Causal Mediation Analysis with a Three-Dimensional Image Mediator
本文提出一种以三维图像为中介变量的因果中介分析方法，在潜在结果框架下给出识别条件与估计推断技术，并通过模拟和分娩方式对儿童智商影响的研究验证了额颞区白质的中介效应。
2023-07-07 stat.ME
Nonparametric identification and efficient estimation of causal effects with instrumental variables
本文整理了基于条件Wald估计量的因果效应非参数识别条件，提出了对应边际和条件因果对比泛函的非参数有效估计量，并通过观察性研究和随机试验验证了方法。
2024-02-14 stat.ME
A cautious approach to constraint-based causal model selection
Columbia University（哥伦比亚大学）
本文探讨了利用基于约束的算法选择因果图模型，主张在科学目标为估计因果效应时，应优先选择密集而非稀疏的图，并提出通过反转传统条件独立性检验流程来改进方法。
2026-08-26 stat.ME
Causal Bounds and Instruments
工具变量已被证明是有用的，特别是在社会科学和经济学中，用于在存在未观察到的混杂因素的情况下推断随机变量B对另一随机变量C的因果效应。在关系是线性的情况下，可以通过研究C对A的回归和B对A的回归来准确地识别因果效应，其中A是工具。在更一般的情况下，在文献中已经给出了B对C的因果效应的界限，给出了关于C、B和A的联合分布的观测数据。使用凸多面体的分析的基础上的方法，我们开发的界限相同的因果关系时，给定的数据（C，A）和（B，A）。因此，开发的界限直接类似于计量经济学中工具的标准使用，但我们没有假设线性。使用的界限示出了部分遵守的实验。例如，这些界限与遗传流行病学有关，其中“孟德尔工具”S代表基因型，并且其中关于所有C、B和A的联合数据可能很少可用，但涉及这些对的研究可能是丰富的。边界因果效应的其他例子被认为是表明，该方法适用于一般的DAG，在某些条件下。
2012-06-20 stat.ME
Multiply Robust Causal Inference with Double Negative Control Adjustment for Categorical Unmeasured Confounding
在观察性研究中，不可测量的混杂因素对因果推断是一种威胁。近年来，使用阴性对照来减轻不可测量的混杂因素得到了越来越多的认可和普及。阴性对照在实验室科学和流行病学中具有排除非因果解释的悠久传统，尽管它们主要用于偏倚检测。最近，Miao等人（2018）描述了一对阴性对照暴露量和结局变量可用于从受非受控混杂影响的观察数据中非参数化识别平均处理效应（ATE）的充分条件。在本文中，我们建立了非参数识别的ATE在较弱的条件下的情况下，分类不可测的混杂和负控制变量。我们还提供了一个通用的半参数框架，用于获得有关ATE的推断，同时利用有关可能大量的测量协变量的信息。特别地，我们推导了非参数模型下的半参数有效界，并在非参数估计不可行的情况下，提出了多重稳健和局部有效估计。我们在广泛的模拟研究中评估我们的方法的有限样本性能。最后，我们说明了我们的方法与应用程序的postlicensure儿童疫苗的安全性监测。
2019-09-04 stat.ME
Directed Acyclic Graphs and causal thinking in clinical risk prediction modeling
背景：在流行病学中，因果推断和预测建模方法在历史上是不同的。有向无环图（DAG）用于对先验因果假设进行建模，并为因果问题的变量选择策略提供信息。尽管最初设计用于预测的工具在因果推断中得到了应用，但对应的工具在很大程度上仍未得到探索。这项基于理论和模拟的研究的目的是评估在临床风险预测建模中使用DAG的潜在益处。方法和发现：我们探讨如何将知识的基础因果结构可以提供有关的可移植性的诊断临床风险预测模型的不同设置的见解。因果方向的单一预测因子模型可能比反因果方向的模型具有更好的可移植性。我们进一步探讨因果知识是否可以用来改善预测选择。我们的经验表明，马尔可夫毯，一组变量，包括父母，孩子，和父母的孩子的结果节点在DAG中，是最佳的预测结果。结论：我们的研究结果挑战了普遍接受的观点，即如果预测因子正确包含在模型中，预测因子分布的变化不会影响诊断临床风险预测模型的校准。此外，使用DAG来识别马尔可夫毯变量可能是一种有用的，有效的策略，以选择临床风险预测模型中的预测因子，如果存在或可以学习的基础因果结构的强大知识。
2020-02-21 stat.ME
A Unified Three-Stage Weighting Framework for Causal Inference and Mediation Analysis under Case-Control Sampling
Institute of Statistical Research and Training (ISRT)（统计研究与培训研究所）；University of Dhaka（达卡大学）
