Mitigating Unobserved Spatial Confounding when Estimating the Effect of Supermarket Access on Cardiovascular Disease Deaths
在空间统计学和因果推断文献中，未测量的空间变量的混淆已经得到了一些关注，但是概念和方法仍然在很大程度上是分离的。在本文中，我们的目标是弥合这些不同的统计链，考虑未测量的空间混杂在一个因果推断框架内，并估计使用结果回归工具流行的空间文献的影响。首先，我们展示了如何在结果模型中使用空间相关的随机效应，这是空间统计学家中常见的一种方法，并不一定会减轻由于空间混杂而导致的偏倚，这是以前发表的但并不普遍已知的结果。受常用估计量的偏置项的影响，我们提出了一种仿射估计量来解决这一缺陷。我们讨论了如何无偏估计的因果参数的存在下，无法测量的空间混杂只能实现一组不可检验的假设，这往往是特定的应用程序。我们提供了一组假设，描述了如何曝光和结果的利益相关的不可测量的变量，我们表明，这组假设是足够的识别的因果关系的基础上观察到的数据时，空间依赖关系可以表示为一个环形图。我们使用完全贝叶斯方法实现我们的方法，适用于任何类型的结果变量。这项工作的动机是，并用于估计县级有限进入超市对整个美国大陆老年人心血管疾病死亡率的影响。即使标准方法返回零或保护作用，我们的方法发现了未观察到的空间混杂的证据，并表明有限的超市访问对心血管死亡率有有害影响。
2020-06-01 stat.ME
Valid causal inference with unobserved confounding in high-dimensional settings
针对高维因果推断中未观测混杂破坏识别的问题，本文提出允许未观测混杂的不确定区间，并以收敛速率给出有效性条件，辅以模拟和出生体重案例验证。
2024-01-12 stat.ME stat.ML
Treatment Effect Estimation with Unobserved and Heterogeneous Confounding Variables
在存在未观察到的混杂变量（通常称为隐变量）的情况下，处理效应的估计通常存在偏倚。虽然最近提出了一些方法来处理隐变量的影响，这些方法往往忽略了观察到的治疗变量和未观察到的协变量之间的任何相互作用的可能性。在这项工作中，我们解决了这个缺点，通过研究一个多变量响应回归问题与未观察到的和异构混杂变量的形式$Y=A^T X+ B^T Z+ \sum_{j=1}^{p} C^T_j X_j Z + E$，其中$Y \in \mathbb{R}^m$是$m$维的响应变量，$X \in \mathbb{R}^p$是观察到的协变量（包括治疗变量），$Z \in \mathbb{R}^K$是$K$维未观察到的混杂因素，和$E \in \mathbb{R}^m$是随机噪声。允许$X_j$和$Z$之间的相互作用诱导异质混杂效应。我们的目标是估计未知矩阵$A$，观察到的协变量或治疗对反应的直接影响。为此，我们提出了一种新的去偏估计方法，通过奇异值分解，以消除未观察到的混杂变量的影响。在同方差和异方差噪声下，给出了估计量的收敛速度。我们还提出了几个模拟实验和现实世界的数据应用程序来证实我们的研究结果。
2022-07-29 stat.ME stat.ML
Causal Discovery with Unobserved Confounding and non-Gaussian Data
我们考虑从多变量观测数据中恢复因果结构。我们假设数据来自线性结构方程模型（SEM），其中允许特异质误差是依赖的，以捕获可能的潜在混杂。每个SEM可以由图表示，其中顶点表示观察到的变量，有向边表示直接因果效应，双向边表示误差项之间的依赖性。具体来说，我们假设真实模型对应于无弓非循环路径图;即，在任何一对节点之间最多只有一条边并且在有向部分是非循环的图。我们表明，当错误是非高斯的，确切的因果结构编码的这样一个图，而不仅仅是一个等价类，可以从观测数据中恢复。为此目的，我们提出的方法使用合适的时刻估计，但与以前的结果相比，不需要指定先验的潜变量的数量。我们还描述了我们的过程中的输出时，违反了假设和真正的图是无环的，但不是弓自由。我们说明了我们的程序在模拟和应用程序的生态数据集的有效性。
2021-11-09 stat.ME
Instrumental variables, spatial confounding and interference
未观测的空间混杂变量在环境和生态应用中普遍存在，其中所研究的系统是复杂的，并且数据通常是观测的。工具变量（IV）是解决未观察到的混杂的常用方法;然而，使用IV对空间混杂的有效性在很大程度上是未知的。本文探讨了在这种情况下，静脉注射的有效性-特别注意的仪器的空间尺度。我们表明，在空间依赖性治疗的情况下，静脉注射是最有效的，当他们在一个更精细的空间分辨率比治疗。我们在广泛的模拟中研究了IV性能，并将该模型应用于1990-2010年美国空气污染和心血管死亡率长期趋势的示例中。最后，IV的方法也扩展到空间干扰设置，其中治疗可以影响附近的反应。
2021-02-27 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
Intact-VAE: Estimating Treatment Effects under Unobserved Confounding
The Graduate University for Advanced Studies（综合研究大学院大学）；The Institute of Statistical Mathematics（统计数学研究所）
注：本预印本有一个有缺陷的理论公式。请避免使用此选项，并参考ICLR 22出版物https://openreview.net/forum? id=q7n2RngwOM。此外，arXiv：2109.15062包含了一些关于未观察到的混淆的新想法。作为因果推断中的一个重要问题，我们讨论了在未观察混杂情况下处理效应的识别和估计。代表作为一个潜在变量的混杂因素，我们提出了完整的VAE，变分自动编码器（VAE）的一个新的变种，由预后评分，这是足以识别处理效应的动机。我们从理论上表明，在某些设置下，处理效应由我们的模型识别，并且进一步，基于我们的模型的可识别性（即，代表的确定性），我们的VAE是一个相合估计量，代表治疗组平衡。在（半）合成数据集上的实验显示了不同设置下的最新性能。
