Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation
Texas A&M University（德克萨斯农工大学）；Shell USA Inc（壳牌美国公司）
针对空间观测研究中处理效应随空间变化且受空间混杂影响的问题，提出图分裂贝叶斯因果森林（GSBCF），融合GS-BART与贝叶斯因果森林框架，通过图引导分裂规则建模空间结构，实现更精确的HTE估计与不确定性量化。
2026-09-30 stat.ME stat.ML
Estimating Treatment Effects with Causal Forests: An Application
我们将因果森林应用于来自国家学习思维模式研究的数据集，并考虑由此产生的实际和概念上的挑战。特别是，我们讨论了因果森林如何使用估计的倾向得分更强大的混淆，以及他们如何处理数据与聚类错误。
2019-02-20 stat.ME
Sample Complexity of Causal Identification with Temporal Heterogeneity
本文研究了在时间异质性条件下因果图恢复的样本复杂性，通过整合时间结构与环境异质性，提出了统一的可识别性条件，并揭示了厚尾分布下统计恢复的限制。
2026-02-06 cs.LG stat.ML
Transfer learning for causal forest
Centrale Lyon（里昂中央理工学院）；INSA Lyon（里昂国立应用科学学院）；CNRS（法国国家科学研究中心）
提出一种针对因果森林HTERF的迁移学习方法，通过偏移量估计源域与目标域之间的模型偏移，并给出目标域上CATE误差的上界，仿真和真实数据验证了有效性。
2026-06-05 cs.LG math.PR stat.ML
Multi-Study Causal Forest (MCF): A flexible framework for data borrowing in the presence of varying treatment effect heterogeneity
本文提出多研究因果森林（MCF）框架，在存在研究间和研究内治疗效果异质性时从辅助数据源借用个体患者数据，并通过模拟和乳腺癌数据证明其优于现有方法。
2025-02-04 stat.ME
Shrinkage Bayesian Causal Forests for Heterogeneous Treatment Effects Estimation
University College London（伦敦大学学院）
本文开发了一个稀疏诱导版本的贝叶斯因果森林，最近提出的非参数因果回归模型，采用贝叶斯加性回归树，是专门设计来估计异质性处理效应使用观察数据。我们引入的稀疏诱导成分是由实证研究激发的，其中并非所有可用的协变量都是相关的，从而导致在估计个体处理效应时感兴趣的表面的稀疏程度不同。在这项工作中提出的扩展版本，我们称之为收缩贝叶斯因果森林，配备了一对额外的先验，允许模型通过树集合中相应的分裂数来调整每个协变量的权重。这些先验提高了模型对稀疏数据生成过程的适应性，并允许在处理效应估计的框架中执行完全贝叶斯特征收缩，从而揭示驱动异质性的调节因素。此外，该方法允许将有关相关混杂协变量及其对结果影响的相对幅度的先验知识纳入模型中。我们说明了我们的方法在模拟研究中的性能，与贝叶斯因果森林和其他最先进的模型相比，展示了它如何随着协变量数量的增加而扩展，以及它如何处理强烈混淆的场景。最后，我们还提供了一个使用真实世界数据的应用程序的例子。
2021-11-16 cs.LG stat.ME stat.ML
Measures for Assessing Causal Effect Heterogeneity Unexplained by Covariates
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出P-CACE、N-CACE、P-CPICE和N-CPICE四种新度量方法，用于评估未由协变量解释的因果效应异质性，扩展了因果推断的应用范围。
2026-02-09 stat.ME
On the adaptation of causal forests to manifold data
本文证明因果森林能适应未知协变量流形结构，在估计条件平均处理效应时达到最优收敛速率，维度自动由流形维度替代。
2023-12-26 econ.EM math.ST stat.TH
Bayesian Causal Forests for Multivariate Outcomes: Application to Irish Data From an International Large Scale Education Assessment
Hamilton Institute（汉密尔顿研究所）；Maynooth University（梅努斯大学）；Department of Mathematics and Statistics, Maynooth University（梅努斯大学数学与统计系）
