Identification and Robust Inference for Multiple Treatments with Possibly Invalid Instruments
University of Macau（澳门大学）；The Chinese University of Hong Kong（香港中文大学）；Zhejiang University（浙江大学）
研究具有多个内生治疗和可能无效工具变量的线性IV模型，引入广义多数和多数规则用于识别多种治疗效果，提出对IV选择错误具有鲁棒性的抽样置信区间，建立其渐近覆盖和参数率长度并用于孟德尔随机化应用。
2026-09-09 stat.ME
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
Peer Encouragement Designs in Causal Inference with Partial Interference and Identification of Local Average Network Effects
在非网络环境中，当随机化治疗被认为不切实际或治疗依从性无法完全强制执行时，鼓励设计已被广泛用于分析治疗、政策或干预对关注结果的因果影响。不幸的是，这样的问题有关的治疗依从性得到较少的关注，在网络设置和网络中研究最充分的试验设计，两阶段随机化设计，需要完美的治疗依从性。本文提出了一种新的试验设计--同伴激励设计，用于研究在实施治疗随机化不可行的情况下网络处理效应。同伴激励设计的核心思想是个性化激励的思想，它允许在激励设计文献中识别熟悉的被估量。本文还定义了新的因果被估量，局部平均网络效应，可以确定在新的设计和分析的影响，不遵守行为的随机实验网络。
2016-09-14 stat.ME
A Nonparametric Method for Value Function Guided Subgroup Identification via Gradient Tree Boosting for Censored Survival Data
在具有生存结局的随机临床试验中，基于基线基因组、蛋白质组学标志物或临床特征的亚组识别越来越受到关注。一些现有的方法通过直接建模结果或处理效应来识别从实验处理中实质上受益的亚组。当目标是为给定患者找到最佳治疗而不是为给定治疗找到合适的患者时，个体化治疗方案框架下的方法估计个体化治疗规则，该个体化治疗规则将导致如由值函数测量的最佳预期临床结果。将价值函数的概念与亚组识别联系起来，我们提出了一种非参数方法，该方法通过最大化直接反映基于受限平均生存时间的亚组-治疗相互作用效应的价值函数来搜索亚组成员资格分数。提出了一种梯度树提升算法来搜索单个子组成员分数。我们进行模拟研究，以评估所提出的方法的性能和应用程序的艾滋病临床试验进行说明。
2020-06-15 stat.ME
Identification and estimation of treatment and interference effects in observational studies on networks
对通过网络连接的一组单元进行因果推断通常存在技术挑战，包括如何解释干扰。例如，在存在局部干扰的情况下，一个单元的潜在结果取决于其处理以及其他局部单元的处理，例如根据网络的邻居。在观察性研究中，进一步的复杂性是必须扩展典型的无混淆性假设--比如说，包括对邻居的处理，以及个体和邻居协变量--以保证识别和有效的推断。在这里，我们提出了新的估计，定义治疗和干扰效果。然后，我们推导出一个天真的估计，错误地假设远离干扰的偏差的解析表达式。偏差取决于干扰的程度，但也取决于个人和邻居之间的处理的关联程度。我们提出了一个扩展的unconfoundedness假设，占干扰，我们开发了新的协变量调整方法，导致有效的估计治疗和网络上的观察性研究中的干扰效应。估计基于广义倾向得分，该分数在不同水平的个体治疗和暴露于邻居治疗的情况下平衡了各个单位的个体和邻居协变量。我们进行了模拟，校准使用友谊网络和协变量在全国代表性的纵向研究的青少年在等级7-12，在美国，探索有限样本的性能在不同的现实环境。
2018-03-30 stat.ME
Heterogeneous Coefficients, Control Variables, and Identification of Multiple Treatment Effects
多维异质性和内隐性是多处理模型的重要特征。我们考虑一个非均质系数模型，其中的结果是一个虚拟的治疗变量的线性组合，每个变量代表一种不同的治疗。我们使用控制变量来给出平均处理效应的充分必要条件。对于互斥处理，我们发现，如果非均质系数与给定对照的处理无关，则一个简单的识别条件是广义倾向得分（Imbens，2000）远离零，并且它们的总和远离1，概率为1。我们的分析延伸到分布和分位数处理效应，以及相应的处理效应的治疗。这些结果推广了Rosenbaum和Rubin（1983）关于二元处理的经典识别结果。
