A simple sensitivity analysis method for unmeasured confounders via linear programming with estimating equation constraints
针对观察性研究中未测量混杂与倾向评分模型误设导致的偏倚，本文提出以估计方程为约束、用线性规划构造平均处理效应最坏情况界的简单敏感性分析方法。
2023-12-07 stat.ME
Spectral Representation for Causal Estimation with Hidden Confounders
Georgia Tech（佐治亚理工学院）；Universitat Pompeu Fabra（庞培法布拉大学）；UT Austin（德克萨斯大学奥斯汀分校）；University College London（伦敦大学学院）；Google DeepMind（谷歌DeepMind）
本文提出一种基于条件期望算子奇异值分解与鞍点优化的因果估计方法，用于处理工具变量回归和代理因果学习中的隐藏混杂因素，并在多个基准上取得优于现有方法的效果。
2025-03-10 cs.LG stat.ML
Estimating Average Causal Effects with Incomplete Exposure and Confounders
针对暴露和混杂因素缺失时的平均因果效应估计问题，提出了在随机缺失和非随机缺失假设下的双重稳健目标最大似然估计器（TMLE），并通过模拟和NHANES数据验证了其有效性。
2025-06-26 stat.ME
Causal Mediation Analysis with Hidden Confounders
Arizona State University（亚利桑那州立大学）；City University of Hong Kong（香港城市大学）
因果推断中的一个重要问题是将治疗对结果的总效应分解为不同的因果通路，并量化每个通路中的因果效应。例如，在因果公平中，作为一名男性雇员的总影响（即，治疗）构成其对年收入的直接影响（即，结果）和通过雇员职业的间接影响（即，调解员）。因果中介分析（CMA）是一种正式的统计框架，通常用于揭示这种潜在的因果机制。CMA在观察性研究中的一个主要挑战是处理混杂因素，即在治疗、中介和结果之间引起虚假因果关系的变量。传统的方法假设顺序可验证性，这意味着所有的混杂因素可以测量，这在实践中往往是无法验证的。这项工作的目的是规避严格的序贯性假设，并考虑隐藏的混杂因素。利用代理策略和深度学习的最新进展，我们建议同时发现表征隐藏混杂因素的潜在变量并估计因果效应。使用合成和半合成数据集的实证评估验证了所提出的方法的有效性。我们进一步展示了我们的因果公平性分析方法的潜力。
2022-01-06 cs.AI cs.CY cs.LG
Time Series Deconfounder: Estimating Treatment Effects over Time in the Presence of Hidden Confounders
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）；UCLA（加州大学洛杉矶分校）；University of Cambridge（剑桥大学）
治疗效果的估计是医学中普遍存在的问题。从纵向观察数据估计治疗效果的现有方法假设不存在隐藏的混杂因素，这一假设在实践中不可检验，如果不成立，则会导致有偏倚的估计。在本文中，我们开发了时间序列Deconfounder，这是一种利用随时间分配多种治疗的方法，可以在存在多原因隐藏混杂因素的情况下估计治疗效果。时间序列Deconfounder使用一种新的具有多任务输出的递归神经网络架构，随着时间的推移建立一个因子模型，并推断出使分配的治疗条件独立的潜在变量;然后，它使用这些潜在变量作为多原因未观察到的混杂因素的替代品进行因果推理。我们提供了一个理论分析，以获得无偏的因果效应随时间变化的曝光使用时间序列Deconfounder。使用模拟和真实的数据，我们显示了我们的方法的有效性，在deconfounding随着时间的推移估计的治疗反应。
2020-09-18 cs.LG stat.AP stat.ML
Partial Identification of Dose Responses with Hidden Confounders
USC Information Sciences Institute（南加州大学信息科学研究所）；USC Stevens Neuroimaging and Informatics Institute（南加州大学史蒂文斯神经影像与信息学研究所）；University of Oxford（牛津大学）
针对连续取值处理的因果效应因隐藏混杂无法点识别的问题，提出新的边界估计方法，半合成基准测试显示其覆盖更紧密，并通过真实案例验证了价值。
2023-06-12 cs.LG stat.ME stat.ML
Estimating causal effects of continuous-time dynamic treatments with unmeasured confounders
Key Laboratory of Advanced Theory and Application in Statistics and Data Science -MOE, School of Statistics, East China Normal University（华东师范大学统计学院统计学与数据科学前沿理论及应用教育部重点实验室）