贝叶斯因果森林（Bayesian Causal Forests，BCF）是一种因果推断机器学习模型，基于高度灵活的非参数回归和分类工具，称为贝叶斯加性回归树（Bayesian Additive Regression Trees，BART）。从国际数学和科学研究（TIMSS）的趋势，其中包括在数学和科学的学生成绩的数据的动机，我们提出了一个多元扩展的BCF算法。在模拟研究的帮助下，我们表明，我们的方法可以准确地估计因果关系的多个结果受到相同的治疗。我们还将我们的模型应用于TIMSS 2019的爱尔兰数据。我们的研究结果揭示了在家里使用书桌的积极影响（数学ATE 95% CI：[0.20，11.67]），同时也强调了学生在学校经常感到饥饿的负面影响。（数学ATE 95% CI：[-11.15，-2.78]，科学ATE 95% CI：[-10.82，-1.72]）或经常缺失（数学ATE 95% CI：[-12.47，-1.55]）。
2023-03-08 cs.LG stat.AP stat.ML
Forests for Differences: Robust Causal Inference Beyond Parametric DiD
Institute of Mathematics and Computer Sciences at University of São Paulo, Brazil（巴西圣保罗大学数学与计算机科学学院）
本文提出非参数DiD-BCF模型，通过基于PTA的重新参数化统一估计ATE、GATE和CATE，并在模拟及美国最低工资政策应用中展现出处理非线性、选择偏差与效应异质性的优势。
2025-06-09 cs.LG stat.ME stat.ML
Towards Causal Inference for Spatio-Temporal Data: Conflict and Forest Loss in Colombia
在许多数据科学问题中，我们感兴趣的是在数据生成机制中推断因果关系。在这里，我们考虑以下现实世界的问题：哥伦比亚冲突如何影响热带森林的损失？有证据表明，既可以增强影响，也可以减少影响。解决这些问题需要使用因果模型。本文提出了一类时空随机过程的因果模型。它使我们能够正式定义和量化的因果效应向量的协变量$X$的实值响应$Y$，即使因果背景知识是不完整的。我们介绍了一个估计因果效应的过程，以及这些效应为零的非参数假设检验。所提出的方法不做强分布假设，并允许任意多的潜在混杂因素，因为这些混杂因素不随时间变化（或者，它们不随空间变化）。在将我们的因果方法应用于冲突和森林损失问题时，使用2000年至2018年的数据，我们发现冲突对森林损失的因果影响减少但微不足道。在区域一级，既可以发现增强效应，也可以发现减弱效应。我们的理论研究结果得到了模拟的支持，代码可以在线获得。
2022-08-29 stat.ME
A general framework for causal classification
University of South Australia（南澳大学）；School of Computer and Information, Hefei University of Science and Technology（合肥理工大学计算机与信息学院）
在许多应用中，需要从数据中预测干预对不同个体的影响。例如，哪些客户可以被产品促销说服？哪些患者应该接受某种治疗？这些是典型的因果问题，涉及干预措施的效果或结果的变化。这些问题无法用传统的分类方法来回答，因为它们只使用关联来预测结果。对于个性化营销，这些问题通常通过提升建模来回答。隆升模型的目的是估计因果效应，但其文献没有讨论什么时候隆升代表因果效应。因果异质性模型可以解决这个问题，但其假设的不混淆是不可测试的数据。因此，从业者在使用这些方法时，需要在应用程序中提供指导。在本文中，我们使用因果分类的一组个性化的决策问题，并区分它从分类。我们讨论的条件时，因果分类可以解决隆起（和因果异质性）建模方法。我们还提出了一个因果分类的一般框架，通过使用现成的监督方法灵活实现。实验表明，因果分类和隆起（因果异质性）建模的框架工作的两个实例，并与其他隆起（因果异质性）建模方法的竞争力。
2021-03-15 cs.LG stat.ML
Causal-DRF: Conditional Kernel Treatment Effect Estimation using Distributional Random Forest
University of Geneva（日内瓦大学）；ETH Zürich（苏黎世联邦理工学院）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）
本文提出Causal-DRF方法，利用分布随机森林算法估计条件核治疗效应，通过森林拟合获得一致且渐近正态的估计值，从而更全面理解治疗效应差异。
2026-04-02 stat.ME
GCF: Generalized Causal Forest for Heterogeneous Treatment Effect Estimation in Online Marketplace
