们既可以用作因果推断之前的预处理步骤，但我们也建议将它们嵌入多重插补策略中，以考虑缺失值引起的变异性。数值实验表明，所提出的方法的有效性，特别是对非线性模型相比，竞争对手。
2020-02-25 cs.LG stat.ME stat.ML
A calculus for causal inference with instrumental variables
在因果推理的一般结构方程框架下，我们定义了一个变量X对另一个变量Y的因果效应，并提出了一种通过使用工具变量来估计这种因果效应的方法。
2021-04-23 math.ST stat.ME stat.TH
Bayesian Causal Inference: A Critical Review
本文对基于潜在结果框架的因果推断的贝叶斯观点进行了评述。我们回顾了因果被估量、识别假设、因果效应贝叶斯推断的一般结构和敏感性分析。我们强调的问题是独特的贝叶斯因果推断，包括倾向得分的作用，可识别性的定义，先验的选择，在低维和高维制度。我们指出协变量重叠的核心作用，更一般的设计阶段，贝叶斯因果推断。我们将讨论扩展到两个复杂的分配机制：工具变量和随时间变化的治疗。在整个过程中，我们通过例子来说明关键概念。
2022-10-23 stat.AP stat.ME
Causal Inference via Kernel Deviance Measures
University of Oxford（牛津大学）；Department of Statistics（统计系）；DeepMind（DeepMind（深度思维））
发现一组变量之间的因果结构是许多科学领域的基本问题。在本文中，我们提出了核条件偏差因果推理（KCDC）的一个完全非参数的因果发现方法的基础上纯粹的观测数据。从一个新的解释之间的因果关系的不对称性的概念，我们得到了相应的不对称性措施使用再生核希尔伯特空间的框架。在此基础上，我们提出了三个决策规则的因果发现。我们证明了我们的方法在一系列不同的合成数据集的广泛适用性。此外，我们在真实世界的时间序列数据和真实世界的基准数据集Tubingen因果对上测试了我们的方法，在这些数据集上，我们的性能优于现有的最先进的方法。
2018-04-12 cs.LG stat.ME stat.ML
Towards Causal Foundation Model: on Duality between Causal Inference and Attention
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）；Microsoft Research Cambridge（微软研究院剑桥分部）
本文提出基于注意力的因果推断方法CInA，利用无标签数据集进行自监督学习，通过最优协变量平衡与自注意力机制的对偶联系实现零样本因果推断，在分布外和真实数据集上表现优异，为因果基础模型发展奠定基础。
2024-06-03 cs.AI cs.LG stat.ME
When Is Causal Inference Possible? A Statistical Test for Unmeasured Confounding
本文提出一种结合随机对照试验与观测数据的统计检验，用于判断无未测量混杂假设是否成立，从而评估现实数据是否适合因果推断。
2025-08-28 stat.ME
Causal Inference Using Tractable Circuits
University of California, Los Angeles（加州大学洛杉矶分校）
本文的目的是讨论最近的一个结果表明，概率推理（未知）的因果机制的存在下，传统上被视为棘手的模型可以是易处理的。这一结果最近被报道，以促进基于模型的监督学习，但它可以解释在因果关系的上下文中如下。人们可以将非参数因果图编译成算术电路，该算术电路支持在电路大小中时间线性的推断。该电路也是非参数的，因此它可以用于从数据中估计参数，并进一步推理（在线性时间内）由这些估计参数化的因果图。此外，电路的大小有时可以是有界的，甚至当因果图的树宽不是，导致在模型上的易处理的推理，以前被认为是棘手的。这已经通过一种新技术实现，该技术可以在计算上利用因果机制，但不需要知道它们的身份（因果推理中的经典设置）。我们的目标是提供一个以因果关系为导向的暴露这些新的结果，并推测它们如何可能有助于更可扩展和通用的因果推理。
2022-02-07 cs.AI cs.CC cs.LG
Covariate adjustment in randomization-based causal inference for 2K factorial designs
本文建立了2K析因设计中基于随机化的因果推断中协变量调整的有限总体渐近理论。特别是，我们证实了因子效应的未调整和协变量调整估计量都是渐近正态的，并且后者比前者更精确。
2016-07-12 stat.ME
Causal Bandits: Learning Good Interventions via Causal Inference
Australian National University（澳大利亚国立大学）；Data61/NICTA（Data61/国家信息与通信技术研究院）；University of Alberta（阿尔伯塔大学）
我们研究了使用因果模型来提高在随机环境中可以在线学习良好干预措施的速度的问题。我们的形式主义相结合的多臂土匪和因果推断模型的一种新型的土匪反馈，不利用现有的方法。我们提出了一个新的算法，利用因果反馈，并证明其简单的遗憾，严格优于（在所有数量）比不使用额外的因果信息的算法的约束。