本文提出一种新的方法，从贝叶斯视角估计连续时间动态治疗的因果效应，以处理未测量混杂因素，通过模拟验证其在不同混杂程度下的有效性，并应用于静脉注射催产素与产后出血的因果关系分析。
2026-04-01 stat.ME
Frameworks for Estimating Causal Effects in Observational Settings: Comparing Confounder Adjustment and Instrumental Variables
本文提出在假设可能违背时比较混杂因素调整与工具变量估计的原则，并通过多奈哌齐治疗 MCI 的实例说明方法选择。
2023-04-28 stat.ME
Identification and Estimation of Causal Effects with Confounders Missing Not at Random
本文在混杂因素非随机缺失且缺失性与处理无关的假设下，建立了因果效应的可识别性，并提出加权估计方程方法及三种平均因果效应估计量，通过模拟和实际数据验证其有效性。
2023-10-30 stat.ME
Identifiability Analysis of Linear ODE Systems with Hidden Confounders
The University of Melbourne（墨尔本大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
该研究针对含隐藏混杂因子的线性ODE系统可识别性条件未被探索的问题，系统分析了无因果关系、因果结构为DAG的两类潜混杂因子场景下的可识别性，并通过仿真验证了理论结果。
2026-10-07 cs.LG stat.ML
Estimation of Individual Treatment Effect in Latent Confounder Models via Adversarial Learning
University of California, Los Angeles（加州大学洛杉矶分校）；University of Oxford（牛津大学）；University at Buffalo（布法罗大学）
从观察数据中估计个体治疗效果（ITE）在医学上是必不可少的。估计ITE的一个核心挑战是处理混杂因素，这些因素是影响干预及其结果的因素。大多数以前的工作依赖于unconfoundedness假设，假设所有的混杂因素都在观测数据中测量。但是，如果存在不可测量的（潜在的）混杂因素，则会引入混杂偏倚。幸运的是，潜在混杂因素的噪声代理通常是可用的，并且可以用于对ITE进行无偏估计。在本文中，我们开发了一种新的对抗性学习框架，使用噪声代理对ITE进行无偏估计。
2018-11-21 cs.LG stat.ML
Estimating Dyadic Treatment Effects with Unknown Confounders
Waseda University（早稻田大学）；Kyoto University（京都大学）
研究如何在存在未知混杂因素时估计二元治疗效果，基于图子估计文献提出邻域核平滑方法及共形推断方法，应用于国际贸易数据评估自由贸易协定对双边贸易流量的影响。
2026-07-14 econ.EM stat.ME stat.ML
Deconfounding Temporal Autoencoder: Estimating Treatment Effects over Time Using Noisy Proxies
ETH Zurich（苏黎世联邦理工学院）；LMU Munich（慕尼黑大学）
根据观察数据估计个体化处理效应（ITE）对于决策至关重要。为了获得无偏ITE估计值，一个常见的假设是观察到所有混杂因素。然而，在实践中，我们不太可能直接观察到这些混杂因素。相反，我们经常观察到真实混杂因素的嘈杂测量值，这些测量值可以作为有效的代理。在本文中，我们解决的问题，估计ITE在纵向设置，我们观察到嘈杂的代理，而不是真正的混杂因素。为此，我们开发了Deconfounding Temporal Autoencoder，这是一种利用观察到的噪声代理来学习反映真实隐藏混淆因素的隐藏嵌入的新方法。特别是，DTA将长短期记忆自动编码器与因果正则化惩罚相结合，使得潜在结果和治疗分配在给定学习的隐藏嵌入的情况下条件独立。一旦通过DTA学习了隐藏嵌入，就可以使用最先进的结果模型来控制它并获得ITE的无偏估计。使用合成和真实世界的医疗数据，我们通过大幅提高最先进的基准来证明我们的DTA的有效性。
2021-12-06 cs.LG stat.ML
Comparative Study of Causal Discovery Methods for Cyclic Models with Hidden Confounders
Technische Universität Berlin（柏林工业大学）
针对现有多数因果发现算法无法适配含循环与隐混淆因子系统的问题，本文对两种LLC方法和两种基于ASP的算法开展多干预、多数据集规模的对比实验，明确各方法的优劣。
2024-12-08 cs.LG stat.ME stat.ML