Didi Chuxing（滴滴出行）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
可持续性建模是一种快速发展的方法，它利用因果推断和机器学习方法直接估计异质处理效应，近年来已广泛应用于各种在线市场，以辅助大规模决策。现有的流行模型，如因果森林（CF），是有限的，要么离散的治疗或提出参数假设的结果，治疗关系，可能遭受模型误指定。然而，连续治疗（例如，价格、期限）经常出现在市场上。为了减轻这些限制，我们使用基于核的双重鲁棒估计恢复非参数剂量反应函数，可以灵活地模拟连续的处理效应。此外，我们提出了一个通用的基于距离的分裂标准，以捕捉连续治疗的异质性。我们称该算法为广义因果森林（GCF），因为它将CF的用例推广到更广泛的设置。我们证明了GCF的有效性，通过推导估计量的渐近性质，并将其与合成数据集和真实数据集上流行的隆升建模方法进行比较。我们在Spark上实现了GCF，并成功地将其部署到一家领先的乘车共享公司的大规模在线定价系统中。在线A/B测试结果进一步验证了GCF的优越性。
2022-09-23 cs.LG stat.AP stat.ME
Causal-Policy Forest for End-to-End Policy Learning
本文提出因果政策森林算法，通过端到端方法提升策略学习效果，实现CATE估计与策略学习的结合。
2025-12-28 cs.LG econ.EM math.ST
Wasserstein Causal Forests for Distribution-Valued Outcomes
University of São Paulo（圣保罗大学）
提出Wasserstein因果森林处理分布值结果，定义转换处理效应，模拟显示在多数设计中最准确，应用于STAR数据发现小班提升高分端更多且对弱势学生影响最大。
2026-09-30 cs.LG stat.ML
Estimating Treatment Effect Heterogeneity in Psychiatry: A Review and Tutorial with Causal Forests
本文提供基于R包grf中causal forest算法的异质性治疗效应估计教程，涵盖方法概述、算法逻辑、美军士兵压力复原力二次分析实例及模型评估方法，并附复现脚本。
2024-12-14 stat.AP
Honesty in Causal Forests: When It Helps and When It Hurts
Hong Kong University of Science and Technology（香港科技大学）
本文通过偏差-方差权衡分析，发现诚实估计（分割数据用于子组定义和效应估计）在异质性较强且数据充足时会降低个体处理效应估计精度，建议将其视为正则化手段而非默认选择。
2026-07-20 cs.LG stat.ML
A Fixed-Effects Causal Forest for Staggered Adoption, with an Application to Medicaid Expansion
Amazon Web Services（亚马逊云服务）
研究交错采用的协变量条件平均治疗效果估计问题，提出用固定效应因果森林估计，在每个树节点内差分单位和时期效应消除混杂，蒙特卡罗实验验证其有效性，应用于医疗补助扩展取得未参保率下降等成果。
2026-07-28 econ.EM stat.ML
Causal inference for climate change events from satellite image time series using computer vision and deep learning
University of California, Berkeley（加州大学伯克利分校）
我们提出了一种使用卫星图像时间序列进行因果推理的方法，以确定影响气候变化的干预措施（如森林砍伐）的治疗效果。简而言之，目的是量化与气候相关的人为干预措施（如城市化）以及飓风和森林火灾等自然灾害的“前后"影响。作为一个具体的例子，我们专注于量化森林树木覆盖变化/森林砍伐，由于人类主导的原因。所提出的方法涉及以下步骤。首先，我们使用计算机视觉和机器学习/深度学习技术来检测和量化森林树木覆盖水平。然后，我们查看这个时间序列以识别变化点。接下来，我们使用贝叶斯结构因果模型估计预期（森林树木覆盖）值，并预测/预测反事实。这与干预后实际观察到的值进行比较，两个值的差异为我们提供了干预的效果（与非干预情景相比，即没有干预可能会发生的情况）。作为一个具体的用例，我们分析了巴西恶性通货膨胀事件（干预）（于1993-94年结束）之前和之后的森林砍伐水平，针对巴西Rondonia周围的亚马逊雨林地区。对于这种森林砍伐用例，使用我们的因果推理框架可以帮助因果地归因于森林树木覆盖的变化/减少以及由于人类活动在不同时间点导致的森林砍伐率增加。
2019-10-25 cs.CV cs.LG stat.ML