针对病例对照研究中回顾性抽样导致的人群结局分布扭曲问题，提出三阶段加权框架，结合密度比学习、标签偏移校正和边际结构模型，估计总效应和路径特异性中介效应。
2026-10-28 stat.ME
Causal Sufficient Dimension Reduction for Multiple Continuous Exposures with an Application to Environmental Mixtures
Emory University（埃默里大学）
提出因果充分降维（CSDR）框架，通过低维暴露摘要表征因果暴露-反应曲面，并设计两阶段估计器，在环境混合物研究中验证其有效性。
2026-06-16 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
Bayesian Nonparametric Causal Inference for High-Dimensional Nutritional Data via Factor-Based Exposure Mapping
Brown University（布朗大学）；La Sapienza University of Rome（罗马第一大学）
本文提出基于因子暴露映射的贝叶斯非参数方法，用于高维营养数据中饮食模式的因果推断，识别六个饮食模式并评估其与健康风险因素的因果联系。
2026-01-23 stat.ME
Causal inference for spatiotemporal point processes in the presence of outcome spillover and carryover
University of Otago（奥塔哥大学）；Williams College（威廉姆斯学院）；Stanford University（斯坦福大学）
本文提出一个框架，用于在细胞层面干预和结果溢出下进行连续空间时间点过程的因果推断，通过一致、可交换和正性条件识别后处理事件计数，并利用随机EM算法进行估计，应用于地震学等领域。
2026-04-13 stat.ME
Causal mediation analysis with mediator values below an assay limit
因果间接效应和直接效应提供了一种可解释的方法，用于将暴露对结果的总效应分解为通过中介的效应和通过所有其他途径的效应。当介体是生物标志物时，值可以受到测定下限的影响。介体受治疗影响，并且是结果的假定原因，因此测定下限在中介分析中呈现出复杂的问题。我们提出了三种方法来估计间接和直接影响的中介受检测限制：1。外推法2.数值优化和积分的观察可能性和3.蒙特卡罗期望最大化（MCEM）算法。由于所描述的方法完全依赖于所谓的中介公式，它们适用于大多数因果中介分析方法：自然的，可分离的，有机的间接和直接影响。一项模拟研究比较了估算方法与一半测定限的插补。使用来自AIDS临床试验组的HIV中断研究数据[Li et al. 2016，AIDS; Lok \& Bosch 2021，Epidemiology]，我们通过估计假设的HIV治愈性治疗对由两种HIV持续性指标介导的病毒抑制的有机/纯间接效应来说明我们的方法：细胞相关HIV-RNA（N = 124）和单拷贝血浆HIV-RNA（N = 96）。
2021-07-30 stat.ME
Addressing Spatially Structured Interference in Causal Analysis Using Propensity Scores
环境流行病学家对建立暴露与健康结果之间的因果关系越来越感兴趣。因果推断的一个流行模型是鲁宾因果模型（RCM），它通常试图估计研究单位潜在结果的平均差异。RCM的一个重要假设是无干扰;也就是说，一个单元的潜在结果不受其他单元暴露状态的影响。如果我们期望基于单位与其他单位的接近度的暴露效应的溢出或扩散以及其他几个因果被估量出现，则违反了无干扰假设。空气污染流行病学通常违反了这一假设，当我们预计逆风事件影响顺风或附近的位置。本文采用社会网络研究的因果假设，以解决干扰，并允许估计直接和溢出的因果效应。我们使用倾向得分为基础的方法来估计这些影响时，考虑到环境保护局的2005年的空气动力学直径小于2.5微克每立方米（PM2.5）的颗粒物对肺癌发病率的影响，使用县级数据从监测，流行病学和最终结果（SEER）计划。我们比较这些方法在一个严格的模拟研究，同时考虑空间自相关变量，干扰和缺失的混杂因素。我们发现，修剪和匹配的基础上的倾向得分产生最高的概率覆盖率的真正的因果效应和较低的均方误差。当应用于研究问题时，我们发现了保护性的直接和溢出因果效应。
2021-01-22 stat.AP
Matching Methods for Causal Inference: A Review and a Look Forward
当使用观察数据估计因果效应时，希望通过获得具有相似协变量分布的治疗组和对照组来尽可能接近地重复随机化实验。这一目标通常可以通过选择原始处理组和对照组的匹配良好的样本来实现，从而减少因协变量引起的偏倚。自20世纪70年代以来，匹配方法的工作研究了如何最好地选择治疗和对照受试者进行比较。匹配方法在经济学、流行病学、医学和政治学等领域越来越受欢迎。然而，到目前为止，文献和相关建议分散在各个学科。对使用匹配方法或开发与匹配相关的方法感兴趣的研究人员没有一个地方可以了解过去和当前的研究。本文提供了一个结构来思考匹配方法及其使用指导，合并现有的研究（新旧），并提供了一个总结，在匹配方法的文献是现在和它应该走向。