A joint modeling approach to treatment effects estimation with unmeasured confounders
本文提出一种混合效应联合建模方法，在纵向数据中存在未测量混杂因素时识别和估计OR与PS函数，从而获得平均及异质性处理效应，并用拉普拉斯变体EM算法估计参数。
2024-11-17 stat.ME
Causal GNNs: A GNN-Driven Instrumental Variable Approach for Causal Inference in Networks
University of South Australia（南澳大学）；Southwest Jiaotong University（西南交通大学）
针对网络因果推断中隐藏混杂因素导致估计偏差的问题，提出结合GNN与注意力机制、以网络结构为工具变量的CgNN方法，经真实数据集验证可有效减偏，提供鲁棒的网络因果推断框架。
2024-09-13 cs.LG stat.ML
Counterfactual Evaluation of Treatment Assignment Functions with Networked Observational Data
Arizona State University（亚利桑那州立大学）；University of Virginia（弗吉尼亚大学）
新治疗分配函数的反事实评估（例如，广告算法和推荐系统）对于从业者来说是最关键的因果推理问题之一。传统上，进行随机对照试验（A/B检验）来评估治疗分配函数。然而，这种试验可能是耗时的，昂贵的，甚至在某些情况下是不道德的。因此，治疗分配函数的离线反事实评估成为一个紧迫的问题，因为在当今的大数据时代，有大量的观察数据可用。反事实评估需要处理隐藏的混杂因素--无法测量的特征，这些特征会对治疗分配和结果产生因果影响。为了处理隐藏混杂因素，大多数现有方法依赖于没有隐藏混杂因素的假设。然而，在大量观测数据的背景下，这种假设可能是站不住脚的。当这些数据与网络信息一起出现时，后者可能有助于纠正隐藏的混淆偏见。因此，我们首先制定了一个新的问题，与网络观察数据的治疗分配函数的反事实评估。然后，我们探讨了以下研究问题：我们如何利用网络信息在反事实评价？网络信息能改善反事实评估中的估计吗？为了回答这些问题，首先，我们提出了一个新的框架，\emph{Counterfactual Network Evaluator}（CONE），它（1）在观察到的治疗和结果的监督下学习潜在混杂因素的部分表示;（2）将它们结合起来进行反事实评估。然后通过大量的实验，我们证实了CONE的有效性。结果表明，将网络信息减轻隐藏的混淆偏见，在反事实评价。
2019-12-22 cs.LG stat.ME stat.ML
Treatment-Aware Hyperbolic Representation Learning for Causal Effect Estimation with Social Networks
City University of Hong Kong（香港城市大学）；Tencent（腾讯）
本文提出TAHyper方法，利用双曲空间编码社交网络并设计处理感知关系识别模块，以降低无标度网络嵌入失真并增强隐藏混淆因素表示，从而提升个体处理效应估计性能。
2024-01-12 cs.AI cs.LG cs.SI
Causal Effect Estimation using identifiable Variational AutoEncoder with Latent Confounders and Post-Treatment Variables
College of Informatics, Huazhong Agricultural University（华中农业大学信息学院）；Data 61, Commonwealth Scientific and Industrial Research Organisation (CSIRO)（联邦科学与工业研究组织数据61分部）；STEM, University of South Australia（南澳大学 STEM 学院）
针对观测数据因果效应估计中潜在混杂因子与治疗后变量引发的偏差问题，提出结合VAE与iVAE的CPTiVAE方法，证明相关可识别性，实验表明其性能优于现有最优方法，具备实际应用潜力。
2024-08-13 cs.LG stat.ME
Debiased machine learning for estimating the causal effect of urban traffic on pedestrian crossing behaviour
Toronto Metropolitan University（多伦多都会大学）
在自动驾驶汽车过渡到城市道路以及随后交通条件发生前所未有的变化之前，评估与行人过街行为相关的交通政策和未来道路设计至关重要。最近的研究分析了非因果影响的各种变量对行人等待时间的存在自动驾驶汽车。然而，我们主要研究交通密度对行人等待时间的因果影响。我们开发了一个双/无偏机器学习（DML）模型，在该模型中，解决了影响政策和结果的混杂变量的影响，从而实现了无偏的政策评估。此外，我们试图分析交通密度的影响，通过开发一个基于Copula的联合模型的行人过街行为的两个主要组成部分，行人压力水平和等待时间。Copula方法在文献中被广泛应用，用于解决自我选择问题，可以归类为出行行为建模中的因果分析。在考虑交通密度影响的基础上，对Copula方法和DML方法的结果进行了比较。在DML模型结构中，密度参数的标准误差项比Copula方法低，置信区间更可靠。此外，尽管效应的符号相似，但由于混杂因素的虚假效应，copula方法估计的流量密度的效应低于DML。总之，DML模型结构可以通过使用机器学习算法灵活地调整混杂因素的影响，并且对于规划未来的策略更可靠。
