Treatment effect estimation with disentangled latent factors
University of South Australia(南澳大利亚大学)
许多研究致力于从观察数据估计治疗效果的问题;然而,大多数方法假设观察变量仅包含混杂因素,即,影响治疗和结果的变量。不幸的是,这一假设在现实世界的应用中经常被违反,因为一些变量只影响治疗而不影响结果,反之亦然。此外,在许多情况下,只能观察到潜在混杂因素的代理变量。在这项工作中,我们首先表明区分混杂因素与工具和风险因素对于平均和条件平均治疗效果估计的重要性,然后我们提出了一种变分推理方法,同时从观察变量中推断潜在因素,将因素分解为三个不相交的集合,分别对应于工具,混杂和风险因素,并将解缠后的因子用于治疗效果评估。实验结果表明,该方法的有效性在广泛的合成,基准和真实世界的数据集。
2021-04-26 cs.LG stat.ML
Treatment Effect Estimation for Graph-Structured Targets
Kyoto University(京都大学)
本文提出GraphTEE框架,通过聚焦混淆变量集和新的正则化方法缓解图结构目标处理效应估计中的观测偏差,并给出理论分析与实验验证。
2025-03-09 cs.LG stat.ML
An improved neural network model for treatment effect estimation
Harokopio University(哈罗科皮奥大学)
如今,在许多科学和工业领域,越来越需要估计处理效应和回答因果问题。解决这些问题的关键是丰富的观测数据和利用这些数据的过程。在这项工作中,我们提出了一个新的模型来预测潜在的结果和倾向得分,这是基于一个神经网络架构。该模型利用协变量以及训练数据中相邻实例的结果。数值实验表明,所提出的模型报告更好的处理效应估计性能相比,国家的最先进的模型。
2022-05-23 cs.LG stat.ML
Continuous Treatment Effect Estimation Using Gradient Interpolation and Kernel Smoothing
Indian Institute of Technology Bombay(印度理工学院孟买分校)
针对观测数据中治疗分配与协变量混杂导致的个体化连续治疗效应估计难题,提出结合梯度插值与高斯过程核平滑的反事实推断方法来扩充训练数据,在5个基准上优于6种SOTA方法且具有模型无关性。
2024-01-27 cs.LG stat.ML
Treatment Effect Estimation using Invariant Risk Minimization
IBM Research(IBM研究院);Massachusetts Institute of Technology(麻省理工学院)
从观察数据中推断个体治疗效应(ITE)是一个具有挑战性的问题,治疗分配偏倚的存在加剧了这一困难。在这项工作中,我们提出了一种新的方法来估计ITE使用的领域泛化框架不变的风险最小化(风险)。它使用来自多个领域的数据,学习不利用虚假领域相关因素的预测器,并更好地推广到看不见的领域。我们提出了一个基于IRM的ITE估计,旨在解决治疗分配偏差时,有控制组和治疗组之间的支持重叠。我们通过创建多样性来实现这一点:给定一个数据集,我们人工将数据分为多个域。这些不同的领域,然后利用ESTA更有效地推广基于回归的模型,缺乏支持重叠的数据区域。我们显示出收益超过经典的回归方法,ITE估计的设置时,支持不匹配更明显。
2021-03-13 cs.LG stat.ML
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
To Impute or not to Impute? Missing Data in Treatment Effect Estimation
University of Cambridge(剑桥大学);UCLA(加州大学洛杉矶分校);Meta;Alan Turing Institute(艾伦·图灵研究所)
缺失数据是实际情况下的系统性问题,在估计处理效应时会导致噪声和偏倚。这使得从缺失数据中估计处理效应成为一项特别棘手的工作。一个关键原因是,由于除了输入(例如个人)和标签(例如结果)之外,还存在一个额外的变量-治疗-,因此关于缺失的标准假设是不充分的。治疗变量引入了额外的复杂性,为什么一些变量缺失,这是以前的工作没有充分探讨。在我们的工作中,我们引入了混合混杂缺失(MCM),一个新的缺失机制,其中一些缺失决定治疗选择和其他缺失决定治疗选择。鉴于MCM,我们表明,天真地插补所有数据会导致处理效应模型表现不佳,因为插补行为有效地删除了提供无偏估计所需的信息。然而,完全不插补也会导致偏倚估计,因为治疗确定的缺失会导致协变量偏倚。我们的解决方案是选择性估算,我们使用MCM的见解来精确地告知哪些变量应该估算,哪些不应该。我们经验证明了不同的学习者如何受益于选择性插补相比,其他解决方案的缺失数据。我们强调,我们的实验包括平均处理效应和条件平均处理效应。