Estimating Heterogeneity in Travel Mode Choice Shifts with Causal Forests
Center for Urban Science and Progress, Tandon School of Engineering New York University（纽约大学坦登工程学院城市科学与工程中心）
本研究将因果森林应用于全国家庭出行调查数据，量化新冠疫情对出行方式选择的异质性因果效应，发现汽车出行占比上升，短途、高收入家庭及女性群体增幅最大，为交通政策制定提供依据。
2026-08-06 econ.EM stat.AP stat.ME
A Causal Framework for Evaluating Drivers of Policy Effect Heterogeneity Using Difference-in-Differences
University of Pennsylvania（宾夕法尼亚大学）；Brown University（布朗大学）
本文提出一种因果框架，用于评估政策效果异质性驱动因素，通过假设干预分析异质性并应用于费城含糖饮料税政策。
2025-03-12 stat.ME
Causal Survival Forests with Negative Controls
University of Southern California（南加州大学）；NEC Labs America（NEC美国实验室）
该研究将因果生存森林与负对照结合，提出NC-CSF用于生存分析的异质性处理效应估计，经模拟与临床数据集验证，其可降低偏差、提升鲁棒性并揭示新的处理效应异质性模式。
2026-08-25 stat.ME
Assessing Time-Varying Causal Effect Moderation in the Presence of Cluster-Level Treatment Effect Heterogeneity
微随机试验（MRT）是一种顺序随机试验设计，以经验评估可能在数百或数千个决策点提供的移动健康（mHealth）干预组件的有效性。MRT已经激发了一类新的因果被估量，称为“因果偏移效应”，对于该因果被估量，可以通过加权的中心最小二乘准则进行半参数推断（Boruvka等人，2018年）。现有的方法假设主体之间的独立性和不干涉。与这些假设的偏差经常发生。在本文中，因果漂移效应下重新集群水平的处理效应异质性和干扰，感兴趣的处理效应可能取决于集群水平的主持人。所提出的方法的效用是通过分析来自多机构队列的第一年在美国的医疗居民的数据。
2021-12-10 stat.ME
What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work?
本文统一因果森林与基于模型的森林，在L2加性模型框架下剖析其计算要素，并通过随机与观察性基准发现处理指标的倾向评分局部中心化是抗混杂性能关键。
2023-12-20 stat.ME stat.ML
Controllable Generative Sandbox for Causal Inference
Emory University（埃默里大学）；Yale University（耶鲁大学）；Amgen（安进公司）
CausalMix是一种结合高斯潜在先验与数据类型特定解码器的变分生成框架，通过显式因果控制实现对因果机制的可控生成，适用于混合类型表格数据的高保真模拟及因果推断研究。
2026-03-03 cs.LG stat.ME stat.ML
A novel decomposition to explain heterogeneity in observational and randomized studies of causality
New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）；Columbia University（哥伦比亚大学）；University Paris Est Creteil（巴黎东克雷泰尔大学）
本文提出一种新框架，通过分解不同研究间的因果效应异质性，探讨观察性与随机研究中的治疗效应差异来源，验证了方法在模拟研究和MTO研究中的应用价值。
2026-06-08 stat.ME
Orthogonal Random Forest for Causal Inference
Microsoft Research–New England（微软研究院-新英格兰分院）；University of Minnesota–Twin Cities（明尼苏达大学-双城分校）
我们提出了正交随机森林，这是一种将奈曼正交性与广义随机森林相结合以降低关于滋扰参数的估计误差的灵敏度的算法（Athey等人，2017）--一种灵活的非参数方法，用于使用随机森林对条件矩模型进行统计估计。我们提供了一个一致率，并建立渐近正态性我们的估计。我们表明，在温和的假设下的滋扰估计的一致性率，我们可以实现相同的出错率作为一个甲骨文与这些滋扰参数的先验知识。我们表明，当滋扰功能有一个局部稀疏参数化，然后一个本地$\ell_1$惩罚回归达到所需的速度。我们应用我们的方法来估计异质性治疗效果的观察数据与离散治疗或连续治疗，我们表明，与以前的工作不同，我们的方法可证明允许控制一组高维变量在标准稀疏条件下。我们还提供了一个全面的经验评估我们的算法在合成和真实数据。