2022-12-21 cs.LG stat.ME
Sequential Deconfounding for Causal Inference with Unobserved Confounders
ETH Zurich（苏黎世联邦理工学院）
当随机实验不可行或成本高昂时，使用观察数据来估计治疗效果是决策的有力工具。然而，观察性数据经常产生处理效应的偏倚估计，因为治疗分配可能受到未观察到的变量的混淆。一种补救措施是通过调整这些未观察到的混杂因素的去干扰方法。在本文中，我们开发了序贯去混淆，一种方法，使估计个体化的处理效应随着时间的推移，存在未观察到的混杂因素。这是第一种可以在一般顺序设置中使用的去干扰方法（即，在每个时间步分配一个或多个处理）。序贯去混淆器使用一种新的高斯过程潜变量模型来推断未观察到的混淆因素的替代品，然后将其与结果模型结合使用，以估计随时间推移的处理效应。我们证明，使用我们的方法产生无偏估计的个体化治疗反应随时间的推移。使用模拟和真实的医疗数据，我们证明了我们的方法的效力，随着时间的推移，在去干扰治疗反应的估计。
2022-02-28 cs.LG stat.ME stat.ML
Differentiable Cyclic Causal Discovery Under Unmeasured Confounders
School of Electrical & Computer Engineering（电气与计算机工程学院）；Georgia Institute of Technology（佐治亚理工学院）
DCCD-CONF提出了一种可微分学习非线性循环因果图的新框架，以应对未测量混杂因素，通过干预数据优化图结构和混杂分布，提升因果图恢复和混杂识别性能。
2026-01-23 cs.LG stat.ME stat.ML
LLM-based Agents for Automated Confounder Discovery and Subgroup Analysis in Causal Inference
National Sun Yat-Sen University（中山大学）
提出基于LLM的智能体框架，将其集成至因果机器学习流程中，通过模拟领域专家知识实现自动混杂因素发现与亚组分析，在减少人工依赖的同时提升了处理效应估计的稳健性与可解释性。
2025-08-10 cs.AI cs.LG cs.MA
Causal Inference with Confounders MNAR under Treatment-independent Missingness Assumption
观察性研究中的因果推断在混杂因素可能缺失时具有挑战性。一般来说，即使在限制性参数模型假设下，当混杂因素非随机缺失时，也不能保证因果效应的识别。为了解决这一问题，我们提出了一个通用框架，以建立因果关系的识别时，混杂因素受到治疗无关的缺失，这意味着缺失数据机制是独立的治疗，考虑到结果和可能的缺失混杂因素。我们特别考虑了常用的连续和二元结果模型，并在识别失败时提供了反例。在估计方面，我们给出了模型参数的加权估计方程估计方法，并在估计模型的基础上给出了平均因果效应的三个估计量。我们通过模拟评估有限样本的估计性能。我们进一步说明了所提出的方法，从全国健康和营养检查调查的真实数据集。
2023-03-22 stat.ME
Discovery and inference of a causal network with hidden confounding
本文提出 GrIVET 方法，在存在隐藏混杂的高斯有向无环图中进行因果发现与推断，结合顺序发现、工具变量估计和似然比检验，并在阿尔茨海默病基因表达数据上验证了其有效性。
2023-09-18 stat.ME
Considerations for Estimating Causal Effects of Informatively Timed Treatments
本文探讨了信息性定时治疗对因果效应估计的影响，提出利用g方法调整等待时间作为时间变化混杂因素以提高推断有效性。
2025-08-29 cs.LG stat.ME
On the Validity of Covariate Adjustment for Estimating Causal Effects
Harvard School of Public Health（哈佛公共卫生学院）
从观察数据和因果假设中识别行为（治疗）对结果变量的影响是因果推断中的一个基本问题。由于存在可能与治疗和结局变量相关的混杂因素，这种识别变得困难。在理论和实践中，混杂因素通常通过调整协变量来处理，换句话说，考虑以治疗和协变量值为条件的结局，通过观察这些协变量值的概率进行加权。本文给出了协变量调整的一个完备的图形准则，我们称之为调整准则，并由此准则的完备性得到了一些有趣的推论。
2012-03-15 cs.AI stat.ME
Causal Mediation Analysis with Multiple Treatments and Latent Confounders