2023-02-24 cs.LG stat.ML
Adapting Neural Networks for the Estimation of Treatment Effects
Columbia University(哥伦比亚大学)
本文讨论了使用神经网络估计的处理效应从观察数据。通常,估计分两个阶段进行。首先,我们为每个单元的预期结果和治疗概率(倾向得分)拟合模型。其次,我们将这些拟合模型插入到效应的下游估计器中。神经网络是第一步模型的自然选择。我们要解决的问题是:我们如何调整在第一步中使用的神经网络的设计和训练,以便提高处理效应的最终估计的质量?我们提出了两个调整的基础上的见解,从统计文献的估计处理效应。第一个是一个新的架构,龙网,利用充分的倾向得分的估计调整。第二个是一个正则化过程,有针对性的正则化,它会导致对具有非参数最优渐近特性的模型的偏见。对因果推断基准数据集的研究表明,这些调整优于现有的方法。代码可在github.com/claudiashi57/dragonnet上获得。
2019-10-17 cs.LG stat.ME stat.ML
Weighting-Based Treatment Effect Estimation via Distribution Learning
本文提出一种基于分布学习的加权方法,通过学习协变量条件分布并利用密度比作为权重,以缓解模型误设,实验表明其在估计ATT上优于现有加权方法且具有双稳健性。
2023-05-08 cs.LG econ.EM stat.ML
Learning about treatment effects in a new target population under transportability assumptions for relative effect measures
流行病学家和应用统计学家通常认为,以协变量为条件的相对效应测量,如风险比和平均比,在人群中是"可移植的“。在这里,我们使用条件相对效应测量(例如,条件风险比或平均比)可从试验转移到目标人群。我们表明,相对效应措施的可移植性在很大程度上是不兼容的差异效应措施的可移植性,除非治疗没有影响,平均或一个愿意作出更强的可移植性假设,这意味着相对和差异效应措施的可移植性。然后,我们描述了如何边际因果被估量在目标人群中可以确定的假设下,相对效果的措施,当我们有兴趣在一个新的实验性治疗的有效性在目标人群中,唯一的治疗方法是在试验中评估的控制治疗。我们扩展了这些结果,以考虑试验中评估的对照治疗仅是目标人群中使用的治疗之一的情况,并且在目标人群中存在额外的部分可交换性假设(即,部分假设目标人群中没有未测量的混杂因素)。我们还开发了识别结果,允许相对效应测量的可移植性所需的协变量仅是控制目标人群中混杂所需的协变量的一个小子集。最后,我们提出了估计,可以很容易地实现在标准的统计软件。
2022-02-23 stat.AP stat.ME
Double/Debiased Machine Learning for Dynamic Treatment Effects via g-Estimation
Microsoft Research(微软研究院)
我们认为,当随着时间的推移分配多种治疗时,治疗可能对未来的结果或治疗单位的状态产生因果影响时,对处理效应进行估计。我们提出了一个扩展的双/去偏的机器学习框架来估计治疗的动态效果,这可以被看作是一个奈曼正交(局部鲁棒)交叉拟合版本的$g$ -估计在动态治疗方案。我们的方法适用于一般类别的非线性动态治疗模型,称为结构嵌套平均模型,并允许使用机器学习方法来控制潜在的高维状态变量,受到均方误差保证,同时仍然允许参数估计和置信区间的结构参数的建设。这些结构参数可以用于在参数速率下对任何目标动态策略进行离策略评估,这受到对数据生成过程的半参数限制。我们的工作是基于一个递归剥离过程,典型的$g$ -估计,并制定了一个强凸目标在每个阶段,这使我们能够扩展$g$ -估计框架在多个方向:i)提供有限样本保证,ii)在任意函数空间内估计相对于固定单元特征的非线性效应异质性,使RLearner算法的动态模拟能够用于异质效应,iii)允许目标结构函数的高维稀疏参数化,使得能够通过递归套索算法进行自动模型选择。我们还提供保证,数据来自一个单一的治疗单位在一个长期的地平线和平稳条件下。
2021-06-17 cs.LG econ.EM stat.ML
Regression-with-residuals Estimation of Marginal Effects: A Method of Adjusting for Treatment-induced Confounders that may also be Moderators