2022-04-21 cs.LG stat.ME stat.ML
Robust Design and Evaluation of Predictive Algorithms under Unobserved Confounding
MIT（麻省理工学院）；UC Berkeley（加州大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一个在未观测混杂和选择性标签下稳健设计与评估预测算法的框架，通过界定结果差异并兼容代理结果与工具变量等策略，结合澳大利亚金融机构数据验证其对信用风险预测和公平性评估的显著影响。
2025-11-05 cs.CY cs.LG econ.EM
Sense and Sensitivity Analysis: Simple Post-Hoc Analysis of Bias Due to Unobserved Confounding
Google Research（谷歌研究院）；Weill Cornell Medicine（威尔康奈尔医学院）
这是一个普遍公认的真理，一个观察到的联系，而不知道的机制，必须在希望的因果关系估计。然而，根据观察数据进行的因果估计通常依赖于“没有未观察到的混淆”的（不可检验的）假设。违反这一假设会导致效应估计值出现偏差。原则上，这种偏见可能会使研究结论无效或逆转。然而，在某些情况下，我们可能希望未观察到的混杂因素的影响相对于“大”估计效应是弱的，因此定性结论对未观察到的混杂因素的偏倚是稳健的。本文的目的是开发\emph{Austen plots}，一个敏感性分析工具，以帮助这样的判断，使其更容易的原因，潜在的偏见引起的未观察到的混杂。我们将混杂因素对治疗分配和结果的影响程度形式化。对于目标偏倚水平，Austen图显示了诱导该偏倚水平所需的治疗和结局影响的最小值。然后，领域专家可以对这些强混杂因素是否合理做出主观判断。为了辅助这一判断，Austen图还显示了观察到的协变量（组）的估计影响强度。Austen图概括了Imbens [Imb03]的经典敏感性分析方法。重要的是，奥斯汀图允许任何方法对观察到的数据进行建模并产生初始估计。我们通过评估几个真实的因果推断问题的偏差来说明该工具，使用各种机器学习方法进行初始数据分析。代码可在https://github.com/anishazaveri/austen_plots上获得
2020-12-09 cs.LG stat.ME stat.ML
$ρ$-GNF: A Copula-based Sensitivity Analysis to Unobserved Confounding Using Normalizing Flows
Linköping University（林雪平大学）；STIMA IDA；IAS IEI
提出基于Copula和归一化流的敏感性分析方法$ρ$-GNF，利用结构因果模型干预等价性估计平均因果效应并输出$ρ_{curve}$界限，相比传统方法能产生更窄的ACE界限。
2024-08-22 cs.AI econ.EM stat.ME
Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding
University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of California Los Angeles（加州大学洛杉矶分校）
未观察到的混淆是因果发现的最大挑战之一。未观测到的变量对许多观测到的变量有广泛影响的情况特别困难，因为大多数变量对在给定任何其他子集的情况下都是有条件依赖的，从而导致因果效应无法识别。在本文中，我们表明，除了条件独立性，在独立机制的原则下，未观察到的混杂在这种设置中留下了统计足迹，在观察到的数据分布，允许解开虚假和因果关系的影响。利用这一见解，我们证明了稀疏的线性高斯有向无环图之间的观测变量可以恢复近似，并提出了一个调整后的分数为基础的因果发现算法，可以实现与通用求解器和规模的高维问题。此外，我们发现，尽管我们提出的条件，以保证因果恢复，在实践中的表现是强大的模型假设的大偏差。
2021-05-25 cs.LG stat.ML
Semiparametric causal mediation analysis with unmeasured mediator-outcome confounding
虽然在中介效应的研究中可以随机分配暴露，但对中介者进行任何形式的直接干预往往是不可行的。因此，无法测量的中介结果混淆很少可以排除。我们提出了半参数识别自然的直接和间接影响的存在下，未测量的中介结果混淆利用异方差性的限制所观察到的数据法。对于推理，我们开发半参数估计，保持一致的部分误指定的观测数据模型。我们通过模拟和应用程序来说明所提出的估计量，以评估COVID-19爆发期间自我效能对医护人员疲劳的影响。
2021-09-29 stat.ME
Inference about ATE from Observational Studies with Continuous Outcome and Unmeasured Confounding
对于二元治疗和二元结局的设置，工具变量可用于构建因果处理效应的界限。对于连续的结果，有意义的边界更难获得，因为结果的域通常是不受限制的。在本文中，我们结合了一个工具变量和主观假设的背景下，一个观察性队列研究的艾滋病毒感染的妇女，构建有意义的界限的初始阶段的因果关系影响的抗逆转录病毒治疗的CD4计数。主观假设根据观察数据识别的潜在结果以及捕捉未测量混杂影响的敏感性参数进行编码。测量混杂使用逆概率加权（IPW）的方法进行调整。通过IV的额外信息，我们量化了因果处理效应和未测量混杂的程度。我们通过分析HIV流行病学研究的数据来证明我们的方法。
2013-03-25 stat.ME