因果中介分析是通过中介变量或中介变量来评估治疗对目标结果的直接和间接因果效应，但在实际应用中，由于中介变量不能随机分配，直接和间接因果效应难以识别。在这篇文章中，我们考虑一个因果模型，包括潜在的混杂因素之间的调解人和结果。我们提出了充分的条件，确定直接和间接的影响，并提出了一种方法来估计它们。所提出的方法的性能进行了评估，通过仿真研究。最后，我们将该方法应用于一个电信公司的客户忠诚度调查数据集。
2020-01-13 stat.AP 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
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
Estimating Longitudinal Causal Effects with Unobserved Noncompliance Using a Semi-Parametric G-computation Algorithm
受试者不依从，即受试者不遵循指定的治疗方案，通常掩盖了随机试验中治疗和处理效应之间的因果关系。在纵向设置中，G计算算法可以调整混杂以估计因果效应。通常，G计算假设1）观察到符合性; 2）可以正确指定混杂因素的密度。我们的目标是开发一个G-计算估计的设置，这两个假设都违反。对于1），我们用从与依从性相关的生物标志物建模中推导出的概率权重来代替未观察到的依从性。对于2），我们使用预测均值匹配拟合半参数模型。具体来说，我们参数化地指定混杂因素的条件平均值，然后使用预测平均值匹配来随机生成用于G计算的混杂数据。在模拟和应用中，我们比较了多个因果估计已经建立在文献中与那些来自我们的方法。对于模拟，我们生成了不同样本量和混杂水平的数据。对于应用，我们将我们的方法应用于试图评估低尼古丁香烟对香烟消费的影响的试验（香烟中尼古丁评估中心项目2 - CENIC-P2）。
2023-02-08 stat.AP stat.ME
Bayesian Structured Mediation Analysis With Unobserved Confounders
University of Chicago（芝加哥大学）；North Carolina State University（北卡罗来纳州立大学）；University of Michigan（密歇根大学）
针对具有空间平滑结构的高维中介变量（如脑成像数据）中未观测混杂因素影响的问题，提出贝叶斯结构化中介分析（BASMU）框架，通过引入潜在个体效应作为未观测混杂因素来去偏中介效应，并建立模型可识别性条件与两阶段估计算法。
2026-05-27 stat.ME
Disentangled Representation for Causal Mediation Analysis
University of South Australia（南澳大利亚大学）；Guangxi Normal University（广西师范大学）；Simon Fraser University（西蒙菲莎大学）
本文提出 DMAVAE，通过将潜在混杂因素解耦为三类并采用逐段去混杂假设，替代序列可忽略性，以准确估计因果中介的自然直接、间接和总效应。
2023-12-16 cs.LG stat.ME
A Data Fusion Method for Quantile Treatment Effects
针对含未测量混杂的大型辅助数据与完全观测的小型验证数据，本文提出基于双稳健估计函数的FQTE融合估计量，证明其渐近正态且更有效，并通过模拟和应用验证。
2023-07-16 stat.ME
Causal Effect Identification in LiNGAM Models with Latent Confounders
Technical University of Munich（慕尼黑工业大学）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Leiden University（莱顿大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文研究了带有潜在变量的 LiNGAM 模型中因果效应的可识别性，在因果图已知与未知两种设定下提供了完整的图特征描述与认证算法，并改编 RICA 算法实现因果效应估计。
2024-06-04 cs.LG stat.ME stat.ML
Causal Inference of General Treatment Effects using Neural Networks with A Diverging Number of Confounders
本文提出一种基于人工神经网络的广义优化框架，用于在混杂因素维度发散时有效估计一般处理效应，建立了新的逼近误差界以缓解维度灾难，并证明了估计量的根-n一致性和渐近正态性。
2023-11-17 stat.ME stat.ML
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
A unified framework for estimating direct causal effect under spatial confounding and interference, with the R package spaci