2016-06-10 cs.LG stat.ML
Causal inference with confounders missing not at random
从观察性研究中得出因果推断是很重要的，但是，如果混杂因素有缺失值，这将变得具有挑战性。一般来说，如果混杂因素是非随机缺失，则无法识别因果效应。我们提出了一个新的框架，以非参数识别因果关系的影响与混杂因素的结果无关的missingness，即缺失数据的机制是独立的结果，给定的治疗和可能的缺失混杂因素。然后，我们提出了一个非参数两阶段最小二乘估计和因果效应的参数估计。
2019-02-01 stat.ME
Multiply robust dose-response estimation for multivalued causal inference problems
针对多值处理的因果推断问题，提出了一种多重稳健（MR）剂量反应估计方法。我们结合了一个家庭的广义倾向得分（GPS）模型和家庭的结果回归（OR）模型，以实现平均潜在的结果估计是一致的，如果在每个家庭中只有一个GPS或OR模型是正确指定的。我们提供的证据和模拟，证明多个鲁棒性的背景下，多值因果推断问题。
2017-05-17 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
On robust Bayesian causal inference
Athens University of Economics and Business（雅典大学经济与商业学院）
针对纵向观测数据因果推断中现有方法因结构假设误设易产生估计偏差的问题，本文提出基于广义贝叶斯推断的稳健因果推断框架，通过恰当评分规则调优学习率，经仿真与真实数据验证可提升因果效应估计的校准度、锐度与稳健性。
2025-11-19 stat.ME
Quantifying Sufficient Randomness for Causal Inference
虚假关联来自于治疗倾向和个体结局风险之间的协方差。对于具有随机反事实的敏感性分析，我们引入了一种方法来表征自然实验和准实验中因果推断的不确定性。我们的敏感性参数是倾向和个体风险变化的标准化度量，1减去其几何平均值是数据生成过程中随机性的直观度量。在我们的潜在倾向风险模型中，我们展示了如何从列联表数据计算一个阈值，$T$，足够的随机性因果推断。如果数据生成过程的实际随机性超过该阈值，则保证因果推断。
2021-03-09 stat.ME
The How and Why of Bayesian Nonparametric Causal Inference
受最近因果推断竞赛的成功的鼓舞，贝叶斯非参数（和高维）方法最近在因果推断文献中受到越来越多的关注。在本文中，我们提出了一个全面的概述贝叶斯非参数应用因果推断。我们的目标是（i）介绍基本的贝叶斯非参数工具包;（ii）讨论如何确定哪种工具最适合给定的问题;（iii）展示如何避免在高维环境中应用贝叶斯非参数方法的常见陷阱。不像标准的固定维参数问题，其中单独的结果建模有时是有效的，我们认为，在大多数情况下，它是必要的选择和结果的过程建模。
2022-01-10 stat.ME
DoWhy: An End-to-End Library for Causal Inference
Microsoft Research（微软研究院）
除了有效的治疗效果的统计估计，因果推断的成功应用需要指定的机制，观察数据和测试他们是否是有效的，在何种程度上的假设。然而，大多数用于因果推断的库仅关注于提供强大的统计估计器的任务。我们描述了DoWhy，一个开源Python库，它是以因果假设作为一等公民构建的，基于因果图的正式框架来指定和测试因果假设。DoWhy提供了一个API，用于任何因果分析常见的四个步骤--1）使用因果图和结构假设对数据进行建模，2）确定在因果模型下是否可以估计期望的效果，3）使用统计估计器估计效果，最后4）通过稳健性检查和敏感性分析反驳所获得的估计。特别是，DoWhy实现了许多鲁棒性检查，包括安慰剂测试，bootstrap测试和未观察到的混淆测试。DoWhy是一个可扩展的库，支持与其他实现的互操作性，例如用于估计步骤的EconML和CauseML。该库可在https://github.com/microsoft/dowhy上获得
2020-11-09 cs.AI cs.MS econ.EM
Causal inference under mis-specification: adjustment based on the propensity score
我们通过倾向得分回归研究了贝叶斯因果推断方法。大部分关于倾向得分方法的贝叶斯文献都依赖于在传统的“似然时间先验”后验推断的背景下不能被视为完全贝叶斯的方法;此外，大多数方法依赖于参数和分布假设，以及假定的正确规范。我们强调，因果推断通常是在设置错误的规格，并制定战略，充分贝叶斯推断，反映这一点。我们专注于决策理论的参数的基础上的方法，并展示如何推断损失最小化的基础上，可以得到有效的和充分的贝叶斯推断。我们提出了一种计算方法的基础上的贝叶斯自助具有良好的贝叶斯和频率属性的推断。
2022-01-30 stat.ME
A Survey on Causal Inference
University at Buffalo（布法罗大学）；University of Georgia（佐治亚大学）；Alibaba Group（阿里巴巴集团）；University of Virginia（弗吉尼亚大学）
