Covariate-Balancing-Aware Interpretable Deep Learning models for Treatment Effect Estimation
University of Pennsylvania（宾夕法尼亚大学）
估计处理效应对于许多具有观察数据的生物医学应用是非常重要的。特别地，处理效应的可解释性对于许多生物医学研究者是优选的。本文首先从理论上分析了强可重复性假设下平均处理效应（ATE）估计的偏差，并给出了其上界。通过利用加权能量距离的吸引力属性，我们的上限比文献中报道的更紧。受理论分析的启发，我们提出了一种新的目标函数估计ATE，使用能量距离平衡得分，因此不需要正确的规范的倾向得分模型。我们还利用最近开发的神经添加模型来提高用于潜在结果预测的深度学习模型的可解释性。我们进一步增强了我们提出的模型与能量距离平衡得分加权正则化。我们提出的模型优于当前国家的最先进的方法证明了在半合成实验中使用两个基准数据集，即IHDP和ACIC。
2022-06-24 cs.LG stat.ML
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
Balancing Covariates via Propensity Score Weighting
协变量平衡对于无混杂的描述性或因果关系比较至关重要。然而，缺乏平衡在观察性研究中很常见。本文考虑平衡协变量的加权策略。我们定义了一个通用的权重类-平衡权重-平衡治疗组之间协变量的加权分布。这些权重结合了倾向得分，以将每组与分析师选择的目标人群进行加权。这个类统一了现有的加权方法，包括常用的权重，如作为特例的逆概率权重。基于这些权重的非参数估计的一般大样本结果。我们进一步提出了一个新的加权方案，重叠权重，其中每个单元的权重是成比例的概率，该单元被分配到相对的组。重叠权重是有界的，并且最小化平衡权重类之间的加权平均处理效应的渐近方差。重叠权重也具有理想的小样本精确平衡属性，基于此，我们提出了一种新的方法，实现精确平衡的手段，任何选定的协变量集。两个应用程序说明了这些方法，并与其他方法进行比较。
2016-11-15 stat.ME
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
Balancing Covariates via Propensity Score Weighting
协变量平衡对于无混杂的描述性或因果关系比较至关重要。然而，缺乏平衡在观察性研究中很常见。本文考虑平衡协变量的加权策略。我们定义了一个通用的权重类-平衡权重-平衡治疗组之间协变量的加权分布。这些权重结合了倾向得分，以将每组与分析师选择的目标人群进行加权。这个类统一了现有的加权方法，包括常用的权重，如作为特例的逆概率权重。基于这些权重的非参数估计的一般大样本结果。我们进一步提出了一个新的加权方案，重叠权重，其中每个单元的权重是成比例的概率，该单元被分配到相对的组。重叠权重是有界的，并且最小化平衡权重类之间的加权平均处理效应的渐近方差。重叠权重也具有理想的小样本精确平衡属性，基于此，我们提出了一种新的方法，实现精确平衡的手段，任何选定的协变量集。两个应用程序说明了这些方法，并与其他方法进行比较。
2016-09-29 stat.ME
Kernel Optimal Orthogonality Weighting: A Balancing Approach to Estimating Effects of Continuous Treatments
许多科学问题需要估计连续治疗的效果。结果建模和基于广义倾向得分的加权回归是评价连续效应最常用的方法。然而，这些技术可能对模型错误指定、极端权重或两者敏感。在本文中，我们提出了核最优连续性加权（KOOW），凸优化为基础的方法，估计连续治疗的效果。KOOW找到使连续治疗和混杂因素之间的最差情况惩罚函数协方差最小化的权重。通过最小化该数量，KOOW成功地提供了使混杂因素和连续治疗正交化的权重，从而提供了最佳协变量平衡，同时控制了极端权重。我们评估其比较性能的模拟研究。使用来自妇女健康倡议观察性研究的数据，我们应用KOOW来评估红肉消费对血压的影响。
2019-10-26 stat.AP stat.ME stat.ML
Approximate Balancing Weights for Clustered Observational Study Designs