2010-10-27 stat.ME
Causal Inference for Latent Outcomes Learned with Factor Models
研究高维观测数据下基于非负矩阵分解的潜在结果因果推断，提出缓解学习诱导干扰的算法并验证其有效性与实用性。
2025-06-26 stat.ME
Causal inference with outcome dependent sampling and mismeasured outcome
本文针对结果依赖抽样且结果存在测量误差的因果推断问题，在广义线性模型和广义加性模型框架下提出ATE估计方法，并用模拟和UK Biobank数据验证其有效性。
2023-09-21 stat.ME
Truncation by death in the sufficient cause framework
University of Surrey（萨里大学）；Okayama University of Science（冈山理科大学）；Okayama University（冈山大学）
本文基于充分原因框架，探讨了死亡导致的截断问题，解释了粗略估计量的非因果性质，并提供了生存平均因果效应的表达式及 null 条件。
2026-04-07 stat.ME
Regression discontinuity design in perinatal epidemiology and birth cohort research
本文介绍了回归断点设计（RDD）在围产期流行病学和出生队列研究中的应用，分析了其优势及在出生队列研究中面临的挑战。
2022-08-23 stat.AP stat.ME
When exposure affects subgroup membership: Framing relevant causal questions in perinatal epidemiology and beyond
针对暴露会改变活产人群构成的问题，本文提出条件总效应与条件随机直接效应，并以 SEARCH 研究量化 HIV 检测治疗干预对婴儿无 HIV 生存的影响。
2024-01-21 stat.ME
DAG With Omitted Objects Displayed (DAGWOOD): A framework for revealing causal assumptions in DAGs
有向无环图（DAG）经常用于流行病学中作为编码因果推断假设的方法。我们提出的DAGWOOD框架，使许多这些编码的假设的前沿。DAGWOOD结合了根DAG（建议分析中的DAG）和一组分支DAG（根DAG的替代隐藏假设）。所有分支DAG共享一个共同的规则，并且必须1）更改根DAG，2）是有效的DAG，并且3a）更改最小足够调整集或3b）更改前门路径的数量。分支DAG包括一系列假设，这些假设必须证明是可忽略的。我们定义了两种类型的分支DAG：排除分支DAG在根DAG中的两个节点之间添加单个或双向路径（例如，直接路径和碰撞器），而误导分支DAG表示可以在对象之间绘制的替代路径（例如，通过反转受控混杂因素的因果关系方向来创建碰撞器）。DAGWOOD框架1）组织因果模型假设，2）强化最佳DAG实践，3）提供因果模型评估框架，4）可用于生成因果模型。
2021-11-23 stat.AP stat.ME
Inference on Nonlinear Counterfactual Functionals under a Multiplicative IV Model
本文研究乘法 IV（MIV）模型，证明其可识别并推断由矩方程刻画的非线性反事实泛函，提出高效、多重稳健且渐近有效的估计推断方法。
2025-08-28 stat.ME
Sparse Causal Effect Estimation using Two-Sample Summary Statistics in the Presence of Unmeasured Confounding
本文针对存在未测量混杂的双样本汇总统计量场景，提出稀疏因果效应工具变量估计量spaceTSIV，并证明其可识别性与一致性，通过模拟和真实数据验证其在药物靶点发现中的有效性。
2024-11-23 stat.AP stat.ME
The ideal trial: defining causal estimands that balance relevance and feasibility in target trial emulations and actual randomized trials
本文回顾理想试验概念，强调在指定目标试验时需平衡现实相关性与估计可行性，指出紧密对齐观察数据的做法可能遗留偏差，并主张通过对比理想试验来识别和管理所有偏差来源。
2025-09-08 stat.ME
Towards more plausible point-identifying assumptions in two-sample Mendelian randomization
