Tail-Calibrated Estimation of Extreme Quantile Treatment Effects
School of Mathematics and Statistics, University of Glasgow（格拉斯哥大学数学与统计学院）
本文提出TIEE框架，结合不同分位数信息，利用极值模型校准尾部，解决极值分位数处理效应估计中的数据稀疏问题，通过模拟和实证研究展示其在极端降水中的应用价值。
2026-03-24 stat.ME
Efficient Estimation of Quantiles in Missing Data Models
提出了半参数缺失数据模型中分位数的一种新的目标极大似然估计。在正则条件下，我们提出的估计是局部有效的，$\sqrt{n}$ -相容的，渐近正态的，并且是双稳健的.我们使用蒙特卡罗模拟比较我们提出的方法，现有的估计。TMLE优于所有竞争者，相对效率比逆概率加权估计（IPW）小三倍，比增强的IPW小两倍。本研究的动机是一个因果推断的研究问题，具有高度可变的治疗分配概率，和一个重尾，高度可变的结果。在这种情况下，估计因果效应的平均值是一个很难的问题，因为信息范围通常很小。在我们的应用中，估计对平均值的影响的效率界可能是无限的。这排除了$\sqrt{n}$一致性推断，并降低了检验平均值无处理效应假设的把握度。在我们的模拟中，使用对中位数的影响使我们能够以30%以上的功率来测试位置偏移假设。这使我们能够对治疗的有效性做出声明，而这些声明很难对平均值产生影响。我们提供R代码来实现所提出的估计。
2016-08-20 stat.ME
Causal Inference for Quantile Treatment Effects
对环境现象的分析通常涉及了解不可能发生的事件，如洪水、热浪、干旱或高浓度污染物。然而，大多数的因果推断文献都集中在建模手段，而不是（可能是高）分位数。我们定义了一个总体分位数治疗（或暴露）效应（QTE）的一般估计量--加权QTE（WQTE）--其中总体QTE是一个特例，以及一个包含倾向得分的一般平衡权重类。所提出的WQTE估计的渐近性质。我们进一步提出并比较了倾向得分回归和两种加权方法的基础上，这些平衡权重，以了解因果关系的影响，暴露的分位数，允许暴露是二进制的，离散的或连续的。在模拟中研究了这三种估计的有限样本行为。所提出的方法被施加到巴伐利亚多瑙河流域的数据，估计95%的QTE的磷在河流中的铜浓度。
2021-09-08 stat.AP stat.ME
Inverting estimating equations for causal inference on quantiles
针对因果推断多聚焦均值、分位数信息利用不足的问题，提出基于逆估计方程的统一框架，将均值因果推断方法推广至分位数，推导了有效影响函数与估计量渐近性质，可复用现有均值因果推断结论拓展分位数因果分析。
2024-08-14 math.ST stat.ME stat.ML
Causal Discovery via Transformed Low-Rank Quantile Surfaces
Shiga University（滋贺大学）；RIKEN AIP（理化学研究所人工智能研究中心）；The University of Osaka（大阪大学）
提出低秩分位数曲面模型，通过非参数拟合实现因果方向识别，在分布形状超出位置-尺度假设时表现优异。
2026-10-22 cs.AI cs.LG stat.ME
Distinguishing Cause from Effect Using Quantiles: Bivariate Quantile Causal Discovery
使用观察数据进行因果推断是具有挑战性的，特别是在双变量的情况下。通过最小描述长度原则，我们将原因和结果的产生机制之间的独立性假设与分位数回归联系起来。基于这一理论，我们发展了双变量分位数因果发现（bQCD），一种新的方法来区分因果关系假设没有混杂，选择偏差或反馈。因为它使用多个分位数水平而不是仅使用条件均值，bQCD不仅适用于加法，而且适用于乘法甚至位置尺度生成机制。为了说明我们的方法的有效性，我们对合成数据集和真实数据集进行了广泛的实证比较。这项研究表明，bQCD在该方法的不同实现中是鲁棒的（即，分位数回归），计算效率高，并且与现有技术的方法相比是有利的。
2020-08-14 stat.ML
Causal inference with confounders missing not at random
从观察性研究中得出因果推断是很重要的，但是，如果混杂因素有缺失值，这将变得具有挑战性。一般来说，如果混杂因素是非随机缺失，则无法识别因果效应。我们提出了一个新的框架，以非参数识别因果关系的影响与混杂因素的结果无关的missingness，即缺失数据的机制是独立的结果，给定的治疗和可能的缺失混杂因素。然后，我们提出了一个非参数两阶段最小二乘估计和因果效应的参数估计。
2019-02-01 stat.ME
Nonparametric efficient inference for network quantile causal effects under partial interference