因果推断是统计学、计算机科学、教育学、公共政策和经济学等领域的重要研究课题。与随机对照试验相比，基于观察数据的因果效应估计因其数据量大、经费要求低而成为一个很有吸引力的研究方向。随着机器学习领域的快速发展，各种观测数据的因果效应估计方法层出不穷。在这篇综述中，我们对潜在结果框架下的因果推断方法进行了全面的综述，潜在结果框架是著名的因果推断框架之一。这些方法分为两类，取决于它们是否需要潜在成果框架的所有三个假设。对于每一类，传统的统计方法和最近的机器学习增强方法进行了讨论和比较。介绍了这些方法在广告、推荐、医学等领域的应用，并对常用的基准数据集和开源代码进行了总结，为研究者和实践者探索、评估和应用因果推断方法提供了参考。
2020-02-05 cs.AI cs.LG stat.ME
Causal inference in connected populations with contagion
The Pennsylvania State University（宾夕法尼亚州立大学）
研究在具有传染性的连接群体中，通过闭式表达式揭示传染对因果效应的影响，并讨论模型估计的渐近偏差和设计估计的邻域暴露假设违反问题。
2026-09-01 stat.ME
Optimizing Feature Selection in Causal Inference: A Three-Stage Computational Framework for Unbiased Estimation
Northeastern University（东北大学）
提出增强的三阶段计算框架优化因果推断中的特征选择，通过减少处理相关变量和虚假变量的影响来降低偏差与方差，并在合成数据和真实阿片类药物政策数据上验证了其优越性与可扩展性。
2025-02-01 cs.AI cs.LG stat.ME
Consistency of Causal Inference under the Additive Noise Model
Toyota Technological Institute-Chicago（芝加哥丰田理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
我们分析了一个家庭的统计因果推断的方法，从所谓的加性噪声模型下的样本。虽然大多数关于这个问题的工作都集中在建立加性噪声模型的可靠性，统计一致性的推断方法很少受到关注。我们推导出一般条件下，给定的家庭的推理方法一致推断的因果方向在非参数设置。
2014-02-05 cs.LG stat.ML
Causal Inference from Slowly Varying Nonstationary Processes
University of Utah（犹他大学）
遵循受限结构因果模型（SCM）框架的观测数据的因果推断在很大程度上取决于来自数据生成机制（例如非高斯性或非线性）的因果之间的不对称性。这种方法可以适用于平稳的时间序列，但从非平稳的时间序列推断因果关系仍然是一个具有挑战性的任务。在这项工作中，我们提出了一类新的限制SCM，通过时变滤波器和平稳噪声，并利用非平稳性的不对称性在二元和网络设置的因果关系识别。我们提出了有效的程序，利用强大的双变量进化谱缓慢变化的过程的估计。各种合成和真实的数据集，涉及高阶和非光滑滤波器进行评估，以证明我们所提出的方法的有效性。
2021-09-03 cs.IT cs.LG math.IT
Black Box Causal Inference: Effect Estimation via Meta Prediction
New York University（纽约大学）；Genentech（基因泰克）；Center for Data Science, New York University（纽约大学数据科学中心）；Prescient Design, Genentech（基因泰克预见设计部）
本文提出黑盒因果推断（BBCI），将因果效应估计转化为数据集层面的元预测问题，通过从采样的数据集-效应对中学习构建估计器，在多个因果推断问题上准确估计ATE和CATE。
2025-03-07 cs.AI cs.LG stat.CO
On Efficient Inference of Causal Effects with Multiple Mediators
本文针对多个交互中介变量场景，在一般设定下定义因果中介效应，采用半参数框架开发四重稳健估计量，证明其渐近正态性与局部半参数有效性，并通过创伤幸存者精神障碍数据集实证验证。
2024-01-10 econ.EM math.ST 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
Causal inference in drug discovery and development
University of Bergen（卑尔根大学）；Roche Innovation Centre Basel（罗氏创新中心巴塞尔）；University of Basel（巴塞尔大学）
本文面向药物研发从业者，以非技术方式介绍因果推断的基本概念，回顾其在药物发现与开发中的近期应用，并分析采用因果语言带来的机遇与挑战。
2022-09-29 cs.LG q-bio.QM stat.AP
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
Design-based theory for causal inference
本文系统回顾了基于设计的因果推断理论的最新进展，探讨了高维数据、非合规和网络干扰等复杂情境下的方法扩展，并展望了未来的发展方向。
2025-11-27 stat.ME