2021-11-22 econ.EM stat.ME
Estimating Optimal Treatment Rules with an Instrumental Variable: A Partial Identification Learning Approach
个体化治疗规则被认为是提供更好的政策干预的一个有希望的处方。最佳ITR估计问题的一个关键因素是根据受试者的协变量信息估计平均处理效应，由于普遍关注不可测量的混杂因素，这在观察性研究中通常具有挑战性。工具变量（IV）是在治疗和结局之间存在不可测量的混杂时推断处理效应的广泛使用的工具。在这项工作中，我们提出了一个一般框架接近最佳ITR估计问题时，一个有效的IV被允许只部分识别的处理效应。我们引入了一个新的概念，称为“IV-最优”的最优性。如果一个治疗规则最小化了关于假定的IV和IV识别假设集的最大风险，则该治疗规则被称为IV最优的。我们推导出一个IV-最优规则的风险，照亮IV-最优规则具有良好的泛化性能的界限。我们提出了一个基于分类的统计学习方法，估计这样的IV-最优规则，设计计算效率高的算法，并证明理论保证。我们通过广泛的模拟将我们提出的方法与流行的结果加权学习（OWL）方法进行了对比，并将我们的方法应用于研究哪些母亲将受益于在具有高水平新生儿重症监护病房的医院分娩早产儿。
2021-01-12 stat.ME
Evaluating Treatment Benefit Predictors using Observational Data: Contending with Identification and Confounding Bias
本文研究如何用观察性数据评估预先指定的治疗获益预测因子，证明区分度与校准指标可由可观测分布识别，并揭示混杂控制不足时偏倚传播更复杂且方向难以直觉判断。
2025-09-26 stat.ME
Identification of Treatment Effects under Conditional Partial Independence
治疗分配与潜在结局的条件独立性是一个常用但不可反驳的假设。我们从这个条件独立性假设的非参数偏差下获得各种处理效应参数的识别集。这些偏差通过条件治疗分配概率定义，这使得解释简单明了。我们的研究结果可以用来评估基线条件独立假设下获得的经验结论的稳健性。
2017-07-29 econ.EM stat.ME
On Mendelian Randomization Mixed-Scale Treatment Effect Robust Identification (MR MiSTERI) and Estimation for Causal Inference
如果定义工具变量（IV）的遗传变异受到混淆和/或对非治疗介导的目标结局具有水平多效性效应，则标准孟德尔随机化分析可能产生偏倚结果。我们提供了新的识别条件的因果关系的治疗中存在的不可测量的混杂，利用无效的IV的独立性和排除限制的假设可能会被违反。孟德尔随机化混合尺度处理效应稳健辨识（MR MiSTERI）方法依赖于（i）假设处理效应不随相加量表上无效IV的变化而变化;以及（ii）由于混杂导致的选择偏倚不随比值比量表上无效IV的变化而变化;和（iii）结果的残差方差是异方差的，因此随着无效IV而变化。我们正式确定，他们的结合可以确定一个因果关系的影响，即使是一个无效的IV受到多效性。MiSTERI被证明是特别有利的，在存在普遍的异质性的多效性效应的加性尺度，设置在其中两个最近提出的稳健估计方法MR GxE和MR GENIUS可以严重偏置。为了将多个，可能相关的和弱IV，MR研究中的一个常见的挑战，我们开发了一个MAny弱无效仪器（MR MaWII MiSTERI）的方法，以加强识别和提高准确性MaWII MiSTERI被证明是强大的水平多效性，违反IV独立性假设和弱IV偏见。仿真研究和实际数据分析结果表明所提出的MR MiSTERI方法的鲁棒性。
2021-03-30 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
Interactive identification of individuals with positive treatment effect while controlling false discoveries