Washington University in St. Louis（圣路易斯华盛顿大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文研究了在部分干扰下网络分位数因果效应的非参数高效推断方法，提出了一种非参数高效估计器，具有参数一致性且允许灵活的数据自适应估计复杂 nuisance 函数。
2026-04-14 stat.AP stat.ME stat.ML
Causal Inference: A Missing Data Perspective
推断治疗的因果效应是许多学科的中心目标。潜在结果框架是因果推断的主要统计方法，其中因果效应被定义为在不同治疗条件下相同单位的潜在结果的比较。因为对于每个单元，最多观察到一个潜在结果，而其余结果缺失，所以因果推断本质上是一个缺失数据问题。事实上，因果推断和缺失数据之间在术语和推理框架上有着密切的相似之处。尽管这两个学科之间存在着内在的联系，但因果推断和缺失数据的统计分析在目的、设置和方法上也存在着明显的差异。本文从缺失数据的角度对因果推断进行了系统的综述。针对可验证的治疗分配机制，我们讨论了广泛的因果推断方法，这些方法在缺失数据分析中具有类似性，例如插补，逆概率加权和双稳健方法。在每一个三种模式的推理-频率，贝叶斯和Fisherian随机化-我们提出了一般结构的推理有限样本和超人口估计，并通过具体的例子说明。我们确定了开放的问题，以激励更多的研究，以弥合这两个领域。
2018-01-03 stat.ME
Quantile-based causal inference for spatio-temporal processes: Assessing the impacts of wildfires on US air quality
本文提出基于分位数的QLSCM模型，用于分析野火对空气质量的因果影响，揭示了不同地区和污染水平下的异质效应，为环境政策提供决策依据。
2025-12-18 stat.AP
Design-Based Causal Inference with Missing Outcomes: Missingness Mechanisms, Imputation-Assisted Randomization Tests, and Covariate Adjustment
针对基于设计因果推断中的结果缺失问题，提出灵活缺失机制与“插补与再插补”框架，实现精确随机化检验、协变量调整及置信区间构建，并经模拟和大规模实验验证。
2025-05-24 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
Causal Effect Identification and Inference with Endogenous Exposures and a Light-tailed Error
针对内生性导致的因果推断挑战，本文提出基于轻尾误差假设的极端条件分位数识别方法，无需额外参数假设或辅助变量，结合极端分位数回归估计因果效应，经模拟和汽车销售数据分析验证有效性。
2025-08-24 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
Robust Uniform Inference for Quantile Treatment Effects in Regression Discontinuity Designs
在回归不连续性和扭结设计中，对因果效应的大带宽具有鲁棒性的推断的实际重要性得到了广泛的认可。现有的强大的方法涵盖了许多情况下，但不处理统一的模糊设计的CDF和分位数过程的推理，尽管它在最近的文献中使用的实证微观经济学。在这方面，本文扩展了文献，通过开发一个统一的框架，推理与鲁棒性对大带宽，适用于统一推理的分位数处理效应在模糊设计，以及所有其他情况下的尖锐/模糊均值/分位数回归不连续性/扭结设计。我们提出了蒙特卡罗模拟研究和经验应用俄克拉荷马州前K计划的评价。
2019-02-23 stat.ME
Semiparametric Inference of the Complier Average Causal Effect with Nonignorable Missing Outcomes
随机试验中经常出现不依从和缺失数据，使因果效应的推断复杂化。当不合规和缺失数据同时存在时，以往的文献提出了二进制和正态分布连续结果的矩和极大似然估计在潜在的可消除的缺失数据机制下.然而，在实践中可能违反潜在的可识别缺失数据机制，因为缺失数据机制可能直接取决于缺失结果本身。在不依从和结果依赖的不可解释的缺失数据机制下，以往的研究表明，对于离散的结果，依从者的平均因果效应是可识别的。本文研究了具有全或无不依从和结果依赖的不可重复缺失连续结果的随机临床试验中依从者平均因果效应的半参数可辨识性和估计，并提出了两步极大似然估计，以消除无穷维干扰参数。我们的方法不需要为缺失数据机制指定参数形式。我们还通过广泛的模拟研究和敏感性分析评估了我们的方法的有限样本属性，并将其应用于双盲精神病临床试验。
2014-09-02 stat.ME
Distributional synthetic controls