On Multi-Cause Causal Inference with Unobserved Confounding: Counterexamples, Impossibility, and Alternatives
Google AI（谷歌人工智能（Google AI））
未观察到的混杂是从观察数据中得出因果推断的主要障碍。一些作者最近提出，这一障碍是可以克服的情况下，试图同时推断几个变量的影响。在本文中，我们提出了两个简单的，分析的反例，挑战的一般要求，这些方法的核心。此外，我们表明，非参数识别是不可能的，在这种情况下。我们讨论了实际的影响，并提出了替代的方法，已提出到目前为止，在这条线的工作：使用代理变量和转移焦点到敏感性分析。
2019-03-19 cs.LG stat.ML
Using Embeddings to Correct for Unobserved Confounding in Networks
Columbia University（哥伦比亚大学）
我们考虑存在未观察到的混杂的因果推断。我们研究的情况下，一个代理是可用于未观察到的混淆的形式的网络连接的单位。例如，社交网络的链接结构携带关于其成员的信息。我们展示了如何有效地使用代理做因果推断。其主要思想是将因果估计问题简化为治疗和结果的半监督预测。网络允许高质量的嵌入模型，可用于这种半监督预测。我们表明，该方法在适当的（弱）条件下的预测模型的质量产生有效的推断。我们验证了半合成的社会网络数据集上的实验方法。代码可在github.com/vveitch/causal-network-embeddings上获得。
2019-05-31 cs.LG stat.ML
On counterfactual inference with unobserved confounding
Massachusetts Institute of Technology（麻省理工学院）；Cornell Tech（康奈尔科技校区）
本文研究存在未观测混杂的观察性研究中的反事实推断问题，通过将结果条件分布建模为指数族并引入联合学习异质参数的凸目标函数，提供了与参数空间度量熵呈线性的均方误差界限，并应用于稀疏缺失协变量的一致插补。
2023-09-14 cs.LG stat.ME
Causal Inference with Unobserved Confounding: A Mixture Learning Perspective
Massachusetts Institute of Technology（麻省理工学院）
本文提出混合学习视角，将潜在混杂视为异质性来源，通过恢复混合分布与分量机制，实现干预分布和因果估计量的估计，并连接高维混合学习与因果推断。
2026-09-22 cs.LG eess.SP stat.CO
Addressing pitfalls in implicit unobserved confounding synthesis using explicit block hierarchical ancestral sampling
University of Copenhagen（哥本哈根大学）；Technical University of Munich（慕尼黑工业大学）
针对隐式未观测混淆合成中的对角占优和双向边限制问题，提出基于块分层祖先生成的显式建模方法，完全覆盖因果模型空间，实现更稳健的因果发现评估。
2025-04-01 cs.LG math.ST stat.ML
Mediation analysis with unmeasured confounding between parallel mediators and outcome
School of Mathematical Sciences, Peking University（北京大学数学科学学院）；The Beijing Institute of Brain Disorders, Chinese Institutes for Medical Research, Capital Medical University（首都医科大学中国医学研究院北京脑 disorder 研究所）
本文提出了一种考虑平行中介变量与结果之间未测量混杂的中介分析框架，通过伪代理变量识别因果参数，并提出部分惩罚方法识别显著影响结果的中介变量，通过模拟研究和基因组数据验证了方法的有效性。
2026-03-29 stat.ME
Causal Inference with Unmeasured Confounding from Nonignorable Missing Outcomes
本文针对存在不可观测混杂和非随机缺失结局的观察性研究，提出利用同时作为影子变量和工具变量的辅助变量，实现依从者平均因果效应的非参数识别与估计，并通过模拟和真实数据验证。
2023-05-12 stat.ME
A confounding bridge approach for double negative control inference on causal effects
本文提出一种利用阴性对照结局和阴性对照暴露构建混杂桥函数的方法，用于在未测量混杂下识别平均因果效应，并通过模拟和空气污染对死亡率影响的研究验证其有效性。
2024-09-06 stat.ME
Instrumented Common Confounding
在存在未观察到的混杂因素时，因果推断是困难的。我们介绍了仪器共同混杂（ICC）的方法（nonparametrically）确定因果关系的工具，这是外源性的条件下，一些未观察到的共同混杂因素。ICC方法在具有多个未观察到的混杂因素来源的丰富观察数据中最有用，其中工具至多是一些未观察到的常见混杂因素的外生条件。合适的例子是在社会科学中的各种识别问题，非线性动态面板，和多个内源性混杂因素的问题。ICC识别假设与混合模型、负控制和IV中的识别假设密切相关。与混合模型相比[Bonhomme等人，2016]，我们需要较少的条件独立变量，不需要对未观察到的混杂因素进行建模。与阴性对照相比[Cui等人，2020]，我们允许非共同混杂因素，关于这些工具是外源性的。与IV [Newey and Powell，2003]相比，我们允许工具在一些未观察到的常见混杂因素上是外生条件的，对于这些混杂因素，存在一组相关的观察变量。我们证明点识别结果模型和第一阶段的限制。我们提供了一个实用的一步一步的指南，ICC模型的假设和教育对收入的因果关系作为一个激励的例子。