针对随机实验中个体正向处理效应识别难题，本文提出支持交互式引导的多重检验算法，可在有限样本中非渐近控制FDR，并扩展至观察性研究、配对样本与子组识别。
2024-05-10 stat.ME
Subgroup Identification using Covariate Adjusted Interaction Trees
我们考虑在临床试验中识别具有增强的处理效应的参与者亚组的问题。基于组间处理效应差异的一些测量递归地划分协变量空间的递归划分方法对于这样的亚组识别是流行的。最常用的递归划分方法，分类和回归树算法，首先通过使用一些分裂标准递归地划分协变量空间来创建一棵大树，然后从大树的所有子树中选择最终的树。在亚组识别的背景下，分裂标准的计算和用于最终树选择的评价指标依赖于比较治疗组和对照组之间的平均值差异。当协变量对结局具有预测性时，与使用治疗组和对照组之间的平均值差异相比，协变量调整估计量能够提高效率。这份手稿开发了两个协变量调整估计，可用于分裂决策和最终的树选择。协变量调整递归分割算法的性能进行评估，使用模拟和分析的临床试验，评估是否动机访谈改善物质滥用者的治疗参与。
2018-06-21 stat.ME
Instrumental Variable Estimation of Marginal Structural Mean Models for Time-Varying Treatment
Robins在1997年引入了边际结构模型（MSMs），这是一种针对复杂纵向研究中时变治疗方案联合效应的一般反事实模型，受时变混杂影响。在他的工作中，MSM参数的识别是在序贯随机化假设（SRA）下建立的，该假设排除了治疗分配随时间推移的不可测量的混杂。我们考虑充分条件识别的一个子类，边际结构平均模型（MSMMs），当顺序随机化未能举行由于不可测量的混杂，而不是使用随时间变化的工具变量的参数。我们的识别条件要求没有未观察到的混杂因素预测随时间变化的治疗的依从性类型。我们描述了一个简单的加权估计，并在模拟研究中检查其有限样本性质。我们应用所提出的估计量来检验分娩医院对新生儿存活概率的影响。
2020-07-24 stat.ME
SubgroupTE: Advancing Treatment Effect Estimation with Subgroup Identification
The Ohio State University（俄亥俄州立大学）；Harvard Medical School（哈佛医学院）
本文提出 SubgroupTE 模型，通过识别异质治疗响应子群并联合优化子群划分与效应估计网络，提升治疗效应估计及个性化治疗推荐性能。
2024-01-22 cs.LG stat.ME
Identification and estimation of mediational effects of longitudinal modified treatment policies
提出一种半参数方法用于纵向连续治疗的中介分析，基于双重稳健伪结果和交叉拟合序贯回归实现高效估计，并应用于IMV对COVID-19患者生存影响的研究。
2025-09-16 stat.ME
Causal Effects of Modified Treatment Policies under Positivity Violations: A Partial Identification Approach
Columbia University Mailman School of Public Health（哥伦比亚大学麦尔曼公共卫生学院）；Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布隆伯格公共卫生学院）
本研究针对正性条件违反的连续处理，提出内移投影改进的部分识别框架，可稳健估计修正处理策略的因果效应，其置信区间在模拟及农药混合物应用中表现优于传统方法。
2026-08-26 stat.ME
Identification of Average Treatment Effects in Nonparametric Panel Models
Stanford University（斯坦福大学）
本文提出非参数因子模型，证明面板数据中平均处理效应的可识别性，并给出可广泛用于组间差异分解的一致估计量。
2025-03-25 cs.LG econ.EM stat.ME
Identification and efficient estimation of compliance and network causal effects in cluster-randomized trials