Federal University of Pelotas（佩洛塔斯联邦大学）；University of Bristol（布里斯托大学）；University College London（伦敦大学学院）；Norwegian University of Science and Technology（挪威科技大学）
本文证明两样本孟德尔随机化的点识别假设比先前认为的更弱，即汇总水平同质性可由加性线性因果效应及异质性不相关性隐含，从而支持将方法解释为估计平均因果效应。
2026-10-28 stat.ME
On the Graphical Rules for Recovering the Average Treatment Effect Under Selection Bias
Yale School of Public Health（耶鲁大学公共卫生学院）；Yale University School of Medicine（耶鲁大学医学院）
本文提出了一种新的图示规则和方法，用于处理选择偏差下恢复平均处理效应的两种特殊情况，通过g计算和IPW方法构建识别公式并验证其有效性。
2026-08-16 stat.ME
Causal Contrastive Learning for Counterfactual Regression Over Time
Paris-Saclay University（巴黎萨克雷大学）；CentraleSupélec（中央高等电力学院）；Saint-Gobain（圣戈班集团）
针对时间维度反事实回归的长期预测问题，提出结合RNN、对比预测编码与信息最大化准则的因果对比学习方法，在合成与真实数据上取得最优反事实估计效果，首次将对比预测编码引入因果推断。
2024-10-29 cs.LG stat.ME
Causal bounds for outcome-dependent sampling in observational studies
结果依赖型抽样设计在流行病学、生态学和经济学等许多不同的科学领域都很常见。与所有的观察性研究一样，这种设计经常受到无法测量的混杂因素的影响，这通常会排除因果效应的非参数识别。非参数边界可以提供一种方法来缩小不可识别因果效应的可能值范围，而无需进行额外的不可检验假设。非参数界文献几乎完全集中在随机抽样的设置，和边界往往是由一个特定的线性规划方法。我们推导了因果风险差异的新界限，通常称为平均处理效应，在六种情况下，采用结果依赖性抽样和未测量的混杂因素，用于二进制结果和暴露。我们的推导的界限说明了两种方法，可能适用于其他设置的边界问题不能直接表示为一个系统的线性约束。我们说明了我们推导出的边界在一个真实的数据例子，涉及维生素D浓度对死亡率的影响。
2020-10-11 math.ST stat.ME stat.TH
Learning interpretable causal networks from very large datasets, application to 400,000 medical records of breast cancer patients
CNRS（法国国家科学研究中心）；Institut Curie（居里研究所）；Université PSL（巴黎文理研究大学）；Sorbonne Université（索邦大学）；INSERM（法国国家健康与医学研究院）；Université Paris（巴黎大学）
发现因果效应是科学研究的核心，但当只有观测数据时，仍然具有挑战性。在实践中，因果网络很难学习和解释，并且仅限于相对较小的数据集。我们报告了一种更可靠和可扩展的因果发现方法（iMIIC），基于一般的互信息上确界原理，该方法大大提高了推断因果关系的精度，同时区分了真正的原因和假定的潜在因果效应。我们展示了来自美国监测，流行病学和最终结果计划的396，179名乳腺癌患者的合成和现实生活中的医疗数据。90%以上的预测因果效应似乎是正确的，而其余的意外直接和间接因果效应可以从诊断程序、治疗时机、患者偏好或社会经济差异方面进行解释。iMIIC的独特能力为在一系列研究领域发现可靠和可解释的因果网络开辟了新的途径。
2023-03-11 cs.LG physics.data-an q-bio.MN
Identifiable causal inference with noisy treatment and no side information
Aalto University（阿尔托大学）
针对处理变量有测量误差且无辅助信息的因果推断场景，提出基于深度潜变量模型的可辨识方法，无需已知测量误差方差即可得到可靠估计，拓展了因果推断的适用范围。
2024-09-12 cs.LG stat.ME stat.ML
Identifying Macro Conditional Independencies and Macro Total Effects in Summary Causal Graphs with Latent Confounding
INSERM（法国国家健康与医学研究院）；ENS de Lyon（里昂高等师范学院）