本文扩展了广泛使用的综合控制估计评估的因果影响的政策变化的分位数函数。所提出的方法提供了一个几何上忠实的估计整个反事实分位数函数的治疗单位。它的吸引力源于通过受约束的分位数对分位数回归的有效实现。这构成了独立利益的新概念。该方法提供了一个独特的反事实分位数函数在任何情况下：连续，离散或混合分布。它在重复的横截面和面板数据中运行，仅需一个预处理期。文章还提供了抽象的识别结果，表明任何合成控制方法，经典或我们的推广，提供了正确的反事实的因果模型，保持结果分布之间的距离。使用整个分位数函数而不是聚合值可以测试反事实分布和观察分布的相等性和随机优势。它可以提供标准结果的因果推断，如平均或分位数处理效应，但也可以提供更一般的概念，如反事实洛伦兹曲线或四分位数间距。
2021-12-30 econ.EM stat.ME
Causal Inference with Missing Exposures and Missing Outcomes
University of California Berkeley（加州大学伯克利分校）；University of California San Francisco（加州大学旧金山分校）；Infectious Diseases Research Collaboration（传染病研究协作组织）；Makerere University（马凯雷雷大学）
提出一个扩展的反事实框架，同时处理暴露和基线结局缺失，定义反事实分层效应，并通过TMLE和Super Learner在乌干达农村酒精消费对结核病感染风险的研究中验证。
2026-06-17 stat.ME
Bounding causal effects with an unknown mixture of informative and non-informative missingness
RAND Corporation（兰德公司）；Northeastern University（东北大学）；Harvard Medical School（哈佛医学院）
本文提出在缺失数据中存在未知信息缺失混合情况下的因果效应界定方法，通过敏感性参数构建边界，并利用影响函数估计器实现非参数和机器学习估计。
2026-03-17 stat.ME
BNPqte: A Bayesian Nonparametric Approach to Causal Inference on Quantiles in R
在本文中，我们介绍了BNPqte R包，该包实现了Xu，Daniels和Winterstein（2018）的贝叶斯非参数方法，用于估计观察性研究中的分位数处理效应。该方法提供了潜在结局分布的灵活建模，因此能够捕获结局、治疗和混杂因素之间的各种潜在关系，并同时估计多个分位数处理效应。具体而言，该方法使用贝叶斯加性回归树（BART）模型来估计倾向得分，并且使用多变量正态模型的狄利克雷过程混合（Dirichlet process mixture，DNR）来估计潜在结果的条件分布，给出估计的倾向得分。BNPqte R软件包通过设计有效的R函数用于联合和条件密度估计中的多元正态模型的拟合，为这种方法提供了快速实现。与流行的DP包相比，这些R函数极大地提高了密度估计中的RMM模型的效率。BNPqte R包中与BART相关的R函数继承自BART R包，并对变量重要性和分裂概率进行了两次修改。为了最大限度地提高计算效率，每个模型的实际采样和计算都在C++代码中进行。Armadillo C++库还用于快速线性代数计算。
2021-06-28 stat.CO stat.ME
Estimating Treatment Effects with Missings Not At Random in the Estimand Framework using Causal Inference
本文针对随机对照试验中非随机缺失问题，利用有向无环图和潜在响应变量建模缺失过程，提出无需填补即可无偏估计治疗效应的新方法，并证明平均条件对数优势比在充分调整混杂因素下对MNAR具有稳健性。
2025-11-08 stat.ME
Advancing Counterfactual Inference through Nonlinear Quantile Regression
Carnegie Mellon University（卡内基梅隆大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；The University of Sydney（悉尼大学）
本文将反事实推断重构为扩展的非线性分位数回归问题，提出神经网络与双层优化框架，仅依赖观测数据和定性因果结构即可推断反事实结果，并给出泛化误差上界及优于现有方法的实证结果。
2024-02-28 cs.LG stat.ME
Efficient nonparametric causal inference with missing exposure information