Washington University in St. Louis（华盛顿大学圣路易斯分校）；University of Florida（佛罗里达大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出了一种半参数框架，用于评估集群随机试验中个体合规效应和网络分配效应，并通过数据自适应方法和敏感性分析提高推断的稳健性。
2026-09-29 stat.ME
Identification of Treatment Effects under Limited Exogenous Variation
本文提出变系数设定以缓解处理效应非参数识别的强支撑条件，给出平均处理效应识别的充要条件（条件非奇异性），并统一半参数与非参数识别框架。
2025-01-26 econ.EM stat.ME
Identification and Estimation under Multiple Versions of Treatment: Mixture-of-Experts Approach
Kyushu University（九州大学）；NTT DATA Mathematical Systems Inc.（NTT DATA数学系统株式会社）
本文提出专家混合方法，用于处理因果推断中的多重治疗版本问题，实现对未观测版本的因果效应估计。
2026-09-22 stat.ME stat.ML
Partial Identification of the Average Treatment Effect with Stochastic Counterfactuals and Discordant Twins
提出基于随机反事实与不一致双胞胎结果的部分识别方法，通过约束优化求解平均处理效应的上下界，并用三个示例验证其适用性。
2024-07-26 math.OC stat.ME
Estimation of time-varying treatment effects using marginal structural models dependent on partial treatment history
Tokyo Medical University（东京医科大学）；Yokohama City University Graduate School of Medicine（横滨市立大学医学院）
本文提出新的IP加权方法和闭合检验程序，以解决边际结构模型中因部分治疗历史依赖导致的效率和偏倚问题，并通过模拟和真实数据验证了方法的有效性。
2026-01-14 stat.ME
Nonparametric Treatment Effect Identification in School Choice
Stanford University（斯坦福大学）
本文提出非参数方法识别学校分配中的处理效应，分析了原子处理效应的识别与估计，并推荐新的聚合方案以处理回归不连续性驱动的异质性。
2025-12-29 econ.EM stat.ME
The Devil is in the Tails: Regression Discontinuity Design with Measurement Error in the Assignment Variable
当协变量（分配变量）超过已知阈值时，回归不连续性（RD）研究设计中的识别取决于治疗概率的不连续性。然而，当分配变量的测量有误差时，治疗概率与观察到的误测分配变量之间关系的不连续性可能会消失。因此，分配变量中存在测量误差对处理效应识别构成直接挑战。本文提供了利用误测的分配变量、治疗状态和结局变量识别RD处理效应的充分条件。我们证明识别分别为离散和连续的分配变量，并研究各种估计程序的性质。我们说明了所提出的方法在实证应用中，我们估计医疗补助的占用和私人医疗保险覆盖面的挤出效应。
2016-09-06 stat.ME
Partial Identification of Treatment Effects for Generalizability
最近的方法，以改善推广从非随机样本通常调用假设，如强的可重复性的样本选择，往往是有争议的，在实践中获得点估计。而不是专注于点估计为基础的推断，本文认为部分确定的估计，从更少和更弱的假设推断。我们通过在教育中使用聚类随机试验，将部分识别方法扩展到非随机样本的因果推广。在四种情况下推导出群体平均处理效应的界，两种情况下未对数据进行假设，两种情况下假设样本变异和响应单调性有界。该方法适用于纳入群体数据框架，以收紧群体平均处理效应的界限。在有限样本变异和单调性的假设下，平均处理效应的区间估计值提供了足够的信息范围，以排除大的处理效应，这与实验研究的点估计值一致。这说明，部分识别方法可以提供一个替代的视角，因果概括的样本选择的强可验证性的情况下。
2017-01-05 stat.AP stat.ME