2019-09-25 cs.LG econ.EM math.ST
Representation Learning for Semiparametric Causal Mediation Analysis under No Essential Heterogeneity
Methods Center University of Tübingen（图宾根大学方法中心）
该研究针对半参数因果中介分析提出UNIT方法，通过两阶段估计，第一阶段用TARNet学习共享协变量表示估计异质效应，为权重函数提供插件近似以识别结构参数，模拟显示其能有效降低标准误差，提升估计精度。
2026-07-14 cs.LG stat.ML
Bayesian Causal Forests & the 2022 ACIC Data Challenge: Scalability and Sensitivity
本文针对2022年ACIC数据挑战，开发了可扩展的flexBCF模型以估计纵向数据的条件平均处理效应，并探讨了倾向得分估计与稀疏先验的敏感性，发现灵活倾向得分可改善不确定性区间校准。
2023-05-11 stat.AP
Bias of the additive hazard model in the presence of causal effect heterogeneity
风险比容易出现选择偏差，从而影响其作为因果被估量的使用。另一方面，已证明风险差异随时间推移不受脆弱性因素选择的影响。因此，在不存在混杂因素的情况下，观察到的风险差异可用作因果风险差异的无偏估计量。然而，在存在效应（对危害）异质性的情况下，危害差异也受到选择的影响。在这项工作中，我们正式观察到的风险差异（从随机对照试验）如何演变，通过选择有利的水平的效应修饰剂在暴露组，从而偏离因果风险差异的利益。这种选择可能会导致非线性的综合风险差异曲线，即使个别因果效应是时不变的。因此，对危害的同质时变因果加性效应不能与恒定但异质的因果效应区分开来。我们通过研究化疗对口咽癌患者生存时间的影响来说明这一因果关系问题。因此，如果不作出不可检验的假设，危险差异就不能用作因果效应的适当衡量标准。
2022-10-29 math.ST stat.TH
Unsupervised dense random survival forests identify interpretable patient profiles with heterogeneous treatment benefit
The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）；Amgen（安进）；Telperian（特尔佩里安）
本文提出无监督的密集随机生存森林方法，用于识别具有异质治疗效益的患者亚组，通过模拟和临床试验验证其有效性。
2026-01-04 stat.ME
Average causal effect estimation via instrumental variables: the no simultaneous heterogeneity assumption
背景：工具变量（IV）可用于提供证据，证明治疗X是否对结果Y具有因果效应。即使工具Z满足相关性、独立性和排除限制的三个核心IV假设，还需要进一步的假设来确定X对Y的平均因果效应（ACE）。这方面的充分假设包括：X对Y的因果效应的同质性; Z与X的关联的同质性;以及无效应修正（NEM）。研究方法：我们描述了不同时异质性（NOSH）假设，该假设要求X-Y因果效应的异质性与均值无关（即，与Z和Z-X关联中的异质性均不相关。例如，如果X-Y效应和Z-X关联没有共同的修改器，并且X-Y效应是加性线性的，则会发生这种情况。我们说明NOSH使用模拟和重新审查选定的已发表的研究。结果如下：当NOSH举行，沃尔德估计等于ACE，即使两个同质性假设和NEM（我们证明是特殊情况下，因此比- NOSH）被违反。结论：NOSH足以鉴别静脉注射ACE。由于NOSH比ACE识别的现有假设弱，因此这样做可能比以前预期的更合理。
2022-11-11 stat.ME
Aggregate Bayesian Causal Forests: The ABCs of Flexible Causal Inference for Hierarchically Structured Data
针对分层聚合数据的因果推断需求，提出聚合贝叶斯因果森林模型aBCF，在保留BCF少参数假设优势的同时适配异方差与组内相关特征，仿真验证其估计精度更高、区间更窄且先验鲁棒性好。
2024-07-09 stat.ME
Bayesian Causal Forests for Longitudinal Data: Assessing the Impact of Part-Time Work on Growth in High School Mathematics Achievement