2022-09-19 econ.EM math.ST stat.TH
Mediation Analysis with Multiple Mediators under Unmeasured Mediator-Outcome Confounding
在健康和社会科学中，研究多个暴露后中介变量的联合中介效应通常是很有意义的。要确定这种联合调解效果，一般不需要对所有调解人的结果进行无法衡量的混淆。随着考虑中的调解人数量的增加，这一关键假设可能会被违反，因为对任何调解人进行干预往往是不可行的。在本文中，我们开发了一种简单的两步法矩估计程序，用于在存在潜在的不可测量的调解人-结果混淆的情况下同时评估多个调解人的调解。我们的识别结果利用了暴露对人群中每个介质的影响的异质性，这在各种经验环境下是合理的。通过模拟和应用程序来说明拟议的估计，以评估创伤后应激障碍症状在COVID-19爆发期间医护人员自我效能和疲劳之间的关联中的中介作用。
2022-05-30 stat.ME
Confounding-Robust Policy Improvement with Human-AI Teams
针对人机协作中的未观测混淆问题，提出基于敏感性分析和委托框架的鲁棒策略改进方法，提升协作性能。
2025-02-26 cs.HC stat.ML
Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding
The Pennsylvania State University（宾夕法尼亚州立大学）
研究指出未观测混杂会使数据驱动因果发现中，增大样本量无法保证识别潜在因果结构，仅能提升观测代理变量关联的确定性，凸显统计不确定性降低与因果机制恢复的根本差异。
2026-07-31 stat.ME
Doubly Robust Proximal Causal Inference under Confounded Outcome-Dependent Sampling
未测量的混杂和选择偏倚在观察性研究中经常引起关注，如果不适当解释，可能会使因果分析无效。在结果依赖性抽样下，对治疗、结果和样本选择过程具有因果影响的潜在因素可能导致不可测量的混杂和选择偏倚，从而在没有额外假设的情况下无法识别标准因果参数。在处理效应的比值比模型下，Li et al. 2022通过利用一对阴性对照变量作为混杂和选择偏倚来源的潜在因素的代理，建立了因果效应的近端识别和估计。然而，他们的方法完全依赖于所谓的治疗混淆桥函数的存在和正确规范，这是一种限制治疗分配机制的模型。在这篇文章中，我们提出了双重稳健估计的优势比模型下的两个滋扰功能-治疗混杂桥函数和结果混杂桥函数，限制了结果的法律，使我们的估计是一致的，渐近正常的，如果桥函数模型是正确的指定，而不知道哪一个是。因此，我们提出的双稳健估计量可能比Li等人的估计量更稳健。我们的模拟证实，提出的优势比因果效应的近端估计可以充分考虑剩余混杂和选择偏差，在规定的条件下，校准良好的置信区间在广泛的情况下，标准方法通常无法保持一致。此外，建议的双重稳健估计是一致的，如果至少有一个混杂桥函数被正确指定。
2022-08-02 stat.ME
Partial identification and unmeasured confounding with multiple treatments and multiple outcomes
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；Dana-Farber Cancer Institute（达纳法伯癌症研究所）；University of Florida（佛罗里达大学）；University of Central Florida（中佛罗里达大学）；University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
针对多重治疗与结果下未测量混杂问题，提出因子混杂假设下的部分识别框架，利用联合识别区域和阴性对照缩小范围，并应用于PM2.5组分健康效应估计，发现其效应稳健。
2026-09-11 stat.ME
Interval Estimation of Individual-Level Causal Effects Under Unobserved Confounding
Cornell University（康奈尔大学）；Cornell Tech（康奈尔理工学院）
我们研究了从具有未观察到的混杂因素的观察数据中学习条件平均处理效应（CATE）的问题。CATE函数将基线协变量映射到个体因果效应预测，是个性化评估的关键。最近的工作集中在如何学习CATE下unconfoundedness，即，当没有未观察到的混杂因素时。由于CATE可能无法确定时，unconfoundedness被违反，我们开发了一个功能区间估计，预测界限的个人因果关系的影响下，现实的违反unconfoundedness。我们的估计量采用加权核估计量的形式，其权重反向变化。我们证明，我们的估计是尖锐的，它收敛到严格的界限可能对CATE时，可能有未观察到的混杂因素。此外，我们研究了个性化的决策规则来自我们的估计，并证明了他们达到最优的极大极小遗憾渐近。我们在模拟研究中评估了我们的方法，并通过比较来自真实观察性研究和临床试验的结论来证明其在激素替代疗法中的应用。
2018-10-05 cs.LG stat.ML
Observing the unobserved confounding through its effects: toward randomized trial-like estimates from real-world survival data