暴露信息缺失是许多观察性研究的一个非常常见的特征。在这里，我们研究的可识别性和有效的估计向量结果的因果关系的影响，在这种情况下，治疗是无混淆的，但部分失踪。我们考虑一个随机缺失的设置，其中治疗中的缺失不仅取决于复杂的协变量，而且还取决于治疗后的结果。我们给出了一个新的识别表达式平均处理效应在这种情况下，随着有效的影响函数，这个参数在非参数模型中，这产生了一个非参数的效率界。我们使用后一个结果来构造对维数灾难不像通常那样敏感的非参数估计，例如，通过具有更快的收敛速度比复杂的滋扰估计，他们依赖。进一步，我们表明，这些估计可以根-n一致的和渐近正常的弱非参数条件下，即使使用灵活的机器学习。最后，我们将这些结果应用到部分缺失工具变量的因果推断问题。
2020-02-02 stat.ME
Causal Inference with Unmeasured Confounding from Nonignorable Missing Outcomes
本文针对存在不可观测混杂和非随机缺失结局的观察性研究，提出利用同时作为影子变量和工具变量的辅助变量，实现依从者平均因果效应的非参数识别与估计，并通过模拟和真实数据验证。
2023-05-12 stat.ME
Discussion of "Causal and counterfactual views of missing data models" by Razieh Nabi, Rohit Bhattacharya, Ilya Shpitser, & James M. Robins
本文是对 Nabi 等人基于 m-DAG 和非参数独立性限制识别 MNAR 模型的讨论，延伸探讨因果推断工具、缺失数据与因果推断的结合问题及示例模型估计。
2025-06-16 stat.ME
A Bayesian Semiparametric Method For Estimating Causal Quantile Effects
标准因果推断通过平均值表征处理效应，但反事实分布不仅在集中趋势上不同，而且在分布和形状上也不同。为了提供对处理效应的综合评价，我们着重于估计分位数处理效应（QTE）。现有的反演累积分布函数的非光滑估计的方法禁止对概率密度函数（PDF）进行推断，但是PDF可以揭示反事实分布的更细微的特征。我们采用半参数条件分布回归模型，允许推断任何泛函的反事实分布，包括PDF和多个QTE。为了说明数据的观察性质并确保模型的有效性，我们调整了双重平衡得分，该得分增加了单个协变量的倾向得分。我们提供了一个贝叶斯估计框架，适当地传播建模的不确定性。我们通过模拟表明，使用双平衡分数的混杂调整提高了性能，调整任何单一的分数，和建议的半参数模型估计QTE比其他半参数方法更准确。我们将所提出的方法应用于北卡罗来纳州的出生体重数据集，以分析母亲吸烟对婴儿出生体重的影响。
2022-11-03 stat.CO stat.ME stat.ML
Causal Inference on Missing Exposure via Robust Estimation
针对暴露随机缺失下的因果推断问题，提出基于加权估计方程的IPW与三重稳健估计量，降低极端权重影响并防范模型误设。
2024-06-12 stat.ME
Recoverability and estimation of causal effects under typical multivariable missingness mechanisms
在缺失数据的背景下，平均因果效应（ACE）的可识别性或“可恢复性”取决于因果和缺失假设。后者可以通过在因果图中添加变量特定的缺失指标来描述，创建“缺失定向非循环图”（m-DAG）。先前的研究描述了十种典型的m-DAG，代表流行病学研究中典型的多变量缺失机制，并确定了在没有效应修饰的情况下ACE的可恢复性。我们扩展的研究，通过确定的可恢复性的ACE的设置效果修改和进行模拟研究，评估广泛使用的缺失数据方法的性能时，估计ACE使用正确指定的g-计算，这是以前没有研究。评估的方法包括完整案例分析（CCA）和各种关于与g计算中使用的结果模型的兼容程度的多重插补（MI）实现。模拟是基于维多利亚州青少年健康队列研究（VAHCS）的一个例子，其中的兴趣是估计青少年大麻使用对青年人心理健康的ACE。在排除未测量的缺失指标的常见原因的规范m-DAG中，如果没有不完整的变量导致其缺失，则我们推导出可恢复的ACE，否则不可恢复。此外，模拟表明，兼容的MI方法可以实现近似无偏的ACE估计，除非结果导致其缺失或它导致一个变量的缺失，导致其缺失。研究人员必须考虑敏感性分析方法纳入外部信息在后者的设置。VAHCS案例研究说明了这些研究结果的实际意义。
2023-01-17 stat.ME
Causal Discovery via Quantile Partial Effect
Shanghai Key Laboratory of Trustworthy Computing, East China Normal University（华东师范大学上海市可信计算重点实验室）
本文提出分位数偏效应(QPE)作为因果发现的统计量，证明在有限线性空间假设下，因果方向可从观测分布中识别，扩展了传统因果模型的可识别性结果，并通过基函数测试区分因果方向，验证了Fisher信息在多变量因果发现中的有效性。
2026-04-04 cs.LG stat.ML
Bayesian nonparametric generative models for causal inference with missing at random covariates