Hamilton Institute, Maynooth University（梅努斯大学汉密尔顿研究所）；Department of Mathematics and Statistics, Maynooth University（梅努斯大学数学与统计系）
本研究提出贝叶斯因果森林的纵向扩展，用于从纵向数据灵活估计异质性因果效应，发现兼职工作对多数学生有负面影响，但对低学校归属感学生可能有益，并揭示成绩差距扩大迹象。
2024-07-16 cs.LG stat.AP stat.ML
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
Wasserstein Random Forests and Applications in Heterogeneous Treatment Effects
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Université de Paris（巴黎大学）；INSERM（法国国家健康与医学研究院）；INRA（法国国家农业研究院）
我们提出了新的见解，因果推断的背景下，异质处理效应，提出自然变异的随机森林估计的关键条件分布。为了实现这一点，我们重铸Breiman的原始分裂标准的经验措施之间的瓦瑟斯坦距离。这种重新表述表明，随机森林很好地适应于估计条件分布，并提供了一个自然的算法扩展到多变量输出。按照Breiman的建设的哲学，我们提出了一些变种的分裂规则，非常适合于条件分布估计问题。一些初步的理论联系建立了各种数值实验，这表明我们的方法可能有助于在复杂的情况下进行更透明的因果推断。
2021-02-15 cs.LG stat.ME stat.ML
Targeted Smooth Bayesian Causal Forests: An analysis of heterogeneous treatment effects for simultaneous versus interval medical abortion regimens over gestation
我们介绍了目标平滑贝叶斯因果森林（tsBCF），一种非参数贝叶斯方法，用于估计异质性处理效应，这些效应在观察数据设置中的单个协变量上平滑变化。tsBCF方法通过使用平滑函数对终端树节点进行参数化来诱导平滑，并允许对对照协变量的处理效应与预后效应进行单独的正则化。可以选择用于预后和处理效应的平滑参数以反映先验知识或以数据依赖的方式进行调整。我们使用tsBCF来分析一种新的早期药物流产的临床方案。我们的目的是评估相对有效性的同时与间隔管理米非司酮和米索前列醇在怀孕的前9周。该模型反映了我们的预期，即相对有效性在妊娠期平稳变化，但不一定超过其他协变量。我们展示了性能的tsBCF方法的基准测试实验。可在https://github.com/jestarling/tsbcf/上获得tsBCF软件。
2020-02-23 stat.AP
A Large-Scale Empirical Comparison of Meta-Learners and Causal Forests for Heterogeneous Treatment Effect Estimation in Marketing Uplift Modeling
本文通过Criteo Uplift v2.1数据集对比四种CATE估计器，发现S-Learner在Qini系数上表现最佳，且在提升转化率方面有显著提升，同时揭示了异质治疗效应的主要驱动因素。
2026-04-07 cs.LG econ.EM stat.CO
Finite-sample bias-variance tradeoff with variables related to trial participation inserted into causal forest models for ensuring generalizability
Division of Preventive Medicine, Department of Medicine, Brigham and Women’s Hospital and Harvard Medical School（预防医学系，内科，布莱根妇女医院和哈佛医学院）；Department of Epidemiology, Graduate School of Medicine, Dentistry and Pharmaceutical Sciences, Okayama University（流行病学科，医药齿学研究院，冈山大学）；Harris School of Public Policy, University of Chicago（哈里斯公共政策学院，芝加哥大学）
本文研究了在因果森林模型中纳入与试验参与相关的变量对有限样本偏差方差权衡的影响，发现IPW方法能有效提升性能，强调单独处理选择偏差的重要性。
2026-05-14 stat.AP stat.ME