本文研究了具有潜在混杂的摘要因果图，明确区分了宏观与微观条件独立性及总效应，证明了d-分离和do-演算在识别宏观条件独立性和宏观总效应时的可靠性与完备性，并给出了宏观总效应不可识别性的图特征化。
2024-12-20 cs.AI stat.ME
Connecting Instrumental Variable methods for causal inference to the Estimand Framework
根据最近发表的关于国际协调理事会E9指南临床试验中被估量和敏感性分析的附录，因果推断方法在药物开发中越来越重要。E9附录强调需要考虑随机化后或“并发”事件，这些事件可能影响试验结束时处理效应估计值的解释。工具变量（IV）方法已广泛用于经济学、流行病学和学术临床研究中的“因果推断”，但迄今为止在制药行业环境中的应用较少。在本教程中，我们回顾了因果推断的基本工具，包括图形图表和潜在的结果，以及几个概念框架，一个IV分析可以坐在里面。我们详细讨论了如何映射这些方法的治疗政策，主要阶层和假设的“估计策略”中介绍的E9增编，并提供其实施使用标准回归模型的细节。特别注意讨论每种估计策略所依赖的假设，以保持一致，在何种程度上可以进行实证测试和敏感性分析，其中特定的假设可以放宽。最后，我们将所描述的方法应用于与最近两项药物试验密切匹配的模拟数据，以进一步激发和澄清这些想法
2021-04-29 stat.AP stat.ME
A Framework for Optimal Matching for Causal Inference
我们提出了一个新的框架，从观测数据的因果效应匹配估计是基于最小化的对偶范数的估计误差时，表示为一个操作员。我们发现，许多流行的匹配估计可以表示为最佳的在这个框架中，包括最近邻匹配，粗精确匹配，平均匹配采样。这揭示了他们的动机和适当性，作为结构先验，通过将效果嵌入特定的功能空间来制定。这也产生了一系列新的，基于核的匹配估计，出现时，一个嵌入的效果在再生核希尔伯特空间。根据情况，这些估计可以使用二次优化或整数优化。我们证明了基于通用核的估计是普遍一致的，没有模型规格。在使用合成和真实数据的实证结果中，新的基于核的估计量在估计误差方面优于所有标准的因果估计量。
2017-02-28 stat.ME
Clustering and Pruning in Causal Data Fusion
Department of Mathematics and Statistics（数学与统计学系）
针对多数据源因果融合中变量增多导致计算复杂的问题，提出剪枝和聚类预处理方法，基于小图推断大图中因果效应的可识别性并给出识别函数。
2026-09-09 cs.LG stat.ME stat.ML
On Efficient Adjustment for Micro Causal Effects in Summary Causal Graphs
INSERM（法国国家健康与医学研究院）
本文提出在总结因果图中更简单有效的调整方法，以识别更广泛的因果效应调整集，并优化因果效应估计的方差。
2025-12-23 cs.AI stat.ME
Decomposition of Total Effect with the Notion of Natural Counterfactual Interaction Effect
中介分析是基于有向无环图进行因果推断的重要工具，已广泛应用于生物医学、社会科学、流行病学和心理学等领域。总效应的分解提供了一个深刻的洞察力，以充分理解每个路径和相互作用项的因果贡献。自从四向分解方法被提出来识别反事实框架中的中介交互效应以来，这一思想已经扩展到具有非顺序多个中介的更复杂的场景。然而，该方法具有局限性，因为因果结构包含中介之间的直接因果边缘，如不适当的依赖性和不可识别性建模。我们发展了自然反事实相互作用效应的概念，并发现总效应的分解可以与我们提出的概念一致地实现。此外，自然反事实交互作用克服了上述缺陷，具有清晰而有意义的解释，这将极大地提高研究者分析高度复杂因果结构的能力。
2020-04-13 stat.AP stat.ME stat.OT
Estimating Structural Mean Models with Multiple Instrumental Variables Using the Generalised Method of Moments
以遗传标记为工具的工具变量分析是流行病学和生物统计学中广泛应用的技术。由于单个标记往往只能解释一小部分表型变异，因此越来越多的人对使用多个遗传标记来获得更精确的因果参数估计值感兴趣。结构均值模型（SMM）是使用工具变量来识别因果参数的半参数模型。最近，人们的兴趣开始集中在使用这些模型与多个工具，特别是乘法和逻辑SMM。在本文中，我们将展示如何添加剂，乘法和逻辑SMM与多个正交二进制工具变量可以有效地估计模型，没有进一步的（连续）协变量，使用广义矩（GMM）估计方法。我们讨论了如何汉森J检验可以用来测试模型的误指定，以及如何标准的GMM软件例程可以用来适应SMM。我们进一步表明，乘法SMM，如添加剂SMM，确定加权平均的局部因果效应，如果选择是单调的。我们使用这些方法来重新分析肥胖和高血压之间的关系的研究，使用SMM与两个遗传标记作为肥胖的工具。我们发现肥胖对高血压有很强的影响。
2015-04-08 stat.ME