University of Manchester（曼彻斯特大学）；Federal University of Agriculture, Abeokuta（阿贝奥库塔联邦农业大学）
提出统一框架同时处理空间混杂和干扰，通过iDAPS匹配和recoverU+双重稳健估计器估计直接因果效应，并验证于SCR/SNCR臭氧影响。
2026-09-25 stat.ME
A Bayesian Non-parametric Approach for Causal Mediation with a Post-treatment Confounder
提出一种贝叶斯非参数方法，通过富化狄利克雷过程混合模型处理存在处理后混杂因素时的因果中介分析，可估计自然直接效应和间接效应，并在模拟和Rural LITE试验中验证了其有效性。
2023-05-08 stat.AP stat.ME
Reconciling Overt Bias and Hidden Bias in Sensitivity Analysis for Matched Observational Studies
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）；Data Science Institute, The University of Chicago（芝加哥大学数据科学研究所）
本文提出了一种新的Rosenbaum型敏感性分析方法，通过确保隐性偏见与显性偏见的兼容性，以更准确地评估匹配观察研究中的混淆偏见影响。
2026-02-25 stat.ME
Causal Disentanglement with Network Information for Debiased Recommendations
Arizona State University（亚利桑那州立大学）；City University of Hong Kong（香港城市大学）
推荐系统的目标是通过学习用户和项目的表示来向用户推荐新的项目。在实践中，这些表示是高度纠缠的，因为它们包括关于多个因素的信息，包括用户的兴趣，项目属性以及诸如用户一致性和项目流行度之类的混淆因素。考虑这些纠缠的表示来推断用户偏好可能导致有偏见的推荐（例如，当推荐器模型推荐流行项目时，即使它们不符合用户的兴趣）。最近的研究建议从因果关系的角度来建立推荐系统的模型。暴露和评级分别类似于因果推理框架中的治疗和结局。这种情况下的关键挑战是解释隐藏的混杂因素。这些混杂因素未被观察到，因此很难对其进行测量。另一方面，由于这些混杂因素会影响曝光率和评级，因此在生成无偏见推荐时必须考虑到它们。为了更好地近似隐藏的混杂因素，我们建议利用网络信息（即，用户-社交和用户-项目网络），其被示出影响用户如何发现项目并与项目交互。除了用户一致性，混淆的方面，如项目的流行程度存在于网络信息中也被捕获在我们的方法的帮助下，\textit{causal disentanglement}解开学习表示成独立的因素，负责（a）建模项目的暴露给用户，（b）预测的评级，和（c）控制隐藏的混杂因素。在真实数据集上的实验验证了该模型在去偏推荐系统中的有效性。
2022-04-14 cs.IR cs.LG stat.ML
On Associative Confounder Bias
当估计治疗对观察数据结局的因果影响时，以一些对治疗和结局变量都有因果影响的混杂因素集为条件，足以消除所有此类混杂因素引入的偏倚。这是通过将它们包括在倾向得分模型中，在所谓的潜在结果框架中进行因果推断，而在因果图形建模框架中，通常对它们进行调节。然而，在前一个框架中，当建模者发现一个变量与治疗和结果都无因果关系时，这是令人困惑的。有些人认为，这些变量也应该包括在分析中，以消除偏见。但其他人认为，他们没有引入偏见，所以他们应该被排除在外，条件反射在治疗和结果之间引入了虚假的依赖关系，从而导致估计中的额外偏见。我们表明，在不同的情况下，这两个参数可能会有错误。当发现这样一个变量时，两种行为都不能给出正确的因果效应估计。选择一个行动而不是另一个行动是必要的，以便减少错误。我们讨论如何选择更好的行动。
2018-04-21 stat.ME
Causal Effect Estimation with Variational AutoEncoder and the Front Door Criterion
University of South Australia（南澳大学）；Hefei University of Technology（合肥工业大学）
针对未观测混杂与中介变量并存时的因果效应估计难题，提出 FDVAE，用变分自编码器学习前门调整集表征，并在合成与真实数据集上验证其优越性能。
2023-04-24 cs.LG stat.ME
A causal exposure response function with local adjustment for confounding: Estimating health effects of exposure to low levels of ambient fine particulate matter