Context-stratified Mendelian randomization: exploiting regional exposure variation to explore causal effect heterogeneity and non-linearity
提出情境分层孟德尔随机化方法，利用亚组间暴露的外生变异研究因果效应异质性与非线性，该方法易于实现且对碰撞偏倚稳健，但有效性依赖于情境间暴露分布的有意义外生变异。
2025-07-15 stat.ME
Assessment of the conditional exchangeability assumption in causal machine learning models: a simulation study
本研究通过模拟评估了条件可交换性被违反时因果机器学习模型在估计个体化处理效应中的表现，发现此类违反会限制估计有效性，并证明阴性对照结局可作为检测亚组未测量混杂的有效诊断工具。
2025-10-30 cs.LG stat.ML
Answering Causal Queries at Layer 3 with DiscoSCMs-Embracing Heterogeneity
Kuaishou Inc.（快手公司）
本文提出DiscoSCM框架，通过引入单位选择变量和独立反事实噪声假设，解决PO和SCM在第三层反事实推断中的退化问题，实现异质性反事实界理论，推动因果推断方法论发展。
2024-02-08 cs.AI cs.LG stat.ME
Causal Discovery with Heterogeneous Observational Data
我们考虑的问题，因果发现（结构学习）从异质观测数据。大多数现有的方法假设一个均匀的抽样方案，这导致误导性的结论时，违反了在许多应用中。为此，我们提出了一种新的方法，利用数据的异质性来推断因果关系不足的系统可能循环因果结构。核心思想是将直接因果效应建模为外源协变量的函数，从而正确解释数据的异质性。我们研究所提出的模型的结构可识别性。结构学习以完全贝叶斯的方式进行，这提供了自然的不确定性量化。我们通过大量的模拟和现实世界的应用程序证明了它的实用性。
2022-01-28 stat.ME
Effect heterogeneity and variable selection for standardizing causal effects to a target population
用于因果推断的随机试验和其他研究的参与者通常不能代表临床决策者所看到的人群。为了解释人群之间的差异，研究人员可能会考虑将结果标准化为目标人群。我们讨论了与标准化相关的几种不同类型的同质性条件：效果度量的同质性，反事实结果状态转换参数的同质性，以及反事实分布的同质性。这些条件中的每一个都可以用来表明，给定有关科学背景的假设，特定的标准化程序将导致目标人群中效应的无偏估计。我们比较和对比的同质性条件，特别是他们的影响，选择协变量的标准化和他们的影响，如何计算标准化的因果效应在目标人群。虽然最近开发的一些反事实的方法来概括依赖于同质性条件，避免了许多与传统方法相关的问题，他们往往需要调整一个大的（可能是不可行的）协变量集。
2019-10-05 stat.ME
Understanding Deterioration Random Effects for Causal Discovery in Infrastructure Management
本文提出了一种结合贝叶斯分层危险模型与因果发现的新框架，用于识别驱动泵设备异质劣化率的操作模式，通过GPU加速NUTS估计随机效应并验证线性假设，揭示不同操作制度需要不同的管理策略。
2026-05-19 cs.LG stat.AP stat.ML
Causally-Interpretable Random-Effects Meta-Analysis
最近的工作作出了重要贡献的因果可解释的荟萃分析的发展。这些方法将在随机试验集合中估计的处理效应转移到感兴趣的目标人群。理想情况下，针对特定人群的估计值更易于解释，与政策制定者和临床医生相关。然而，研究间异质性不是由处理效应调节剂分布差异引起的，可能会增加综合试验间估计值的困难。这种异质性的存在，包括治疗方式的变化，也使将迁移估计数解释为目标人群中的一般效应变得复杂。我们提出了一个概念框架和估计程序，试图解释这种异质性，并开发推理技术，旨在捕捉伴随的因果估计的过度变异。这一框架还试图澄清哪种处理效应可以适用于可推广性和可移植性技术。
2023-02-07 stat.ME
Heterogeneity-Aware Federated Causal Inference Leveraging Effect-Measure Transportability
本文提出PFWS框架，用于处理联邦学习中因果推断的异质性问题，通过自适应识别兼容站点，提升估计效率与稳健性。
2025-11-20 stat.ME
Causal Discovery from Heterogeneous/Nonstationary Data with Independent Changes