Multi-Source Causal Inference Using Control Variates
University of California, Berkeley（加州大学伯克利分校）
虽然机器学习的许多领域都受益于越来越多的大型和各种数据集的可用性，但由于需要强有力的假设来确保因果效应的可识别性，因此因果推理的好处有限;这些在现实世界的数据集中通常不满足。例如，许多大型观测数据集（例如，流行病学中的病例对照研究，推荐系统中的点击数据）在结果上存在选择偏差，这使得平均治疗效果（ATE）无法识别。我们提出了一个通用的算法来估计因果关系的影响，从\emph{multiple}数据源，其中ATE可能是可识别的，只有在某些数据集，但不是其他。其关键思想是使用ATE不可识别的数据集构建控制变量。我们从理论上表明，这减少了ATE估计的方差。我们将这个框架应用于结果选择偏倚下的观察数据推断，假设可以获得辅助的小数据集，从中我们可以获得一致的ATE估计。我们通过取两个数据集的比值比估计值的差异来构建一个控制变量。在模拟和两个案例研究与真实数据，我们表明，这个控制变量可以显着降低ATE估计的方差。
2021-06-05 cs.LG stat.ME stat.ML
A potential outcomes approach to selection bias
本文提出一种基于潜在结果的分析流行病学选择偏倚新定义，涵盖结构方法与传统定义，支持非参数分析和单世界干预图，能同时分析混杂与选择偏倚，并简化了匹配及病例队列研究的偏倚分析。
2023-06-02 stat.AP stat.ME
A Bayesian Gaussian Process for Estimating a Causal Exposure Response Curve in Environmental Epidemiology
出于环境政策问题，我们解决的挑战，估计，变点检测和不确定性量化的因果关系的确定性响应函数（CERF）。在潜在结果框架下，CERF描述了连续变化的暴露（或治疗）及其对结果的因果影响之间的关系。我们提出了一种新的贝叶斯方法，依赖于一个高斯过程（GP）模型来估计非参数的CERF。为了实现所需的分离设计和分析阶段，我们参数化的协方差（核）函数的GP模拟匹配通过广义倾向得分（GPS）。超参数以及GP的核函数的形式被选择以优化协变量平衡。我们的方法实现了自动不确定性评估的CERF与高的计算效率，并使变点检测通过推断CERF的衍生物。我们提供的理论结果表明，我们的贝叶斯GP框架和传统的方法之间的对应关系，在因果推断估计连续曝光的因果影响。我们将这些方法应用于520，711个ZIP代码水平的观察，以估计长期暴露于PM2.5，臭氧和NO2对美国医疗保险参保者全因死亡率的因果影响。GPCERF R包中提供了建议的GP模型的计算效率实现，该包可在CRAN上获得。
2023-01-25 stat.AP stat.ME
Stratification-based Instrumental Variable Analysis Framework for Nonlinear Effect Analysis
提出一种基于分层的工具变量分析框架，用于非线性因果效应分析，可识别效应变化点，在弱工具下优于现有方法，并应用于饮酒与血压的孟德尔随机化研究。
2025-10-27 stat.ME
A Causal Framework for Decomposing Spurious Variations
Columbia University（哥伦比亚大学）
针对虚假关联难以依据因果机制分解的问题，本文提出适用于 Markovian 与 Semi-Markovian 模型的形式化因果框架，给出非参数分解结果及可识别性条件，并在真实数据集上验证。
2023-06-08 cs.AI cs.LG stat.ME
Scalable Causal Structure Learning: Scoping Review of Traditional and Deep Learning Algorithms and New Opportunities in Biomedicine
University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）；Emory University School of Medicine（埃默里大学医学院）
因果结构学习是指从观察数据中识别因果结构的过程，它在生物医学和医疗保健中有多种应用。本文提供了一个实用的回顾和教程，可扩展的因果结构学习模型与现实世界的数据的例子，以帮助医疗保健受众理解和应用它们。我们回顾了因果结构发现的传统方法（组合方法和基于分数的方法）和基于机器学习的方案。我们还强调了生物医学的最新发展，其中因果结构学习可以应用于发现基因网络，大脑连接网络和癌症流行病学等结构。我们还比较了传统的和基于机器学习的因果发现算法在一些基准数据集上的性能。基于机器学习的方法（包括深度学习）相对于传统方法具有许多优点，例如可扩展性，包括更大数量的变量，并且如果有足够的数据可用，则潜在地应用于广泛的生物医学应用，例如遗传学。此外，这些模型比传统模型更灵活，并有望在未来对许多应用产生积极影响。
2023-01-18 cs.LG stat.AP