在群集观察性研究中，将治疗分配给各组，组内的所有单位均暴露于治疗。我们开发了一种新的方法，在聚类观察性研究中使用近似平衡权重进行统计调整，这是逆倾向得分权重的推广，它解决了一个凸优化问题，找到一组权重，直接最小化协变量不平衡的测量，并对权重的方差进行额外的惩罚。我们量身定制的近似平衡权重优化问题的两个调整集的均方误差为每种情况下得出的上界，并找到权重，最大限度地减少这个上界，协变量平衡的水平上的偏见。我们通过将绑定专门化到随机聚类水平效应模型来实现该过程，从而导致方差惩罚，该方差惩罚结合了信号信噪比并根据类内相关性不同地惩罚个体权重和组总权重。
2023-03-03 stat.ME
Projected State-action Balancing Weights for Offline Reinforcement Learning
Texas A&M University（德州农工大学）；George Washington University（乔治华盛顿大学）
离线策略评估（OPE）被认为是强化学习（RL）中的一个基本且具有挑战性的问题。本文重点研究了基于预先收集的数据的目标策略的价值估计，该数据是在无限时域马尔可夫决策过程的框架下从可能不同的策略中产生的。受RL中的边缘重要性采样方法和因果推理中协变量平衡思想的启发，我们提出了一种新的具有近似投影状态-动作平衡权重的策略值估计器。我们得到了这些权重的收敛速度，并证明了所提出的值估计是半参数有效的技术条件下。在渐近性方面，我们的结果与轨迹的数量和每个轨迹处的决策点的数量都成比例。因此，当决策点的数量出现分歧时，仍然可以用有限数量的受试者实现一致性。此外，我们开发了一个必要和充分条件，建立适定性的Bellman运营商在关闭的政策设置，其特点是困难的OPE，可能是独立的利益。数值实验表明，我们提出的估计有前途的性能。
2022-06-09 cs.LG 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 and the Equivalence of Weighting and Doubly Robust Estimators of Average Treatment Effects
本文证明在采用特定协变量平衡方法估计倾向得分时，IPW、AIPW和IPWRA估计量对ATE和ATT在数值上等价，并探讨了该等价性对工具变量和双重差分方法的简化意义。
2025-09-21 econ.EM stat.ME
Kernel Ridge Riesz Representers: Generalization, Mis-specification, and the Counterfactual Effective Dimension
Harvard University（哈佛大学）
本文将核平衡权重重新解释为核岭Riesz表示子（KRRR），通过反事实有效维度刻画解决泛化误差、特征误设定及异质性效应推断问题，并应用于401(k)资格对资产影响的因果不确定性量化。
2024-07-04 cs.LG econ.EM math.ST
Energy Balancing Weights for Mediation Analysis
Juntendo University（顺天堂大学）；GlaxoSmithKline K.K.（葛兰素史克株式会社）
本研究针对因果中介分析提出EBWMA方法，无需建模处理分配等，通过二次规划最小化能量距离，模拟与实证分析显示其偏差、均方根误差及变异性表现优于对比方法。
2026-08-18 stat.ME
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
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
Weighted Euclidean balancing for a matrix exposure in estimating causal effect
在许多科学领域，如生物学，心理学和社会学，有越来越多的兴趣，估计因果关系的矩阵暴露的结果。协变量平衡是因果推断中的关键问题，精确平衡和近似平衡方法在过去的几十年中已经被提出。然而，由于大量的约束条件，它是难以实现精确的平衡或选择阈值参数的近似平衡方法时，处理是一个矩阵。为了应对这些挑战，我们提出了加权欧氏平衡方法，从整体的角度近似平衡协变量。该方法同样适用于高维协变量的情形。提出了估计矩阵处理因果效应的参数和非参数方法，并给出了这两种估计的理论性质。仿真结果表明，该方法在各种情况下都优于其他方法。最后，将此方法应用于调查儿童参加各种训练课程与其智商之间的因果关系。结果表明，6-9岁儿童参加实践课程的时间对儿童的智商有显著的积极影响。
2023-03-13 stat.ME
Optimal Balancing of Time-Dependent Confounders for Marginal Structural Models