Theory for identification and Inference with Synthetic Controls: A Proximal Causal Inference Framework
合成对照（SC）方法通常用于在面板数据设置中估计单个处理单元的处理效应。SC是为匹配治疗单位而构建的对照单位的加权平均值，通常通过将治疗单位的治疗前结局和测量协变量与对照单位的治疗前结局和测量协变量进行回归（汇总）来估计权重。然而，已经确定的是，在没有良好拟合的情况下，这样的回归估计器通常表现不佳。在本文中，我们引入了一个近端因果推断框架，正式的SC和最终的处理效应的治疗，控制单元的观察，没有贡献的建设SC可以被重新利用为代理的潜在混杂因素的基础上，识别和推理。我们认为治疗单位和SC之间的治疗后结果的差异是一个时间序列，这为各种时间序列方法估计处理效应打开了大门。所提出的框架可以容纳非线性模型，它允许二进制和计数结果，在SC文献中研究不足。我们说明与模拟研究和应用程序，以评估1990年德国统一。
2023-02-18 stat.ME
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
Heterogeneous Treatment Effect Estimation based on a Partially Linear Nonparametric Bayes Model
近年来，条件平均处理效应（CATE）估计因其在统计学、社会科学和生物医学等领域的重要性而受到广泛关注。本研究提出一个部分线性非参数贝叶斯模型的异质性处理效应估计。部分线性模型是一种半参数模型，由线性和非参数分量以相加形式组成。已经研究了使用高斯过程来对非参数分量建模的非参数贝叶斯模型。然而，该模型不能处理处理效应的异质性。在我们提出的模型中，不仅模型的非参数成分，而且治疗变量的异质性处理效应是由一个高斯过程先验建模。本文导出了CATE的后验分布的解析形式，并证明了后验分布具有相合性。也就是说，它集中在真实分布上。我们通过数值实验的基础上合成数据所提出的方法的有效性。
2022-01-28 stat.ME
Identification and Estimation of Treatment Effects from Network Data with Confounded Social Links
University of Michigan（密歇根大学）
该研究针对存在混淆社会链接的网络数据，提出广义倾向得分结合增广逆概率加权估计量的方法，识别并估计处理效应，将其应用于乌干达政治传播技术对政治参与的影响研究。
2026-10-14 stat.ME
Partial Identification of Distributional Parameters in Triangular Systems
研究了三角系统分布参数的部分辨识问题。该模型由一个非参数结果方程和一个选择方程组成。这允许一般的未观察到的异质性和对不可观察的选择。本文所考虑的分布参数是潜在结果的边缘分布、它们的联合分布和处理效应的分布。我调查如何不同类型的合理的限制有助于确定这些参数。我考虑的限制包括随机优势和象限之间的依赖性不可观测和单调性之间的潜在结果。我的鉴定适用于整个人口没有充分支持条件的工具变量，不依赖于排名相似性。我还提供了数值例子来说明每个假设的识别能力。
2014-11-07 stat.ME
Identification in Nonparametric Models for Dynamic Treatment Effects
本文开发了一个非参数模型，代表了如何在一个动态的方式相互影响的结果和治疗选择的序列。在这种情况下，我们感兴趣的是确定在每个阶段的个人的平均结果，有一个特定的治疗序列被分配。该量的识别允许我们识别平均处理效应（ATE）和关于转变的ATE，以及最佳处理方案，即，使平均潜在结果的（加权）和最大化的方案，可能更少的处理成本。本文的主要贡献是放松序列随机化假设广泛使用的生物统计学文献中引入一个灵活的选择理论框架的内源性治疗序列。我们表明，感兴趣的参数下确定每个时期的双向排除限制，即，结果确定过程中排除了工具，治疗选择过程中排除了其他外生变量。我们还考虑部分识别的情况下，后者的变量是不可用的。最后，我们将我们的结果扩展到一个设置，治疗不出现在每个时期。
2019-01-14 econ.EM stat.AP stat.ME
On a necessary and sufficient identification condition of optimal treatment regimes with an instrumental variable