《清洁空气法》规定，必须根据最新科学对国家环境空气质量标准（NAAQS）进行常规评估，以保护人口。因此，研究人员应该继续研究暴露于低于NAAQS的空气污染水平是否对人类健康有害。围绕环境法规的争议性质促使我们将这个问题置于一个因果推断框架内。参数和半参数回归方法已被用来估计环境空气污染和健康结果之间的风险-响应（ER）曲线。大多数这些方法不是在因果框架内制定的，在所有暴露水平上调整相同的协变量，并且不考虑模型的不确定性。我们介绍了一个贝叶斯框架的因果ER曲线称为LERCA（局部暴露反应混杂调整），它允许不同的混杂因素和不同强度的混杂在不同的曝光水平的估计，并传播不确定性的混杂因素的选择和形状的ER。LERCA提供了一种原则性的方法来评估协变量在不同暴露水平下的混杂重要性，为研究人员提供了关于回归模型中要调整的变量的信息。使用模拟，我们表明，国家的最先进的方法在估计的ER曲线在局部混杂的存在下表现不佳。LERCA用于评估美国5，362个邮政编码的环境PM2.5暴露与心血管住院之间的关系，同时调整暴露范围内可能不同的混杂因素。当关注低暴露范围时，环境PM2.5导致心血管住院率增加。我们的研究结果表明，PM2.5对心血管住院的影响没有阈值。
2020-01-08 stat.ME
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
Generalized Independent Noise Condition for Estimating Latent Variable Causal Graphs
Guangdong University of Technology（广东工业大学）；Peking University（北京大学）；Pazhou Lab（琶洲实验室）；Carnegie Mellon University（卡内基梅隆大学）；Foshan University（佛山大学）
因果发现旨在恢复观察到的数据背后的因果结构或模型。尽管它在某些领域取得了成功，但大多数现有方法都集中在观测变量之间的因果关系上，而在许多情况下，观测变量可能不是潜在的因果变量（例如，图像像素），但是由潜在的因果变量或因果相关的混淆因素产生。为此，在本文中，我们考虑线性，非高斯潜变量模型（LiNGLaMs），其中潜在的混杂因素也是因果相关的，并提出了一个广义独立噪声（GIN）的条件来估计这样的潜变量图。具体地，对于两个观察到的随机向量$\mathbf{Y}$和$\mathbf{Z}$，当且仅当$ω^{\intercal}\mathbf{Y}$和$\mathbf{Z}$在统计上独立时，GIN成立，其中$ω$是由$\mathbf{Y}$和$\mathbf{Z}$之间的互协方差表征的参数向量。从图形的角度来看，粗略地说，GIN意味着$\mathbf{Y}$中变量的因果上较早的潜在共同原因将$\mathbf{Y}$与$\mathbf{Z}$分开。有趣的是，我们发现独立噪声条件，即，如果不存在混杂因素，原因是独立的，回归误差对原因的影响，可以看作是GIN的一个特例。此外，我们表明，GIN有助于定位潜在变量，并确定其因果结构，包括因果方向。我们进一步开发了一个递归的学习算法来实现这些目标。在合成数据和真实数据上的实验结果证明了该方法的有效性。
2020-11-18 cs.LG stat.ML
Proximal Balancing for Causal Effect Estimation under Unmeasured Confounding
针对未测量混杂下的因果效应估计，提出近端平衡方法，通过学习协变量和代理的低维摘要实现组间可比，无需逆问题或潜模型，并提供理论保证与PROBE算法。
2026-10-22 cs.LG stat.ME stat.ML
FRITL: A Hybrid Method for Causal Discovery in the Presence of Latent Confounders
School of Computer Science, Guangdong University of Technology（广东工业大学计算机学院）；Department of Philosophy, Carnegie Mellon University（卡内基梅隆大学哲学系）；Pazhou Lab（琶洲实验室）；School of Mathematics and Big Data, Foshan University（佛山大学数学与大数据学院）
我们考虑的问题，估计一个特定类型的线性非高斯模型。不诉诸于过完备独立分量分析（ICA），我们表明，在一些温和的假设下，该模型是唯一确定的混合方法。我们的方法利用基于约束的方法和独立的基于噪声的方法来处理混杂和无混杂的情况下的优势。我们的方法的第一步使用FCI程序，它允许混淆，并能够产生渐近正确的结果。结果，不幸的是，通常确定非常少的无混淆的直接因果关系，因为只要有可能有一个混杂因素，它会表明it.The第二步，我们的程序中发现的无混淆的因果边缘之间的观察变量只有那些相邻的对FCI结果通知。通过利用所谓的Triad条件，第三步能够找到混杂因素及其与其他变量的因果关系。之后，如果需要的话，我们将ICA应用于一组非常小的图来识别剩余的因果关系。仿真数据和实际数据的实验验证了该方法的正确性和有效性。
2021-03-26 cs.LG stat.ML
Deep Causal Reasoning for Recommendations
Wuhan University（武汉大学）