边际结构模型（MSM）通过加权回归估计存在时间依赖性混杂的时变治疗的因果效应。使用治疗加权逆概率（IPTW）的标准方法可能会因极端权重而导致高方差估计值，并对模型误设定敏感。已经提出了各种方法来部分解决这个问题，包括截断和稳定IPTW，以缓和极端权重和协变量平衡倾向得分（CBPS），以解决治疗模型的错误指定。在本文中，我们提出了核最优加权（KOW），一种基于凸优化的方法，找到适合MSM的权重，最佳地平衡时间依赖性混杂因素，同时控制精度，直接解决上述限制。KOW通过一个新的分解函数直接最小化由于时间依赖性混杂引起的估计误差。我们进一步扩展KOW控制信息审查。我们在模拟研究中评估KOW的性能，将其与IPTW、稳定IPTW和CBPS进行比较。我们证明了使用KOW在研究艾滋病毒感染者的治疗开始时间死亡的影响和负面广告对美国选举的影响。
2019-08-12 math.OC stat.ME stat.ML
Entropy Balancing for Continuous Treatments
本文通过扩展Hainmüller（2012）的原始熵平衡方法，介绍了连续治疗的熵平衡（EBCT）。为了估计平衡权重，所提出的方法解决了一个全局凸约束优化问题。EBCT权重可靠地消除协变量和连续治疗变量之间的Pearson相关性。即使当基于广义倾向评分的其他方法由于对不同治疗强度的强选择而倾向于产生不充分的平衡时，情况也是如此。此外，优化过程更成功地避免了极端的重量附加到一个单一的单位。广泛的蒙特卡罗模拟表明，使用EBCT的处理效应估计值显示出相似或较低的偏倚和均匀较低的均方根误差。这些特性使EBCT成为一种有吸引力的连续治疗评价方法。
2020-05-28 econ.EM stat.ME
Temperature Balancing, Layer-wise Weight Analysis, and Neural Network Training
Dartmouth College（达特茅斯学院）；Nanjing University（南京大学）；National Center for Applied Mathematics（国家应用数学中心）；Calculation Consulting（计算咨询公司）；University of California at Berkeley（加州大学伯克利分校）；International Computer Science Institute（国际计算机科学研究所）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
本文提出基于重尾自正则化理论的逐层学习率方法 TempBalance，通过平衡各层温度改进训练，在多个数据集和网络结构上显著优于 SGD、谱范数正则化及多种先进优化器与学习率调度器。
2023-12-01 cs.LG stat.ML
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
The Balancing Act in Causal Inference
协变量平衡的思想是因果推断的核心。逆倾向权重起着核心作用，因为它们是平衡不同治疗组的协变量分布的唯一权重集。我们讨论了两种广泛的方法来估计这些权重：更传统的一个，它适合一个倾向得分模型，然后使用估计的倾向得分的倒数来构建权重，和平衡的方法，估计基本上是由矩的方法，找到权重，实现平衡的样本的逆倾向权重。我们回顾了因果推断、抽样调查和半参数估计文献中的思想，特别注意平衡作为稳健推理的充分条件的作用。我们专注于反倾向加权和增广的反倾向加权估计的平均处理效应给予强大的可扩展性，并考虑推广更广泛的一类问题，包括政策评估和个性化的处理效应的估计。
2021-10-28 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
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
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
DFW: A Novel Weighting Scheme for Covariate Balancing and Treatment Effect Estimation
针对观测数据因果推断中的选择偏差问题，提出去混杂因子加权（DFW）方案，通过优先低混杂样本构建稳定权重，在协变量平衡和治疗效果估计上优于IPW和CBPS。
2025-08-07 cs.LG stat.ME
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
Risk-Calibrated Balancing for High-Dimensional Causal Extrapolation