Operations Research Center, Massachusetts Institute of Technology（麻省理工学院运营研究中心）；Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院）；Department of Surgery, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心外科部）；Charité-Universitätsmedizin Berlin, Corporate Member of Freie Universität Berlin and Humboldt-Universität zu Berlin（柏林夏里特医学院，柏林自由大学和洪堡大学联合成员）
本文提出一种三步框架，通过推断和平衡潜在的预后因素来减少真实世界生存数据中的未观测混淆，提升治疗效应估计。
2026-04-13 cs.AI stat.AP stat.ME
Estimation of natural indirect effects robust to unmeasured confounding and mediator measurement error
使用因果中介分析来评估暴露影响结果的途径在社会和生物医学科学中很普遍。这一领域的最新进展为确定和估计自然的直接和间接影响确立了正式条件。然而，这些条件通常涉及严格的无未测量的混杂假设，以及中介人已被测量无误差。在经常采用调解方法的实践中，这些假设可能不成立。本文的目的是双重的。首先，我们表明，自然的间接效应，事实上可以确定在存在不可测量的确定性结果混杂的中介和不可测量的混杂因素（S）之间没有添加剂的相互作用。其次，我们引入了一个新的自然间接效应的估计，是强大的经典测量误差的调解人和不可测量的混杂的确定结果和调解结果的关系在某些无相互作用的假设。我们提供了正式的证明和模拟研究来证明我们的结果。
2018-08-10 stat.ME
Identification and Inference for Synthetic Controls with Confounding
本文在存在未观测混杂的面板数据中，利用随机因子模型研究处理效应的识别与推断，揭示时间与个体层面混杂的权衡，并为多种合成控制估计量建立渐近推断结果。
2023-12-01 econ.EM math.ST stat.ME
Confounding-Robust Policy Improvement
Cornell University（康奈尔大学）
我们研究了从观测数据中学习个性化决策策略的问题，同时考虑可能的未观察到的混淆。以前的方法，假设不混淆，即，没有未观察到的混杂因素影响治疗分配和结果，这可能导致当存在一些未观察到的混杂因素时，引入伤害而不是益处的政策，这通常是观察数据的情况。相反，由于政策的价值和遗憾可能无法点识别，我们研究了一种方法，最大限度地减少最坏情况下的估计遗憾的候选政策对基线政策的不确定性集的倾向权重，控制未观察到的混淆的程度。我们证明了泛化保证，确保我们的政策将是安全的，当应用于实践中，实际上将获得尽可能最好的统一控制范围内的所有可能的人口遗憾，同意可能的程度混淆。我们开发了有效的算法解决方案来计算这种令人困惑的强大的政策。最后，我们评估和比较我们的方法在合成和半合成数据。特别是，我们认为个性化激素替代疗法的观察数据的基础上，我们验证我们的结果的随机实验的案例研究。我们证明，隐藏的混杂可能会阻碍现有的策略学习方法，并导致不必要的伤害，而我们强大的方法保证安全性，并侧重于证据充分的改善，使个性化的治疗政策，从观察数据在实践中可靠的必要性。
2019-11-04 cs.LG stat.ML
Bayesian Sensitivity Analysis for Causal Estimation with Time-varying Unmeasured Confounding
Dalla Lana School of Public Health, University of Toronto（多伦多大学达拉·兰纳公共卫生学院）；Public Health Ontario（安大略省公共卫生局）；Rutgers School of Public Health, Rutgers University（罗格斯大学罗格斯公共卫生学院）；Division of Gastroenterology, Hepatology Nutrition, The Hospital for Sick Children（儿童医院胃肠病学、肝病营养科）；University of Utah and Intermountain Healthcare Primary Children’s Hospital（犹他大学和山脊医疗初级儿童医院）；Institute of Health Policy, Management and Evaluation, University of Toronto（多伦多大学卫生政策、管理与评估研究所）
本文提出两种贝叶斯敏感性分析方法，用于估计存在时间变化未测量混杂因素的纵向观察数据中的治疗效应，并通过模拟和实际数据验证其有效性。
2025-06-12 stat.ME
A flexible sensitivity analysis approach for unmeasured confounding with multiple treatments and a binary outcome with application to SEER-Medicare lung cancer data
在没有随机化实验的情况下，得出关于处理效应的因果推断的关键假设是可验证的处理分配。违反可验证性假设可能导致处理效应估计值出现偏倚。敏感性分析有助于衡量因果结论将如何改变，以响应偏离可解释性假设的潜在幅度。然而，在多种治疗和二元结果的背景下，针对未测量混杂因素的敏感性分析方法却很少见。我们提出了一个灵活的蒙特卡罗敏感性分析方法的因果推断在这样的设置。我们首先推导出一般形式的偏差引入未测量的混杂，强调理论特性独特的多个治疗相关。然后，我们提出了方法来编码的影响，未测量的混杂因素对潜在的结果和调整估计的因果关系，其中假定的未测量的混杂因素被删除。我们提出的方法嵌入嵌套的多重插补贝叶斯框架内，允许无缝集成的灵敏度参数和采样变异性的值的不确定性，以及使用贝叶斯加性回归树建模的灵活性。扩展模拟验证了我们的方法，并深入了解敏感性分析与多种治疗。我们使用SEER-医疗保险数据来证明敏感性分析，使用三种治疗方法治疗早期非小细胞肺癌。在这项工作中开发的方法在R软件包SAMTx中很容易获得。