我们提出了一个一般的贝叶斯非参数（BNP）的方法，因果推断在点处理设置。观察数据（结局、治疗和混杂因素）的联合分布使用富集Dirichlet过程建模。观测数据模型和因果假设的结合使我们能够识别任何类型的因果效应-差异，比率或分位数效应，无论是边缘还是针对感兴趣的亚群。所提出的BNP模型非常适合于因果推断问题，因为它不需要关于混杂因素分布的参数假设，并且自然地导致计算效率高的吉布斯抽样算法。通过对联合分布进行灵活建模，我们还能够在假设可验证的缺失情况下，对算法内的缺失协变量值进行插补（通过数据增强），从而无需创建单独的插补数据集。这种插补缺失协变量的方法具有额外的优势，可以保证插补模型和分析模型之间的一致性，并且由于我们使用BNP方法，因此避免了参数模型进行插补。使用模拟研究的方法的性能进行评估。该方法适用于人类免疫缺陷病毒/丙型肝炎病毒合并感染患者的队列研究数据。
2017-02-27 stat.ME
Identification and Estimation of Causal Estimands with Missing Not at Random Data
University of Dhaka（达卡大学）
本文针对非随机缺失数据下因果估计量不可识别的问题，提出基于完备性条件的识别框架和EM估计算法，并扩展至中介分析；模拟显示偏差显著低于完整案例分析与多重插补，NHANES应用验证了教育对抑郁的因果效应。
2026-09-18 stat.ME
In defense of MAR over latent ignorability (or latent MAR) for outcome missingness in studying principal causal effects: a causal graph view
本文通过因果图证明，在研究主因果效应的结果缺失时，潜在随机缺失（LMAR）比随机缺失（MAR）更难满足且无额外益处，主张优先使用MAR，并阐明其成立条件及效应识别应用。
2024-07-18 stat.ME
Recoverability of Causal Effects under Presence of Missing Data: a Longitudinal Case Study
针对CHAPAS-3试验中HIV儿童纵向研究的多变量缺失数据问题，研究通过分析三个合理缺失有向无环图（m-DAG）的可恢复性，提出“闭合缺失机制”，发现可用案例分析可优于多重插补，强调图结构对可恢复性的敏感性。
2024-10-18 stat.ME
Generative Causal Inference
开发了用于因果推断的生成式贝叶斯计算方法，通过监督学习替代MCMC，并利用Quantile ReLU网络和高维分位数回归学习非线性传输映射，以处理非线性和异质性。
2024-12-23 stat.ME
Causal Inference With Outcome-Dependent Missingness And Self-Censoring
针对因果推断中结果自删失导致估计偏差、现有阴影变量法假设难验证的问题，提出基于随机激励变量的检验方法验证识别假设，证明以处理为阴影变量可识别因果效应并给出对应逆概率加权估计量，通过模拟验证了有效性。
2023-06-08 stat.ME
Estimation and Inference of Extremal Quantile Treatment Effects for Heavy-Tailed Distributions
本文针对重尾结局变量提出基于渐近尾部近似和因果Hill估计量的极值分位数处理效应估计方法，建立了渐近正态性与一致方差估计，并通过模拟和大学教育对工资影响的实证分析验证了方法的有效性。
2023-07-05 math.ST stat.ME stat.TH
Hypothetical estimands in clinical trials: a unification of causal inference and missing data methods
ICH E9附录引入了术语并发事件，是指随机化后发生的事件，这些事件可能妨碍观察到关注的结局或影响其解释。它提出了五种处理并发事件的策略，以形成一个被估量，但没有提出估计的统计方法。在本文中，我们专注于假设的策略，其中的处理效应的假设情况下，其中并发事件是防止定义。对于它的估计，我们考虑了因果推断和缺失数据方法。我们建立了某些“因果推断估计量”是相同的某些“缺失数据估计量”。这些链接可能会帮助那些熟悉一套方法而不是另一套方法的人。此外，使用潜在结果符号使我们能够更清楚地说明缺失数据方法依赖于哪些假设来估计假设被估量。这有助于表明估计假设的被估量是否合理，以及在分析中应该使用什么数据。我们发现，假设的被估量可以估计并发事件发生后，这是通常不使用的数据利用。我们还提出了蒙特卡罗模拟，说明在不同的设置中的方法的实施和性能。
2021-07-09 stat.ME
A Bayesian Analysis of Two-Stage Randomized Experiments in the Presence of Interference, Treatment Nonadherence, and Missing Outcomes