针对高维弱重叠下协变量平衡导致方差增大的问题，提出风险校准平衡方法，通过岭惩罚和条件预测风险选择参数，在模拟和真实数据中降低目标风险并改进估计。
2026-10-05 stat.ME
Simple Covariate Adjustment for Many Estimands Using Stable Balancing Weights
本文提出一种使用稳定平衡权重的简化协变量调整方法，可直接应用于临床试验中多种估计量，能提升渐近效率并保留特定统计关系，便于实际应用。
2026-09-03 stat.ME
balnet: Pathwise Estimation of Covariate Balancing Propensity Scores
Monash University（莫纳什大学）；Stanford University（斯坦福大学）
balnet通过逻辑协变量平衡损失函数实现可扩展的路径估计，支持弹性网求解器及非光滑惩罚项，用于空间像素级平衡构建合成控制权重。
2026-04-23 stat.CO stat.ME
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
Minimal Dispersion Approximately Balancing Weights: Asymptotic Properties and Practical Considerations
加权方法被广泛用于调整观测研究、抽样调查和回归设置中的协变量。在本文中，我们研究了一类最近提出的加权方法，找到的最小分散的权重，近似平衡的协变量。我们称这些权重为“最小权重”，并在一个共同的优化框架下研究它们。关键观察结果是近似协变量平衡与倾向得分收缩估计之间的联系。这种联系导致了理论和实践的发展。从理论的角度来看，我们刻画了最小权重的渐近性质，并表明，在标准光滑条件下的倾向得分函数，最小权重是真正的逆概率权重的相合估计。此外，我们证明了所得到的加权估计是一致的，渐近正态的，半参数有效的。从实用的角度来看，我们提出了一个有限样本的预言不等式，限制平衡更多的功能的协变量比严格需要的损失。这个不等式表明，最小权重隐含地限制了活跃协变量平衡约束的数量。最后，我们提供了一个调整算法，以最小的权重来选择近似平衡的程度。我们总结了四个实证研究，表明近似平衡是更可取的确切平衡，特别是当有有限的重叠协变量分布的文件。在这些研究中，我们表明，根均方误差的加权估计可以减少多达一半的近似平衡。
2019-04-25 math.ST stat.AP stat.ME
Residual Balancing: A Method of Constructing Weights for Marginal Structural Models
在进行因果推断时，治疗后混杂因素使随时间变化的处理效应分析复杂化。天真地以这些变量为条件来估计边际效应可能会不适当地阻断因果通路，并可能诱导治疗与结局之间的虚假关联，导致偏倚。为了避免这种偏差，研究人员经常使用带有逆概率加权（IPW）的边际结构模型（MSM）。然而，IPW需要治疗的条件分布的模型，并且对它们的错误指定高度敏感。此外，IPW相对低效，易受有限样本偏差的影响，并且难以用于连续治疗。我们介绍了一种替代的方法来构建MSM的权重，我们称之为“剩余平衡”。“与IPW相比，它需要对治疗后混杂因素的条件平均值建模，而不是对治疗的条件分布建模，因此更容易用于连续暴露。数值模拟表明，剩余平衡是更有效的，更强大的模型误指定比IPW及其变种。我们通过估计（a）负面广告对选举结果的累积效应和（b）共享民主对公众支持战争的受控直接效应来说明该方法。开源软件可用于实现所提出的方法。
2019-03-29 stat.AP
Balancing, Regression, Difference-In-Differences and Synthetic Control Methods: A Synthesis
在一篇开创性论文Abadie、Diamond和Hainmueller [2010]（ADH）中，另见Abadie和Gardeazabal [2003]，Abadie等人[2014]，开发了一种综合控制程序，用于在存在单个处理单元和多个对照单元的情况下估计处理效果，并观察到所有单元的处理前结局。该方法构建了一组权重，使得选定的协变量和治疗单位的治疗前结果与对照单位（合成对照）的加权平均值近似匹配。权重被限制为非负且总和为1，这很重要，因为它允许程序获得唯一的权重，即使滞后结果的数量相对于控制单元的数量是适度的，这是应用程序中的常见设置。在本文中，我们提出了一个泛化，允许的权重是负的，和他们的总和不同，从一个，并允许一个永久性的添加剂之间的差异处理单元和控制，类似于差异的程序。权重直接最小化处理单元和控制单元的滞后结果之间的距离，使用正则化方法来处理潜在的大量可能的控制单元。