2021-08-13 stat.ME
Causal Inference with Categorical Unobserved Confounder via Mixture Learning
Department of Electrical Engineering and Computer Science, MIT（麻省理工学院电气与计算机科学系）；Laboratory for Information and Decision Systems, MIT（麻省理工学院信息与决策系统实验室）
本文研究了在未观察混杂因素为类别型时，如何通过混合学习方法实现因果推断，并提出了基于张量分解的估计方法，证明了在合适条件下因果效应可识别。
2026-07-09 stat.ME stat.ML
Adjusting for Unmeasured Spatial Confounding with Distance Adjusted Propensity Score Matching
倾向得分匹配是观察性研究中调整观察到的混杂因素的常用工具，但已知在存在未测量混杂因素时存在局限性。在许多情况下，研究人员面临的空间索引数据的观测单位的相对位置可以作为一个有用的代理未测量的混杂，根据空间模式的变化。我们开发了一种新的方法，称为距离调整的倾向得分匹配（DAPSm），将单位的空间接近的信息纳入一个倾向得分匹配过程。我们表明，DAPSm可以调整观察到的和一些形式的未观察到的混杂和评估其性能相对于其他几个合理的替代方案，将空间信息纳入倾向得分调整。该方法的动机是，并适用于一个比较有效的调查发电厂减排技术，旨在减少人口暴露于环境臭氧污染。最后，DAPSm提供了一个框架，用于增强一个“标准”的倾向得分分析与空间接近的信息，并提供了一个透明的和原则性的方式来评估优先观察到的混淆调整与空间接近调整的相对权衡。
2017-12-06 stat.ME
Model-assisted sensitivity analysis for treatment effects under unmeasured confounding via regularized calibrated estimation
考虑使用敏感性分析估计未测量混杂情况下的平均处理效应，假设满足边际敏感性模型。在人口水平上，我们提供了新的表示尖锐的人口界和双重强大的估计功能，最近来自多恩，郭和Kallus。我们还根据加权线性结果分位数回归推导出新的、宽松的种群界限。在样本水平上，我们开发了新的方法和理论，不仅获得双重稳健的点估计的放松人口界相对于误指定的倾向得分模型或结果均值回归模型，但也模型辅助的置信区间是有效的，如果正确指定的倾向得分模型，但结果分位数和均值回归模型可能被误指定。如果正确指定了结果分位数回归，则放松的总体边界减少到锐边界。对于线性结果均值回归模型，置信区间也具有双重稳健性。我们的方法涉及正则化校准估计，Lasso惩罚，但精心选择的损失函数，拟合倾向得分和结果的平均值和分位数回归模型。我们提出了一个模拟研究和实证应用的观察性研究的影响，右心导管插入术。
2022-09-23 stat.ME
Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding
TUM School of Computation, Information and Technology（慕尼黑工业大学计算、信息与技术学院）；Technical University of Munich（慕尼黑工业大学）；University of British Columbia（不列颠哥伦比亚大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
针对含潜在混杂的线性非高斯结构方程模型，论文提出递归识别源并消除其影响的因果发现算法，利用高阶累积量矩阵秩条件，在无需预知潜变量数目的情况下达到与过完备 ICA 相当的性能。
2024-08-09 cs.LG stat.ME stat.ML
Estimating individual treatment effects under unobserved confounding using binary instruments
Munich Center for Machine Learning（慕尼黑机器学习中心）；LMU Munich（慕尼黑大学）
从观察数据估计条件平均处理效应（CATE）在许多领域都是相关的，例如个性化医疗。然而，在实践中，治疗分配通常会受到未观察到的变量的混淆，从而引入偏倚。消除偏差的一种补救办法是使用工具变量。这种设置在医学中很普遍（例如，其中治疗分配用作二元IV的试验）。在本文中，我们提出了一种新的，多个强大的机器学习框架，称为MRIV，估计CATE使用二进制IV，从而产生一个无偏的CATE估计。不同于以前的工作二进制IV，我们的框架估计CATE直接通过伪结果回归。(1)~我们提供了一个理论分析，我们表明，我们的框架产生多个强大的收敛速度：我们的CATE估计实现快速收敛，即使几个滋扰估计收敛缓慢。(2)~我们进一步表明，我们的框架渐近优于最先进的插件IV方法的CATE估计，在这个意义上说，它实现了更快的收敛速度，如果CATE是光滑的比个别的结果表面。(3)~我们基于我们的理论结果，提出了一种定制的深度神经网络架构，称为MRIV-Net，用于使用二进制IV进行CATE估计。在各种计算实验中，我们凭经验证明我们的MRIV-Net达到了最先进的性能。据我们所知，我们的MRIV是第一个多功能强大的机器学习框架，专门用于估计二进制IV设置中的CATE。
2023-01-22 cs.LG stat.ME stat.ML
Demystifying Proximal Causal Inference
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）；Johns Hopkins School of Medicine（约翰斯·霍普金斯大学医学院）；Yale University（耶鲁大学）