Carnegie Mellon University（卡内基梅隆大学）；Lingnan University（岭南大学）；Rutgers University（罗格斯大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
异构或非平稳数据是常见的，其底层生成过程跨域或随时间而变化。这种分布偏移特征为因果发现带来了挑战和机遇。在本文中，我们开发了一个框架的因果发现从这样的数据，称为约束为基础的因果发现从异构/非平稳数据（CD-NOD），找到因果骨架和方向，并估计机制变化的属性。首先，我们提出了一个增强的基于约束的过程来检测变量的局部机制的变化和恢复的骨架的因果结构观察到的变量。其次，我们提出了一种方法来确定因果方向，利用独立的变化隐含的数据分布的基础因果模型，受益于不断变化的分布所携带的信息。在学习了因果结构之后，接下来，我们研究如何有效地估计因果机制的非平稳性的“驱动力”。也就是说，我们的目标是从数据中提取变化的低维表示。所提出的方法是非参数的，对数据分布和因果机制没有硬性限制，并且不依赖于窗口分割。此外，我们发现，数据的异质性的因果结构识别，即使特定类型的混杂因素。最后，我们展示了因果发现中的异质性/非平稳性和软干预之间的联系。各种合成和现实世界的数据集（任务功能磁共振成像和股票市场数据）的实验结果证明所提出的方法的有效性。
2020-06-25 cs.LG stat.ML
Do Contemporary Causal Inference Models Capture Real-World Heterogeneity? Findings from a Large-Scale Benchmark
Amazon（亚马逊）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文构建含12个真实数据集与43,200个变体的大规模 CATE 基准，结合观察性抽样与新统计量 Q，发现现代模型常逊于简单基线。
2025-02-20 cs.LG stat.ML
Estimating Heterogeneous Causal Effects with Tree-Based Methods under Imperfect Compliance
University of Duisburg-Essen（杜伊斯堡-埃森大学）
针对不完全依从场景，提出两种非贝叶斯树方法（DRRF-IV和GRF-IV）估计条件依从者平均因果效应，模拟显示性能与BCF-IV相当且计算更快，并应用于ICU及时入院对死亡率影响的子组分析。
2026-09-29 econ.EM stat.ME
Collaborative Heterogeneous Causal Inference Beyond Meta-analysis
UC Berkeley（加州大学伯克利分校）
针对多站点数据异质性导致传统重新加权和meta-analysis方法失效的问题，提出协同逆倾向得分加权估计器，通过加权倾向得分模型协同调整分布偏移，结合双重机器学习和联邦学习算法，在保护隐私下显著提升了异质数据因果推断的准确性。
2024-04-24 cs.CR cs.LG stat.ML
Age-Dependent Heterogeneity in the Association Between Physical Activity and Mental Distress: A Causal Machine Learning Analysis of 3.2 Million U.S. Adults
Department of Statistical Science, Duke University（杜克大学统计科学系）
研究探讨了体育活动与频繁心理压力之间在不同年龄组中的异质性，发现随着年龄增长，体育活动的保护效应增强，但年轻成年人的效果逐年减弱，提示心理压力可能由体育活动无法缓解的因素驱动。
2026-04-21 cs.LG stat.AP
A Doubly Robust Machine Learning Approach for Disentangling Treatment Effect Heterogeneity with Functional Outcomes
Sant’Anna School of Advanced Studies（圣安娜高等研究学院）；School of Pharmaceutical Science, University of Geneva（日内瓦大学药学院）；Department of Statistics & Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系）；Department of Statistics, Penn State University（宾夕法尼亚州立大学统计系）
FOCaL是一种针对功能性结果中治疗效应异质性估计的双重鲁棒机器学习方法，通过整合先进功能回归技术，实现了对复杂数据中个性化因果效应的稳健推断。
2026-02-11 stat.ME stat.ML