2017-09-20 stat.AP stat.ML
Hospital Quality Risk Standardization via Approximate Balancing Weights
比较各医院的结果，通常是为了找出表现不佳的医院，这是卫生服务研究的一项关键任务。然而，对平均结果（如手术并发症发生率）进行天真的比较可能会产生误导，因为医院的病例组合不同-医院的总体并发症发生率可能会因更有效的治疗而降低，或者仅仅是因为医院服务于更健康的人群。在本文中，我们开发了一种“直接量化”的方法，我们重新加权每个医院的患者群体，以代表总人口，然后比较各医院的加权平均值。从调查抽样和因果推断的方法，我们发现的权重，直接控制医院的病人组合和目标人群之间的不平衡，甚至在许多病人的属性。重要的是，还可以调整这些平衡权重以保留样本量，从而进行更精确的估计。我们还得出了统计精度的原则措施，并使用结果建模和贝叶斯收缩，以提高精度和占医院规模的变化。我们使用来自宾夕法尼亚州、佛罗里达州和纽约州的索赔数据证明了这些方法，估计了普外科患者的标准化医院并发症发生率。最后，我们讨论了如何检测低绩效医院。
2021-02-15 stat.AP
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
Varying impacts of letters of recommendation on college admissions: Approximate balancing weights for subgroup effects in observational studies
在2016-17年招生周期的一个试点项目中，加州大学伯克利分校邀请了许多新生入学申请人提交推荐信。我们使用这个试点作为提交推荐信对后续录取的影响的观察性研究的基础，目的是估计影响如何在预定义的亚组之间变化。然而，在观察性研究中理解这种变化具有挑战性，因为估计的影响反映了实际处理效应变化和各组间协变量平衡的差异。为了解决这个问题，我们开发了平衡权重，直接优化“局部平衡”的亚组内，同时保持治疗和控制单位之间的全局协变量平衡。然后，我们表明，这种方法具有双重表示形式的逆倾向得分加权与分层倾向得分模型。在加州大学伯克利分校的试点研究中，我们提出的方法产生了良好的局部和全局平衡，不像更传统的加权方法，无法平衡子组内的协变量。我们发现，推荐信的影响随着预测的录取概率的增加而增加，代表性不足的少数民族申请人的差异的混合证据。
2021-02-22 stat.ME
Kernel Balancing: A flexible non-parametric weighting procedure for estimating causal effects
在不存在未观察到的混杂因素的情况下，匹配和加权方法被广泛用于估计因果量，包括对治疗者的平均处理效应（ATT）。不幸的是，这些方法不一定能实现其目标，即使对照组的协变量的多变量分布与治疗组的协变量分布相同，使两组之间的协变量的一些（潜在的多变量）函数具有不同的平均值。当这些“不平衡”的功能影响非治疗的潜在结果时，对观察到的协变量的调节失败，ATT估计可能有偏差。本文介绍的核平衡针对无偏ATT估计的较弱要求，特别是治疗组和对照组的预期非治疗潜在结局相等。假设非治疗潜在结果的条件期望落在与内核选择相关的函数空间中，这意味着一组基函数，其中该回归曲面是线性的。然后在对照单位上选择权重，使得处理组和对照组在这些基函数上具有相等的平均值。因此，在加权后，治疗组和对照组的非治疗潜在结局的预期也必须相等，允许通过随后的平均值差异或使用这些权重的结局模型进行无偏ATT估计。此外，所产生的权重是（1）精确地均衡治疗组和对照组协变量的多变量分布的特定基于核的近似值的权重，以及（2）等同于一种形式的稳定化反向倾向得分加权，尽管它不需要假设任何治疗分配机制模型。提供了一个R包KBAL来实现这种方法。
2016-04-30 math.ST 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
Large Sample Properties of Entropy Balancing Estimators of Average Causal Effects