本文探讨了近因推断在处理未观察到的混杂因素时的识别与估计方法，分析了其假设条件及不同估计方法的比较，提出通过领域知识和负控类比选择代理变量的实践指导。
2026-03-15 stat.ME
Sensitivity analysis for unobserved confounding of direct and indirect effects using uncertainty intervals
为了从观察到的数据中估计暴露对结果的直接和间接影响，需要对无混淆性进行强有力的假设。由于这些假设不能用观察到的数据进行检验，因此中介分析应始终伴随着对所得估计值的灵敏度分析。在本文中，我们提出了一个灵敏度分析方法的参数估计的直接和间接的影响时，暴露，中介和结果都是二元的。敏感性参数包括中介模型和结果模型的误差项之间的相关性、中介模型和暴露分配机制模型的误差项之间的相关性以及暴露分配模型和结果模型的误差项之间的相关性。将这些相关性纳入模型参数的估计中，然后获得一系列合理相关值的直接和间接效应的识别集。我们通过构建不确定区间来考虑抽样变异性。所提出的方法是能够评估敏感性的中介结果混杂和混杂涉及的曝光。为了说明这种方法，我们将其应用到一项基于瑞典中风登记处（Rikstroke）数据的中介研究中。
2017-11-28 math.ST stat.TH
Quantifying Ignorance in Individual-Level Causal-Effect Estimates under Hidden Confounding
University of Oxford（牛津大学）；Technion – Israel Institute of Technology（以色列理工学院）
我们研究的问题，学习条件平均治疗效果（CATE）从高维，观察数据与未观察到的混杂因素。未观察到的混杂因素通过诱导CATE估计值的偏倚，引入了对个体治疗反应的无知（一种不可识别的水平）。我们提出了一个新的参数区间估计适合于高维数据，估计一系列可能的CATE值时，给出了一个预定义的范围内的隐藏混杂的水平。此外，以前的区间估计不考虑与原始研究中可能代表性不足的样本或违反重叠假设的样本相关的CATE的无知。我们的区间估计量还结合了模型的不确定性，使从业者可以知道的分布数据。我们证明了我们的估计收敛到严格的CATE上的界限时，可能有未观察到的混淆，并使用半合成，高维数据集进行评估。
2022-02-01 cs.LG stat.ML
Inferring Comprehensive Cohort Causal Effects in the Presence of Unmeasured Confounding and Missing Outcomes
University of Utah（犹他大学）；Emory University（埃默里大学）；University of Warwick（华威大学）；University Hospitals Coventry & Warwickshire（考文垂与华威郡大学医院）
提出一个方法框架，用于估计混合设计临床研究中的综合队列因果效应，通过半参数敏感性分析处理未测量混杂和随机缺失结局，并推导有效影响函数和偏差校正估计量。
2026-06-27 stat.ME
Outcome-wide longitudinal designs for causal inference: a new template for empirical studies
在本文中，我们提出了一个新的模板，旨在评估因果关系的实证研究：结果范围的纵向设计。该方法是通常使用混杂控制来评估治疗或暴露的因果效应的方法的延伸，但现在，在许多结果中。我们讨论了时间和混杂控制原则，这样的结果范围内的研究，指标，以评估鲁棒性或敏感性潜在的未测量的混杂为每个结果，和方法来处理多重检验。我们认为，结果范围的纵向设计有许多优势，比更传统的研究，包括研究者的偏见，更大的可能性报告无效的影响，更大的能力，比较效果大小，一个巨大的收益，在效率的研究社区，更大的政策相关性，更快的进步的知识。我们讨论了实践和理论的理由，结果范围的纵向设计，也务实的细节，其实施。
2018-10-24 stat.ME
Quasi Instrumental Variable Methods for Stable Hidden Confounding and Binary Outcome
本文针对二元结果下IV排除性限制和独立性条件常不满足的问题，提出基于稳定混杂结构模型与准工具变量的识别策略，并开发最大似然和三重稳健半参数估计量，通过模拟及UK Biobank数据验证其有效性。
2025-09-20 stat.ME
Interpretable sensitivity analysis for the Baron-Kenny approach to mediation with unmeasured confounding
本文针对未测量混杂下Baron-Kenny中介分析估计有偏的问题，推导了向量线性回归的遗漏变量偏差公式，提出了对应有向无环图自然分解的可解释敏感性参数，并定义了“中介稳健性值”以评估结果对未测量混杂的稳健性，同时证明了所有敏感性边界均紧致可达。
2025-04-04 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
Estimation of Causal Effects in the Presence of Unobserved Confounding in the Alzheimer's Continuum
Ludwig-Maximilians-Universität（慕尼黑大学）
研究神经解剖学与阿尔茨海默氏症引起的认知能力下降之间的关系一直是过去十年的主要研究焦点。然而，为了从观察数据中推断因果关系而不是简单的关联，我们需要（i）在图形模型中表达导致认知下降的因果关系，以及（ii）确保从收集的数据中可以识别感兴趣的因果效应。我们得出一个因果关系图，从目前的临床知识的原因和影响，在阿尔茨海默氏症的连续性，并表明，可识别的因果关系的影响，需要所有的混杂因素是已知的和测量。然而，在复杂的神经影像学研究中，我们既不知道所有潜在的混杂因素，也没有关于它们的数据。为了减轻这一要求，我们利用多个原因之间的依赖关系，通过概率潜在因素模型推导出一个替代混淆因素。在我们的理论分析中，我们证明了使用替代混杂因素可以识别神经解剖学对认知的因果影响。我们定量评估我们的方法在半合成数据上的有效性，在那里我们知道真正的因果关系，并说明其在阿尔茨海默病连续体的真实数据上的使用，在那里它揭示了重要的原因，否则会被错过。