Lost in Aggregation: The Causal Interpretation of the IV Estimand
University of Washington（华盛顿大学）；CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；California Institute of Technology（加州理工学院）
本文指出聚合处理变量的因果效应模糊性，并探讨了工具变量估计在聚合处理中的解释限制。
2026-08-04 stat.ME stat.ML
TTCD:Transformer Integrated Temporal Causal Discovery from Non-Stationary Time Series Data
Department of Information Systems（信息系统系）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Department of Data Science（数据科学系）；University of North Texas（北德克萨斯大学）；Climate Science Section（气候科学组）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
本文提出TTCD框架，通过非平稳特征学习器和定制因果结构学习器，从非平稳时间序列中学习同时和滞后因果关系，通过重建引导的因果信号蒸馏提升准确性与一致性。
2026-04-27 cs.AI cs.LG stat.ME
Integrated causal-predictive machine learning models for tropical cyclone epidemiology
事实证明，战略性准备可以减少飓风和热带风暴（统称为热带气旋（TC））对健康的不利影响，但通过更全面、更严格的热带气旋流行病学特征可以增强其保护作用。为了生成高精度TC准备所需的见解和工具，我们开发并应用了一种新的贝叶斯机器学习方法，该方法可以简化对历史TC健康影响的估计，发现这些健康影响中的常见模式和异质性来源，并能够识别未来TC健康风险最高的社区。该模型集成了（1）一个因果推断组件，以高空间分辨率量化近期历史TC的直接健康影响，以及（2）一个预测组件，捕捉TC气象特征和受影响社区的社会经济/人口特征如何与健康影响相关。我们将其应用于包含详细的历史TC暴露信息和Medicare索赔数据的丰富数据平台。在我们的分析中使用的健康结果是全因死亡率和心血管和心脏病相关的住院治疗。我们报告了历史TC在TC水平和社区水平的急性健康影响的高度异质性，平均而言，在TC周围的两周内，呼吸系统住院率大幅增加。TC持续风速被认为是增加死亡率和呼吸风险的主要驱动因素。我们的建模方法在预测许多类型的极端气候事件对健康的影响方面具有更广泛的实用性。
2020-10-21 stat.AP stat.ME
Ivy: Instrumental Variable Synthesis for Causal Inference
Stanford University（斯坦福大学）
从观测数据中估计变量x对y的因果效应的一种流行方法是使用工具变量（IV）：第三个变量z，它只通过x影响y。z与x的关联越强，估计值就越可靠，但这样强的IV很难找到。相反，从业者将更常见的IV候选者-不一定是强有力的，甚至是有效的IV-结合到一个单一的“摘要”中，插入因果效应估计器中代替IV。在遗传流行病学中，这种方法被称为等位基因评分。等位基因分数需要强有力的假设-独立性和有效性的所有IV候选人-为所得的估计是可靠的。为了放松这些假设，我们提出了常春藤，一种新的方法来结合IV候选人，可以处理相关的和无效的IV候选人在一个强大的方式。从理论上讲，我们的特点是这种鲁棒性，其限制，其影响所产生的因果估计。从经验上讲，Ivy可以正确识别已知关系的方向性，并且在三个没有因果关系的真实世界数据集上对错误发现具有鲁棒性（中位效应大小<= 0.025），而等位基因得分返回更有偏见的估计（中位效应大小>= 0.118）。
2020-04-11 cs.LG stat.ML
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
Confounder-Dependent Bayesian Mixture Model: Characterizing Heterogeneity of Causal Effects in Air Pollution Epidemiology
本文提出依赖混杂因素的贝叶斯混合模型（CDBMM），利用依赖狄利克雷过程识别具有相似群体平均处理效应的互斥人群群体，并在Medicare数据中发现PM2.5对死亡率因果效应的六个异质性群体。
2023-10-30 stat.AP stat.ME
Sensor data-driven analysis for identification of causal relationships between exposure to air pollution and respiratory rate in asthmatics