在观察性研究中使用加权方法来调整治疗组和对照组之间的协变量失衡。熵平衡（EB）是利用估计的倾向得分的逆概率加权的替代方案。EB权重被构造为满足平衡约束，并朝着稳定性进行优化。基于Kullback-Leibler和二次Rényi相对熵，我们描述了平均因果处理效应的EB估计的大样本性质。此外，我们还提出了他们的渐近方差估计。即使EB的目的是减少模型依赖性，估计量通常不一致，除非满足倾向得分或条件结果的隐式参数假设。有限样本性质的估计进行了研究，通过模拟研究。在瑞典儿童糖尿病登记处的观察数据的应用中，我们估计了学校成绩对1型糖尿病急性并发症住院治疗的平均影响。
2022-04-22 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。
2026-11-13 econ.EM 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
A Framework for Covariate Balance using Bregman Distances
观察性研究的一个共同目标是在存在混杂变量的情况下估计边际因果效应。这个问题的一个解决方案是使用协变量分布来加权结果，使数据看起来是随机的。倾向得分是在这种情况下产生的自然量。倾向得分权重具有理想的渐近性质，但它们往往不能充分平衡有限样本中的协变量数据。经验协变量平衡方法通过精确平衡协变量分布的样本矩而成为一种有吸引力的替代方法。考虑到这一目标，我们提出了一个框架，通过求解约束凸规划，其中要优化的标准函数是布雷格曼距离估计平衡权重。然后，我们表明，在这个类中的不同的距离呈现相同的权重，其他协变量平衡方法。一系列的数值研究来证明这些相似之处。
2020-08-15 stat.ME
Covariate Balancing Propensity Score by Tailored Loss Functions
在观察性研究中，倾向得分通常通过最大似然估计，但即使在规范检索后，也可能无法平衡高维治疗前协变量。我们介绍了一个通用的框架，统一和概括了最近的几个建议，以提高协变量的平衡时，设计一个观察性研究。本文提出了一种优化特殊损失函数--协变量平衡评分规则（CBSR）来估计倾向得分的方法，以代替传统的似然函数. CBSR由GLM中的链接函数和被估量（加权平均处理效应）唯一确定。我们发现CBSR在估计加权平均处理效应时并不输于Bernoulli似然的渐近有效性，但在有限样本下CBSR更稳健。借用统计学习中开发的工具，我们提出了在丰富的函数类中平衡协变量函数的实用策略。这对于估计逆概率加权（IPW）估计的最大偏差和构造有限样本下的诚实置信区间是有用的。最后，我们提供了几个数值例子来证明的权衡偏差和方差的IPW型估计和权衡平衡不同的函数类的协变量。
2017-03-20 stat.ME
Estimation of Partially Conditional Average Treatment Effect by Hybrid Kernel-covariate Balancing
我们研究了部分条件平均处理效应的非参数估计，定义为混杂因素的感兴趣子集上的处理效应函数。我们提出了一个混合核加权估计的权重的目的是控制平衡误差的任何功能的混淆从再生核希尔伯特空间后，核平滑感兴趣的变量的子集。此外，我们提出了一个增强版本，我们的估计，可以将结果的均值函数的估计。基于表示定理，可以应用基于梯度的算法来求解相应的无限维优化问题。在不对倾向得分函数作任何光滑性假设或不需要数据分裂的情况下，放松了某些现有的严格假设，研究了其渐近性质。所提出的估计的数值性能的模拟研究和应用程序的母亲的吸烟对婴儿的出生体重的母亲的年龄的条件的影响。
2021-03-05 stat.ME
Sharp Sensitivity Analysis for Inverse Propensity Weighting via Quantile Balancing
本文为逆概率加权（IPW）提出了一种基于分位数平衡的稳健敏感性分析方法，通过新的部分识别结果估计未观测混杂下处理效应的最窄可能区间，改进了 Zhao 等人 (2019) 渐近过宽的界限。
2023-08-03 econ.EM math.ST stat.ME
Synthetic Principal Component Design: Fast Covariate Balancing with Synthetic Controls
Stanford University（斯坦福大学）
实验的最优设计通常涉及解决NP难的组合优化问题。在本文中，我们的目标是开发一个全局收敛和实际有效的优化算法。具体来说，我们考虑一个设置，其中治疗前的结果数据是可用的，并调用合成控制估计。平均处理效应通过处理单元和对照单元的加权平均结果之间的差异来估计，其中权重是从观察到的数据中学习的。{在这种情况下，我们惊奇地发现最优实验设计问题可以简化为所谓的\textit{phase synchronization}问题。}我们解决这个问题，通过一个规范化的变体的广义功率方法与谱初始化。在理论方面，我们建立了实验设计的第一个全局最优性保证时，预处理数据是从某些数据生成过程中采样。从经验上讲，我们进行了广泛的实验，以证明我们的方法对美国劳工统计局和Abadie-Diemond-Hainmueller加州吸烟数据的有效性。在均方根误差方面，我们的算法大大优于随机设计。