2021-06-20 cs.LG stat.AP stat.ME
High-dimensional confounding adjustment using continuous spike and slab priors
在观察性研究中，治疗对结果的因果效应的估计依赖于对混杂因素的适当调整。如果潜在混杂因素的数量（$p$）大于观察结果的数量（$n$），则直接控制所有潜在混杂因素是不可行的。现有的降维和惩罚方法一般是针对预测结果，不太适合因果效应的估计。在标准惩罚方法（例如Lasso）下，如果变量$X_j$与治疗$T$强相关，但与结局$Y$弱相关，则系数$β_j$将向零收缩，从而导致混杂偏倚。假设的线性模型的结果和稀疏性，我们提出了连续的尖峰和平板先验的回归系数$β_j$对应的潜在混杂因素$X_j$。具体地说，我们引入了一个先验分布，它不会严重收缩到零的系数（$β_j$）的$X_j$的强相关的$T$，但弱相关的$Y$。我们比较我们提出的方法，在文献中提出的几个国家的最先进的方法。我们提出的方法具有以下特点：1）它减少了在高维设置的混杂偏差; 2）它缩小到零系数的工具变量;和3）它实现了良好的覆盖率，即使在小样本量。我们将我们的方法应用于国家健康与营养调查（NHANES）数据，以估计持续性农药暴露对甘油三酯水平的因果影响。
2018-10-16 stat.ME
Causal mediation with instrumental variables
中介分析是一种理解治疗或干预影响后期结果的机制的策略。中介分析经常应用于随机试验环境，但通常假设：a）随机分配是关注的暴露，而不是实际接受干预，b）没有未观察到的中介-结果关系的混杂。与关于估计非随机化暴露总效应的工具变量（IV）方法的丰富文献相反，几乎没有研究将IV用作存在确定结果和中介结果未观察到混杂的识别策略。作为回应，我们定义并确定了新的被估量--复杂的干预直接和间接效应（即，IV中介效应）在两种情况下：1）单一IV暴露，2）两个IV，一个暴露，另一个中介，这可能是相关的。我们提出了非参数的，强大的，有效的估计，并将其应用到住房券实验。
2021-12-27 stat.ME
Identifying effects of multiple treatments in the presence of unmeasured confounding
在存在不可测量的混杂因素的情况下识别处理效应是社会、生物和医学科学中的一个持续问题。在统计遗传学和生物信息学环境中，多种治疗方案中的不可测量混杂问题最常见，研究人员已经开发出许多成功的统计策略，但没有深入研究问题的因果关系。最近有一些尝试弥合这些统计方法和因果推断之间的差距，但这些尝试要么被证明是有缺陷的，要么依赖于完全参数化的假设。在本文中，我们提出了两种策略，用于识别和估计因果关系的影响，在存在不可测量的混杂因素的多种治疗。辅助变量方法利用了与结果没有因果关系的变量;在单变量混杂因素的情况下，我们的方法只需要一个辅助变量，不像现有的工具变量方法需要尽可能多的工具，因为有治疗。另一种无效治疗方法依赖于至少一半混杂治疗对结局无因果影响的假设，但不需要先验知识来确定哪些治疗无效。我们的识别策略不对结果模型施加参数假设，也不依赖于对混杂因素的估计。本文扩展和概括了现有的工作与生物信息学中常用的单一治疗和模型的不可测量的混杂。
2022-07-09 stat.ME
On Proximal Causal Learning with Many Hidden Confounders
我们推广了Miao，Geng和Tchetgen Tchetgen（2018）的近似g-公式，用于使用代理变量在未观察到的混淆下进行因果推断。具体来说，我们表明，该公式适用于所有的因果模型在一定的等价类，这个类包含的模型中，未观察到的混杂因素的集合的水平的总数可以任意大于每个代理变量的水平数。虽然很容易获得，但结果对应用程序来说可能很重要。模拟证实了我们的正式论点。
2020-12-12 stat.ME
Counterfactual Graphical Models for Longitudinal Mediation Analysis with Unobserved Confounding
关于中介因果效应的问题在心理学、认知科学、医学、社会科学、公共卫生和许多其他学科中引起了极大的兴趣。例如，最近发表在社会心理学主要期刊上的论文中，约有60%包含至少一个中介测试（Rucker，Preacher，Tormala和Petty，2011）。标准的参数中介分析方法采用回归模型，以及流行病学中更常见的“差分法“（Judd & Kenny，1981）或社会科学中更常见的“乘积法”（Baron & Kenny，1986）。在本文中，我们首先讨论一个已知的，但可能经常不被欣赏的事实：这些参数方法是一个特殊的情况下，一般反事实框架的推理因果关系首先描述的内曼（1923年），鲁宾（1974年），并链接到因果图模型的罗宾斯（1986年）和珍珠（2000年）。然后，我们展示了这个框架的一些优点。首先，它明确了中介分析所依据的强有力的假设。其次，它避免了乘积法和差分法中存在的一些问题，例如某些情况下效应的有偏估计。最后，我们证明了一个新的结果，允许中介分析被应用到纵向设置未观察到的混杂因素，这个框架的一般性。
2013-03-04 math.ST stat.TH
Peer Effect Estimation in the Presence of Simultaneous Feedback and Unobserved Confounders
针对复杂网络中同时反馈与未观测混淆因素导致同伴效应估计不准的问题，提出深度学习框架DIG2RSI，结合I-G转换与2SRI技术消除偏差，实现真实同伴效应的渐近一致估计。
2025-08-05 cs.AI cs.LG stat.ME