不可测混杂对因果推理和个体化决策是一种威胁。与Cui和Tchetgen Tchetgen（2020）; Qiu等人（2020）; Han（2020 a）类似，我们考虑了使用有效工具变量识别最佳个体化治疗方案的问题。Han（2020 a）使用Cui和Tchetgen Tchetgen（2020）的条件Wald估计量提供了最佳治疗方案的替代识别条件; Qiu等人（2020）在治疗分配受内分泌影响且有效的二元工具变量可用时。本文给出了利用条件Wald估计量确定最优治疗方案的一个充要条件。Cui和Tchetgen Tchetgen（2020）; Qiu等人（2020）; Han（2020 a）的研究必然暗示了我们的新情况，并且可能继续存在于先前结果未涵盖的各种潜在环境中。
2021-09-29 math.ST stat.ME stat.TH
Subgroup identification in dose-finding trials via model-based recursive partitioning
早期药物开发的一项重要任务是识别对实验性治疗反应更好或更差的患者。虽然已经针对研究实验性治疗和对照的试验的情况开发了各种不同的亚组识别方法，但是当患者被随机分配到不同剂量组时，所做的工作要少得多。在这篇文章中，我们提出了新的策略，在剂量探索试验中进行亚组分析，并讨论了在这种新的环境中出现的挑战。我们认为，基于模型的递归分割，这是最近被应用于亚组识别在两个手臂试验，作为一个有前途的方法来解决这些挑战，并评估其可行性使用一个真正的试验例子和模拟。我们的研究结果表明，基于模型的递归分区可以用来识别不同的剂量-反应曲线的患者亚组，并提高估计的处理效应和最小有效剂量，当患者之间的异质性。
2018-04-26 stat.ME
Partial Identification of Nonseparable Models using Binary Instruments
本研究利用二元工具变量，在结构函数单调或凹的条件下实现不可分离模型的部分识别，并在平坦或线性情形下达到点识别，且真实数据边界具有信息量。
2020-05-29 stat.ME
Bounded, efficient and multiply robust estimation of average treatment effects using instrumental variables
工具变量（IV）被广泛用于在存在不可测量混杂的情况下估计因果效应。然而，在标准IV模型下，平均处理效应（ATE）仅部分可识别。为了解决这个问题，我们提出了新的假设，允许识别的ATE。我们的识别假设与估计所需的模型假设明确分开，因此研究人员在建立识别时不需要承诺特定的观察数据模型。然后，我们构造多个估计，是一致的三个不同的观测数据模型，并乘以稳健估计，是一致的，在这些观测数据模型的联盟。我们特别注意的情况下，二进制的结果，我们得到有界估计的ATE，保证躺在-1和1之间。我们的方法说明了模拟和数据分析评估教育收入的因果关系。
2018-01-04 stat.ME
Item-Level Heterogeneous Treatment Effects of Selective Serotonin Reuptake Inhibitors (SSRIs) on Depression: Implications for Inference, Generalizability, and Identification
本文将IL-HTE模型扩展到多分类数据，并通过模拟与28项SSRI RCT数据分析，揭示HDRS条目间治疗效应的显著异质性及其对子量表推广和识别的意义。
2024-05-24 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
Proximal Identification and Estimation in Front-Door Causal Structures with Unobserved Confounding of the Mediator
Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布隆伯格公共卫生学院）；Johns Hopkins Whiting School of Engineering（约翰霍普金斯大学惠廷工程学院）
研究前门因果结构中未观察到的混杂因素问题，提出前门准则的近端推广，推导新识别策略，给出估计策略并通过模拟评估性能，拓展了前门准则适用性。
2026-07-14 stat.ME
Marginal Structural Models for Time-varying Endogenous Treatments: A Time-Varying Instrumental Variable Approach