针对现代复杂实验中同时存在的干扰、治疗不依从和结果缺失问题，提出一种基于贝叶斯方法的因果推断框架，扩展两阶段随机化实验和主分层框架，通过灵活分布模型实现主因果效应的弱可识别，从而提供更具信息量的分析。
2023-04-05 stat.ME
Navigated Weighting to Improve Inverse Probability Weighting for Missing Data Problems and Causal Inference
逆概率加权（IPW）被广泛用于解决包括因果推断的缺失数据问题，但是由于倾向得分模型误指定，可能遭受大的方差和偏差。为了解决这些问题，我提出了一种称为导航加权（NAWT）的估计方法，该方法利用适合于特定的预先指定的感兴趣参数（例如，对被处理者的平均处理效应）。由于这些预先指定的参数将每个单元的相对重要性确定为倾向得分的函数，因此NAWT在倾向得分估计中优先考虑重要单元，以提高效率和对模型错误指定的鲁棒性。我调查其大样本特性，并通过模拟研究和实证例子证明其有限样本的改进。一个实现NAWT的R包nawtilus已经开发出来，可以从Comprehensive R Archive Network（http：//cran.r-project.org/package=nawtilus）获得。
2020-08-04 stat.ME
Systematically Missing Data in Causally Interpretable Meta-Analysis
因果关系可解释荟萃分析结合了来自随机对照试验集合的信息，以估计目标人群中的处理效应，其中可能无法进行实验，但可以从简单的随机样本中收集协变量信息。在这些分析中，一个关键的实际挑战是系统性的缺失数据，当一些基线协变量没有在所有试验中收集时。在此，我们提供了在荟萃分析中某些试验的协变量数据系统性缺失时，目标人群中潜在（反事实）结局平均值和平均处理效应的识别结果。我们提出了三个估计的平均处理效应在目标人群中，检查他们的渐近性质，并表明，他们有良好的有限样本性能的模拟研究。我们使用估计器来分析来自两个大型肺癌筛查试验的数据和来自国家健康和营养检查调查（NHANES）的目标人群数据。为了适应复杂的调查设计的NHANES，我们修改的方法，将调查抽样权重，并允许聚类。
2022-05-02 stat.ME
Causal effect on a target population: a sensitivity analysis to handle missing covariates
随机对照试验（RCT）通常被认为是估计因果效应的金标准，但当符合RCT条件的人群与目标人群存在实质性差异时，RCT可能缺乏外部效度。手头有一个感兴趣的目标人群的样本，使我们能够概括因果效应。识别目标人群中的处理效应需要协变量来捕获在两组之间转移的所有处理效应修饰因子。然后，标准估计使用加权（IPSW），结果建模（G公式），或将两者结合在双重稳健方法（AIPSW）中。然而，这类协变量通常在两组中都不可用。在本文中，证明了这三个估计的L1-一致性后，我们计算的期望偏差引起的缺失协变量，假设高斯分布，连续的结果，和半参数模型。在此设置下，我们对每个缺失协变量模式进行敏感性分析，并计算预期偏倚的符号。我们还表明，在线性插补部分未观察到的协变量没有增益。最后，我们研究了替代缺失的协变量的代理。我们说明了所有这些结果的模拟，以及半合成基准使用的数据从田纳西州的学生/教师的成就比（STAR），和一个现实世界的例子，从重症监护医学。
2023-01-10 stat.ME
Survey calibration for causal inference: a simple method to balance covariate distributions
本文提出一种基于校准估计量理论的简单方法，可平衡协变量的任意分位数与均值，无需分布假设，能有效估计多种因果效应，还可推广至其他设计与方法，并提供开源实现。
2024-03-12 econ.EM stat.ME
Doubly Robust Weighted Regression for Causal Inference under Confounder Missingness
University of Calgary（卡尔加里大学）
本文提出一种双重稳健的加权普通最小二乘估计方法，用于处理观测研究中缺失混杂变量的问题，通过引入倾向分数模型提升估计的稳健性与准确性。
2026-07-22 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
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
Comparing Causal Inference Methods for Point Exposures with Missing Confounders: A Simulation Study
本研究通过受EHR减重手术研究启发的模拟，评估Levis等人的ATE估计量与先插补后回归或IPW等方法，发现没有单一估计量一致最优，并给出缺失混杂下的实践建议。