传统的推荐系统的目标是估计用户的评级的基础上观察到的评级从人口的项目。与所有观察性研究一样，隐藏的混杂因素是影响项目暴露和用户评级的因素，会导致估计中的系统性偏倚。因此，从因果关系的角度来消除混杂因素的影响是推荐系统研究的一个新趋势。观察到，在建议中的混杂因素通常是共享的项目，因此是多原因的混杂因素，我们模型的建议作为一个多原因多结果（MCMO）推理问题。具体来说，为了纠正混淆偏差，我们估计用户特定的潜变量，使项目曝光独立伯努利试验。生成分布由具有因子化逻辑似然的DNN参数化，并且通过变分推断估计难处理的后验。控制这些因素作为替代混杂因素，在温和的假设下，可以消除多原因混杂因素引起的偏倚。此外，我们表明，MCMO建模可能会导致高方差，由于稀缺的观测与高维因果空间。幸运的是，我们从理论上证明，引入用户特征作为预处理变量可以大大提高样本效率，减轻过拟合。模拟和真实世界数据集上的实证研究表明，所提出的深度因果推荐器比最先进的因果推荐器对未观察到的混杂因素表现出更强的鲁棒性。代码和数据集在https://github.com/yaochenzhu/deep-deconf上发布。
2022-11-21 cs.IR cs.LG
The DeCAMFounder: Non-Linear Causal Discovery in the Presence of Hidden Variables
针对存在隐变量时的非线性因果发现问题，本文提出DeCAMFounder方法，通过对观测数据矩阵进行谱分解估计混杂变异，推导出DAG评分函数，证明了恢复DAG排序的一致性，并在模拟与真实数据上取得更优表现。
2023-06-25 stat.ME
Estimating the treatment effect on the treated under time-dependent confounding in an application to the Swiss HIV Cohort Study
当在非随机化环境中比较时变治疗时，通常必须校正随时间推移影响治疗选择的时间依赖性混杂因素，这些混杂因素本身也受治疗影响。我们提出了一个新的两步程序，添加剂的风险回归和线性增量模型的基础上，处理这样的混淆时，估计平均处理效应的治疗（ATT）。该方法也可用于中介分析。该方法适用于瑞士艾滋病毒队列研究的数据，估计抗逆转录病毒治疗对艾滋病或死亡时间的影响。与其他估计ATT的方法相比，该方法易于使用现有的R.
2016-10-05 stat.ME
Quantifying Error in the Presence of Confounders for Causal Inference
Microsoft Research India（微软印度研究院）
估计平均因果效应（ACE）是有用的，每当我们想知道干预措施对给定结果的影响。在缺乏随机实验的情况下，许多方法，如分层和反向倾向加权已被提出来估计ACE。然而，很难知道哪种方法对于给定的数据集是最佳的，或者对于所选择的方法使用哪些超参数。为此，我们提供了一个框架来表征损失的因果推理方法对真正的ACE，框架因果推理作为一个表示学习的问题。我们表明，许多流行的方法，包括后门方法，可以被认为是加权或表示学习算法，并提供一般的误差界的因果估计。此外，我们考虑的情况下，未观察到的变量可以混淆的因果估计和扩展建议的界限，使用鲁棒统计的原则，考虑混杂的Huber污染模型下的污染。这些界限也是可估计的，作为一个例子，我们提供了经验的逆倾向加权（IPW）估计的界限，并显示如何使用的界限可以用来优化阈值的裁剪极端倾向得分。我们的工作提供了一种新的方式来推理竞争估计，并开辟了潜在的衍生新方法，最大限度地减少建议的误差范围。
2019-07-10 cs.LG stat.ME stat.ML
Proximal Mediation Analysis with Unmeasured Treatment-Induced Confounding
Center for Applied Statistics and School of Statistics, Renmin University of China（中国人民大学统计学院与应用统计中心）；Department of Biostatistics & Medical Informatics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校生物统计与医学信息学系）
研究解决治疗引起的混杂因素问题，用观测变量作未测量混杂因素的代理，建立近端识别结果并开发估计器，通过模拟和实际数据应用说明该方法。
2026-07-07 stat.ME
A coherent likelihood parametrization for doubly robust estimation of a causal effect with missing confounders
缺失数据和混杂是研究者在进行比较有效性的观察性研究中面临的两个问题。Williamson等人（2012）最近提出了一种统一的方法，在假设混杂因素随机随机缺失的情况下，使用多重稳健（MR）方法同时处理这两个问题。他们的方法考虑了一个模型的联合，其中任何子模型都有一个参数组件，而其余的模型是不受限制的。我们表明，虽然他们的估计功能是MR理论上，多重鲁棒推理的可能性是复杂的事实，即参数模型的不同组成部分的联盟模型是不是变化独立的，因此MR属性是不太可能在实践中举行。为了解决这个问题，我们提出了一种替代的透明参数化的似然函数，这使得明确的模型之间的依赖关系，需要评估的MR有效的分数的各种滋扰功能。所提出的方法是真正的双重鲁棒性（DR），因为它是一致的和渐近正态的，如果两组建模假设之一。通过仿真研究，我们评估了DR方法的性能和双重鲁棒性。
2020-07-20 math.ST stat.ME stat.TH