Robins（1998）介绍了边际结构模型（MSM），这是在复杂的纵向研究中时变治疗方案联合效应的一般反事实模型，受时变混杂影响。他在序贯随机化假设（SRA）下建立了MSM参数的识别，这基本上排除了治疗分配随时间变化的不可测量的混杂因素。在本技术报告中，当序贯随机化因未测量的混杂因素而无法成立时，我们考虑了借助时变工具变量识别MSM参数的充分条件。我们的识别条件基本上要求没有未观察到的混杂因素预测时变治疗的依从性类型，这是Wang和Tchetgen Tchetgen（2018）识别条件的纵向概括。在这个假设下，我们得到了一个大类的半参数估计，扩展标准的逆概率加权（IPW），最流行的方法估计MSM下SRA，通过将随时间变化的IV通过修改的权重集。MSM参数的影响函数的集合是在一个半参数模型下推导出来的，该模型只对MSM给出的观测数据分布进行限制，并证明了该模型提供了一个丰富的多鲁棒估计类，包括一个局部半参数有效估计。
2018-09-14 stat.ME
Identification and Estimation of Joint Potential Outcome Distributions from a Single Study
本研究提出利用单一研究中的基线协变量识别和估计联合潜在结果分布，扩展了多研究框架，并提供了Neyman正交估计量及敏感性分析建议。
2025-10-14 stat.ME
Identifying the Distribution of Treatment Effects under Support Restrictions
处理效应的分布在福利政策评估中经常引起人们的兴趣。在本文中，我考虑在已知边缘分布下部分识别DTE并支持对潜在结果的限制。这种支持限制的例子包括单调治疗反应，凹治疗反应，凸治疗反应，和罗伊模型的自我选择。为了建立信息的DTE上的界限，我制定了一个最佳的运输线性规划的问题，并开发了一个新的对偶表示来表征识别区域相对于已知的边缘分布。我用这个结果来获得具体的经济例子的信息范围。我还提出了一个估计程序，并说明了我的方法在吸烟对婴儿出生体重的影响的实证分析的背景下的有用性。实证结果表明，当潜在结果的边缘分布已知时，单调治疗反应对DTE具有相当大的识别能力。
2014-10-21 stat.ME
Treatment Effect Learning Under Sequential Randomization
针对在线实验序贯治疗分配中的结转效应，提出将T-Learners嵌入G-公式的方法，模拟验证其可防止精度下降，实现准确识别与推断。
2025-10-22 stat.AP stat.ME
Bounds on causal effects in $2^{K}$ factorial experiments with non-compliance
针对因子实验中不依从问题，本文在更温和假设下，利用工具变量方法为有界结果的依从者平均处理效应提供界。
2025-08-05 stat.ME
Nonparametric Point Identification of Treatment Effect Distributions via Rank Stickiness
The University of Chicago（芝加哥大学）
本文提出非参数点识别治疗效应分布的方法，通过排名粘性参数实现，无需强假设，且能处理排名违反情况，推导出闭式条件矩和违反概率，扩展到观察性研究。
2026-04-23 econ.EM stat.ME
On Partial Identification of the Pure Direct Effect
在因果中介分析中，纯（自然）直接效应的非参数识别通常依赖于（i）所谓的“跨世界反事实”独立性和（ii）无暴露诱导的混杂的基本假设，以及没有未观察到的暴露前混杂。当调解人是二进制的，边界部分识别时，既没有假设，或者假设只有（ii）。我们扩展现有的界限的情况下，一个polytomous调解人，并提供界限的情况下，只假设（i）。我们将这些界限应用于尼日利亚的哈佛PEPFAR项目的数据，在那里我们评估了抗逆转录病毒治疗对病毒学失败的影响在多大程度上是由患者的依从性介导的，并表明对这种影响的推断对模型假设有些敏感。
2015-09-05 stat.ME
Identification and estimation of causal effects using non-concurrent controls in platform trials
针对平台试验中非同期对照的因果效应估计难题，提出靶向同期平均治疗效应并采用协变量调整的双重稳健估计量，验证了收集预后变量比依赖非同期对照更能提升效率，在ACTT试验中精度提升20%。