2025-07-25 stat.ME
A Bayesian Nonparametric Causal Model for Regression Discontinuity Designs
对于非随机化研究，在相对温和的条件下，回归不连续设计（RDD）可用于识别和估计“局部随机化”受试者亚组的因果效应。然而，当前模型通过线性回归将因果推断集中在治疗（与非治疗）变量对因变量均值的影响上。对于RDD，我们提出了一个灵活的贝叶斯非参数回归模型，可以提供准确的估计因果关系的影响，在预测均值，方差，分位数，概率密度，分布函数，或任何其他选择的功能的结果变量。我们通过两个真实的教育数据集的分析来说明该模型，涉及（分别）一个清晰的RDD和一个模糊的RDD。
2015-02-11 stat.ME
On the use of auxiliary variables in multiple imputation when estimating the average causal effect with missing data
Murdoch Children’s Research Institute（默多克儿童研究所）；University of Melbourne（墨尔本大学）
研究在缺失数据下使用多重插补估计平均因果效应时，辅助变量（中介与非中介）对识别性和偏差的影响，提出正确区分变量类型并采用兼容灵活的多重插补方法以避免偏倚。
2026-06-23 stat.ME
Causality and extremes
该研究总结极值因果推断的前沿方法，介绍分位数处理效应的极值方法、两类极值因果结构的可识别性及相关因果结构学习，并用Seine network数据集验证实用性，指明未来研究方向。
2024-03-08 stat.ME
Heterogeneous Quantile Treatment Effect Estimation for Longitudinal Data with High-Dimensional Confounding-v2
East China Normal University（华东师范大学）；The Chinese University of Hong Kong（香港中文大学）；Eli Lilly and Company（礼来公司）
本文针对高维混杂下纵向数据的异质性分位数处理效应估算难题，提出结合卷积平滑分位数回归与正交随机森林的框架，通过模拟验证性能并将其应用于非小细胞肺癌研究。
2026-09-01 stat.ME
Sensitivity analysis methods for outcome missingness using substantive-model-compatible multiple imputation and their application in causal inference
本文针对结果变量自致缺失情形下的因果推断敏感性分析，提出NAR-SMCFCS和NAR-SMC-stack两种兼容delta调整方法，解决了朴素NARFCS易产生偏倚的问题，并通过模拟研究验证其近似无偏性。
2024-11-21 stat.ME
Identification of complier and noncomplier average causal effects in the presence of latent missing-at-random (LMAR) outcomes: a unifying view and choices of assumptions
Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯大学布隆伯格公共卫生学院）
本文探讨了在存在潜在缺失于随机（LMAR）结果的情况下，如何通过不同的主识别方法识别执行者和非执行者平均因果效应，提出需要额外的特定缺失机制假设和主识别假设。
2023-12-18 stat.ME
Inferring Comprehensive Cohort Causal Effects in the Presence of Unmeasured Confounding and Missing Outcomes
University of Utah（犹他大学）；Emory University（埃默里大学）；University of Warwick（华威大学）；University Hospitals Coventry & Warwickshire（考文垂与华威郡大学医院）
提出一个方法框架，用于估计混合设计临床研究中的综合队列因果效应，通过半参数敏感性分析处理未测量混杂和随机缺失结局，并推导有效影响函数和偏差校正估计量。
2026-06-27 stat.ME
Leveraging Random Assignment to Impute Missing Covariates in Causal Studies
针对随机实验中协变量缺失影响治疗效应估计的问题，研究对比了均值填补、回归单一填补、多重填补三类方法在遵循/忽略随机化原则下的表现，发现考虑随机化仅能小幅提升填补准确性，为异质性治疗效应估计中的协变量填补提供参考。
2020-11-08 stat.ME