Centre for Speckled Computing（散斑计算中心）；University of Edinburgh（爱丁堡大学）
根据2020年10月发表的《柳叶刀》全球疾病负担报告，空气污染是影响全球健康的五大风险因素之一，平均会使预期寿命缩短20个月。本文介绍了一种数据驱动的方法，用于建立因果关系内和两个多变量的时间序列数据流之间的可穿戴传感器：个人暴露于空气动力学尺寸小于2.5微米（PM2.5）的空气颗粒物收集的人和连续呼吸率（呼吸每分钟）由Respeck监测器佩戴在胸部的膏药。展示了113名哮喘青少年队列的结果，使用PCMCI+算法来了解\pm暴露滞后与呼吸率之间的短期因果关系。我们认为因果关系的影响，最大延迟8小时，在不同的实验中使用数据在1分钟和15分钟的分辨率。首次证明了PM2.5暴露与呼吸频率之间的个性化的呼吸-反应关系对哮喘青少年在日常生活中的短期影响。我们的研究结果导致工作的建议，在因果关系的发现，以增加这种方法在未来类似的流行病学研究的可行性的具体开放的问题。
2023-01-16 cs.LG stat.AP
A Conversation with Donald B. Rubin
唐纳德布鲁斯鲁宾是约翰L。哈佛大学统计学教授。他对缺失数据的统计方法、因果推断、调查抽样、贝叶斯推断、计算和广泛学科的应用做出了根本性贡献，包括心理学、教育、政策、法律、经济学、流行病学、公共卫生和其他社会和生物医学科学。
2014-10-21 stat.OT
Epidemiology of exposure to mixtures: we cant be casual about causality when using or testing methods
背景：有越来越多的兴趣，在分析接触混合物对健康的影响的方法。一个关键问题是如何同时分析混合物中通常高度共线的组分，这可能会产生诸如共曝光和共曝光放大偏差（CAB）造成的混淆等问题。评价新的混合物方法，通常使用合成数据，是其最终效用的关键。目的：本文旨在回答两个问题。因果模型如何解释统计模型和创建用于测试它们的合成数据？新的混合方法是否易受CAB影响？研究方法：我们使用有向无环图（DAG）和线性模型来推导模型参数的封闭形式的解决方案，以研究潜在的因果假设如何影响模型结果的解释。结果：由统计模型估计的相同β系数可以根据假设的因果结构而具有不同的解释。同样，用于模拟数据的方法可能会对底层的离散随机数产生影响（反之亦然），因此也会对使用分析方法估计的参数的识别产生影响。我们证明，可以重现线性回归的结果，如贝叶斯核机器回归和新的分位数g计算方法的方法，将受到CAB。然而，在某些条件下，混合物的总体效应的估计不受CAB的影响，甚至具有减少的不受控制的偏差。讨论内容：正如DAG编码的先验主题知识，允许识别的变量控制需要阻止分析偏差，我们建议明确识别DAG的基础合成数据创建测试统计混合方法。混合物的总效应的估计是一个重要但相对未充分探讨的课题，值得进一步研究。
2020-07-02 stat.AP stat.ME
Assumptions of IV Methods for Observational Epidemiology
工具变量（IV）方法越来越受欢迎，因为它们似乎提供了唯一可行的方法来克服观察性研究中未观察到的混杂问题。然而，必须注意一些细节，因为并非所有这些方法都针对相同的因果参数，有些方法依赖于比其他方法更具限制性的参数假设。因此，我们讨论和对比最常见的IV方法与观察流行病学中的典型应用。此外，我们说明和比较这些IV估计的渐近偏差时，违反了基本假设的数值研究。我们的结论之一是，所有的IV方法遇到的问题，在存在的影响修改未观察到的混杂因素。由于这一点永远不能肯定地排除，我们建议IV估计量的实际应用通常伴随着敏感性分析。
2010-11-02 stat.ME
VLUCI: Variational Learning of Unobserved Confounders for Counterfactual Inference
Jilin University（吉林大学）；Baidu（百度）
针对未观测混杂因子扭曲因果推断的问题，提出变分学习模型VLUCI，通过解耦观测与未观测混杂因子构建双重变分推断，提升反事实推断准确性并提供置信区间。
2023-09-07 cs.AI cs.LG stat.ME
A Universal Framework for Factorial Matched Observational Studies with General Treatment Types: Design, Analysis, and Applications
New York University（纽约大学）；Harvard Business School, Harvard University（哈佛大学商学院）；Grossman School of Medicine, New York University（纽约大学格罗斯曼医学院）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出了一种适用于一般处理类型的因子匹配观测研究的通用框架，通过两阶段匹配算法和新的估计量，有效估计主效应和交互效应，并应用于评估新冠疫情期间社交距离措施的影响。
2025-12-22 stat.AP stat.ME