CausalSmith: A Formally Grounded, Self-Improving Agentic Framework for Automated Research in Causal Inference
提出因果锻造框架用于因果推理自动化研究，结合因果论库与因果史密斯智能管道，通过声明审核增强内核验证，并用自主研究工件评估系统，为因果推理自动化研究提供新途径。
2026-09-16 cs.AI cs.LG econ.EM
The Logic of Counterfactuals and the Epistemology of Causal Inference
University of California, Davis（加利福尼亚大学戴维斯分校）
本文揭示Rubin因果模型预设条件排中律，并提出结合因果贝叶斯网的新模型以摒弃该原则，论证演绎逻辑与归纳推断的深层关联。
2025-03-12 cs.AI econ.EM stat.ME
Causal inference of Plackett-Burman designs in applications
College of Mathematics and System Science, Xinjiang University（新疆大学数学与系统科学学院）
针对Plackett-Burman设计的四个应用，提出基于潜在结果的因果推断框架，定义有限总体下的因果效应，给出Neyman估计量及方差协方差估计，并进行Fisher精确检验和区间构造。
2026-06-05 stat.ME
Causal inference using deep neural networks
Carnegie Mellon University（卡内基梅隆大学）
从观测数据中进行因果推断是许多科学领域的核心问题。在这里，我们提出了一个通用的监督深度学习框架，通过将输入向量转换为每对输入的图像表示来推断因果交互。给定一个训练数据集，我们首先构建一个标准化经验概率密度分布（NEPDF）矩阵。然后，我们训练一个卷积神经网络（CNN）的因果关系预测的NEPDF。我们在几个不同的模拟和真实世界的数据上测试了该方法，并将其与先前的因果推理方法进行了比较。正如我们所展示的，该方法是通用的，可以有效地处理非常大的数据集，并改进了以前的方法。
2020-11-25 cs.LG stat.ML
Challenges in Statistics: A Dozen Challenges in Causality and Causal Inference
本文指出因果关系与因果推断是统计学与多领域交叉的核心研究方向，虽过去三十年取得进展但仍有诸多开放问题，提出需从理论、方法、工具及跨领域合作等多方面推进该领域未来研究。
2025-08-23 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 Inference Under Network Interference
The Pennsylvania State University（宾夕法尼亚州立大学）
该论文综述多领域干扰下因果推断的最新进展，涵盖干扰检测、因果效应识别与估计等，经模拟发现干扰图变异性高时条件化会限制因果结论，还总结了开放问题。
2026-10-23 stat.ME
Atlantic Causal Inference Conference (ACIC) Data Analysis Challenge 2017
本简要说明记录了与大西洋因果推断会议（ACIC）相关的2017年数据分析挑战中使用的数据生成过程。挑战的重点是在存在靶向选择的情况下对条件平均处理效应（CATE）的估计和推断，这会导致强混杂。相关的数据文件和进一步的图表可以在第一作者的网页上找到。
2019-05-23 stat.ME stat.OT
Causal Inference on Distribution Functions
理解因果关系是现代科学最重要的目标之一。到目前为止，因果推断文献几乎完全集中在来自欧几里得空间$\mathbb{R}^p$的结果。然而，复杂数据集最好总结为非线性空间中的数据点，这一点越来越普遍。在本文中，我们提出了一个新的框架的因果效应的结果从Wasserstein空间的累积分布函数，这与欧几里德空间，是非线性的。我们开发了双稳健估计和相关的渐近理论，这些因果关系的影响。作为一个例子，我们使用我们的框架来量化婚姻对身体活动模式的因果影响，使用通过国家健康和营养检查调查收集的可穿戴设备数据。
2022-10-24 stat.ME
Deep End-to-end Causal Inference
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Cambridge（剑桥大学）；Microsoft Research（微软研究院）；G-Research
因果推断对于跨业务参与、医疗和政策制定等领域的数据驱动决策至关重要。然而，因果发现的研究已经从推理方法中独立出来，阻止了两个领域的方法的直接结合。在这项工作中，我们开发了深度端到端的因果推断（DECI），一个基于单流的非线性加性噪声模型，采用观测数据，可以执行因果发现和推理，包括条件平均处理效应（CATE）估计。我们提供了一个理论上的保证，DECI可以恢复标准的因果发现假设下的地面真相因果图。出于应用程序的影响，我们将此模型扩展到具有缺失值的异构混合类型数据，允许连续和离散的治疗决策。我们的研究结果显示，与因果发现和（C）ATE估计的相关基线相比，DECI在一千多个实验中具有竞争力的性能，这些实验涉及合成数据集和因果机器学习基准，跨越数据类型和缺失程度。
2022-06-20 cs.LG stat.ML