2024-12-13 stat.ME
Causal Effects with Hidden Treatment Diffusion on Observed or Partially Observed Networks
在随机实验中，单元之间的相互作用可能会产生治疗扩散过程。当感兴趣的治疗是可以在对等体之间共享的实际对象或产品时（例如，传单、小册子、录像）。例如，如果感兴趣的干预是通过将视频分发给目标个人来实现的信息活动，则这些被治疗的个人中的一些可能与他们的朋友分享他们接收到的视频。这种现象通常未被观察到，导致两个治疗组中的个体分配错误：一些最初未接受治疗的单位可能实际上通过扩散接受了治疗。治疗分类错误反过来又会在因果效应的估计中引入偏倚。受最近一个旨在鼓励学生参加文化活动的不同类型的学校激励措施的影响的实地实验的启发，我们提出了一种新的方法来处理一个隐藏的扩散过程中观察到的或部分观察到的networks.Specifically，我们开发了一个基于模拟的敏感性分析，评估的鲁棒性的估计对可能存在的治疗扩散。我们模拟了几个扩散的情况下，在一个合理的范围内的敏感性参数，我们比较的处理效应，这是在每个场景中估计的一个，而忽略了扩散过程。结果表明，即使是一个小尺寸的治疗扩散参数可能会导致一个显着的偏差估计的处理效应。
2021-09-15 stat.ME
Identification in Endogenous Sequential Treatment Regimes
本文提出一种基于动态工具变量与动态边际处理效应的非参数识别方法，用于内生序贯处理机制下的处理效应识别，放松了支撑集与不可观测收益假设，并通过蒙特卡洛模拟验证了筛分估计量的有限样本性能。
2023-11-30 econ.EM stat.AP
Identification and multiply robust estimation of causal effects via instrumental variables from an auxiliary population
针对目标总体工具变量缺失且存在未测量混杂的问题，利用辅助总体工具变量，提出等混杂假设以识别并去除混杂偏倚，开发多重稳健估计器，经模拟和真实数据验证。
2025-08-05 stat.ME
Testing identification in mediation and dynamic treatment models
University of Fribourg（弗里堡大学）；University of Munich（慕尼黑大学）；Matej Bel University（马特伊·贝尔大学）；Norwegian School of Economics（挪威经济学院）
基于Huber和Kueck（2022）的检验，提出一种利用两组观测变量（协变量和疑似工具）来检验中介和动态处理模型中因果效应识别的方法，并应用于斯洛伐克劳动力市场数据。
2026-06-05 econ.EM stat.ME
Identification of Long-Term Treatment Effects via Temporal Links, Observational, and Experimental Data
UCLA, Department of Economics（加州大学洛杉矶分校，经济学系）
本文重新审视长期平均治疗效应的识别问题，指出时间链接假设是关键，提出两种可辩护的治疗反应假设，并开发新的统一识别框架以计算明确界限，通过Head Start参与的长期效应估计验证方法。
2026-03-19 econ.EM stat.ME
Causal Interaction Trees: Tree-Based Subgroup Identification for Observational Data
我们提出了因果关系树，以确定亚组的参与者，增强了处理效应使用观察数据。我们扩展了分类和回归树算法，使用分裂标准，重点是最大限度地提高组间处理效应异质性的基础上，亚组特定的处理效应估计，以决定在算法中的决策。我们推导出三个亚组特定的处理效应估计，占观察性质的数据-逆概率加权，g-公式和双稳健估计的属性。我们使用模拟研究所提出的算法的性能，并在一项观察性研究中实施该算法，以评估右心导管插入术对危重患者的有效性。
2020-03-06 stat.ME stat.ML
When Do Treatment Changes Identify Causal Effects?
University of Fribourg（弗里堡大学）
本文澄清了基于治疗变化而非治疗水平的因果推断的识别假设，并展示了其与传统识别策略的关系，提出了非嵌套假设下的双重稳健性结果。
2026-06-24 econ.EM stat.ME