2022-11-28 cs.LG econ.EM math.OC
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
Choosing Covariate Balancing Methods for Causal Inference: Practical Insights from a Simulation Study
Université Paris Cité（巴黎西岱大学）；Université Sorbonne Paris Nord（北巴黎索邦大学）；Inserm（法国国家健康与医学研究院）；INRAE（法国国家农业、食品与环境研究所）；Center for Research in Epidemiology and StatisticS (CRESS)（流行病学与统计研究中心）；Centre d’Épidémiologie Clinique, Assistance Publique-Hôpitaux de Paris, Hôtel-Dieu, Paris, France（巴黎公立援助医院集团-主宫医院临床流行病中心）
本文通过模拟研究比较了因果推断中不同协变量平衡方法的性能，发现DR方法在调整所有混杂因素时表现稳定，但需关注权重估计不确定性对置信区间的影响。
2026-01-14 stat.AP stat.ME
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-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
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
Reducing bias in difference-in-differences models using entropy balancing
本文说明了熵平衡的使用差异中的差异分析时，干预前的结果趋势表明可能违反平行趋势假设。我们描述了一组假设，根据这些假设，即使干预前的结果趋势不平行，平衡干预组和对照组对干预前结果趋势的加权也会导致一致的差异估计。模拟结果验证，熵平衡的干预前的结果趋势可以消除偏见时，平行的趋势假设不直接满足，从而使研究人员可以使用差异中的差异设计在更广泛的观察设置比以前承认的。
2020-11-09 econ.EM stat.ME
Permutation Weighting
在观察因果推断中，为了模拟随机化实验，使用权重来使处理独立于观察到的协变量。这种性质被称为平衡;在缺乏平衡的情况下，估计的因果效应可能是任意有偏的。在这项工作中，我们介绍排列加权，使用标准的二元分类器（无论治疗的基数）估计平衡权重的方法。在该方法中可以使用大量的概率分类器;分类器的损失的选择暗示了平衡的特定定义。我们绑定的偏见和方差的过度风险的分类，表明这些消失渐近，并证明我们的分类问题直接最大限度地减少不平衡。各种各样的现有的平衡权重可以通过该机制来估计，从而允许基于分类器损失的方法之间的直接比较，以及使用交叉验证的超参数调整。经验评估表明，置换加权提供了良好的性能相比，现有的方法。
2020-07-14 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
PSweight: An R Package for Propensity Score Weighting Analysis
倾向得分加权是比较有效性研究的重要工具，除了治疗权重的逆概率（IPW）外，最近的发展还引入了一种通用的平衡权重，对应于可供选择的目标人群和被估量。特别是，重叠权重（OW）导致最佳协变量平衡和估计效率，以及科学和政策利益的目标人群。我们开发的R包PSweight提供了一个全面的设计和分析平台，因果推断的基础上倾向得分加权。PSweight支持（i）各种平衡权重，（ii）二元和多重处理，（iii）简单和增强加权估计，（iv）滋扰调整三明治方差，以及（v）比率估计。PSweight还为协变量平衡评估提供了诊断表和图表。我们展示了该软件包的功能，使用的数据从NationalChild Development Survey（NCDS），在那里我们评估的因果关系的影响，教育程度对收入的例子。
2021-06-01 stat.CO stat.ME