治疗诱导的混杂因素使时变处理效应和因果中介的分析复杂化。天真地以这些变量为条件来估计边际效应可能会不适当地阻断因果通路,并可能诱导治疗与结局之间的虚假关联,导致偏倚。虽然有几种估计边际效应的方法避免了这些复杂性,包括边际结构模型(MSM)的逆处理概率加权(IPTW)估计以及高度约束的结构嵌套平均模型(SNELS)的g和残差回归(RWR)估计,但每种方法都有一系列非平凡的局限性。具体而言,IPTW估计是低效的,难以与连续治疗或介质一起使用,并且可能遭受有限样本偏倚,而g-和RWR估计高度约束的边际效应的SNARY是不切实际的假设,即没有效果调节。在这项研究中,我们采用RWR的方法来估计边际效应与一组适度约束的SNEARTH,适应几种类型的治疗的混杂因素和/或中介的混杂因素的相互作用,从而放松假设没有效果温和。通过一系列的模拟实验和实证例子,我们表明,这种方法优于IPTW估计的MSM,以及g-和RWR估计的高度约束的SNARDING中,影响缓和假设了。
2018-08-23 stat.AP
Fair and Robust Estimation of Heterogeneous Treatment Effects for Policy Learning
Harvard Medical School(哈佛医学院);Korea University(高丽大学);Harvard University(哈佛大学)
提出公平约束下异质性处理效应非参数估计框架,具双重稳健性,刻画公平与福利权衡,经模拟与实例验证。
2023-12-20 cs.LG stat.ME stat.ML
Proximity Matters: Local Proximity Enhanced Balancing for Treatment Effect Estimation
College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院);School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院)
本文提出CFR-Pro方法,通过引入基于最优传输的成对近邻正则化来增强HTE估计中的表示平衡,有效缓解处理选择偏差,并在实验中优于其他方法。
2026-03-25 cs.AI cs.LG stat.ML
Causal Effect Estimation: Recent Advances, Challenges, and Opportunities
Ant Group(蚂蚁集团);University of Virginia(弗吉尼亚大学)
因果推理在许多领域都有大量的实际应用,如医疗保健,市场营销,政治学和在线广告。治疗效果估计是因果推断中的一个基本问题,几十年来一直是统计学中广泛研究的问题。然而,传统的治疗效果估计方法可能不能很好地处理大规模和高维异构数据。近年来,一个新兴的研究方向在广阔的人工智能领域引起了越来越多的关注,它结合了传统治疗效果估计方法的优点(例如,倾向分数、匹配和重新加权)和高级机器学习方法(例如,表示学习、对抗学习和图神经网络)。虽然先进的机器学习方法在治疗效果估计方面表现出了非凡的性能,但也带来了许多新的课题和新的研究问题。鉴于因果推理领域的最新研究成果,我们全面讨论了治疗效果估计任务的三个核心组成部分的挑战和机遇,即,治疗、协变量和结局。此外,我们还从多个角度展示了这一主题有前途的研究方向。
2023-02-02 cs.LG stat.ME stat.ML
High-Dimensional Feature Selection for Sample Efficient Treatment Effect Estimation
MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);IBM Research(IBM研究院)
从观察数据中估计因果处理效应是因果推断中的一个基本问题。为了避免偏倚,效应估计量必须控制所有混杂因素。因此,从业者经常收集尽可能多的协变量的数据,以提高包括相关混杂因素的机会。虽然这解决了偏差问题,但由于维数增加,这会显著增加准确估计效果所需的数据样本数量。在这项工作中,我们考虑的设置中,大量的协变量$X$,满足强可重复性,一个未知的稀疏子集$S$是足以包括实现零偏差,即$c$ -相当于$X$。我们提出了一个共同的目标函数,涉及治疗队列的结果与非凸联合稀疏正则化,保证恢复$S$与高概率下的线性结果模型$Y$和亚高斯协变量的每个治疗队列。这提高了效果估计样本复杂度,使得其与稀疏子集$S$和$\log |X|$的基数成比例,而不是与全集$X$的基数成比例。我们验证了我们的方法与实验上的处理效应估计。
2020-11-03 cs.LG stat.ME stat.ML
Individual Treatment Prescription Effect Estimation in a Low Compliance Setting
Criteo AI Lab(Criteo人工智能实验室)
个体处理效应(ITE)估计是一个广泛研究的问题,在各个领域都有应用。我们模拟的情况下,存在异质性不遵守随机分配的治疗,一个典型的情况下,在健康(由于不遵守处方)或数字广告(由于竞争和广告拦截器,例如)。依从性越低,治疗处方的效果或个体处方效果(IPE)越多,信号逐渐消失并且变得难以估计。我们提出了一种新的方法估计的IPE,利用观察到的合规信息,以防止信号衰落。使用结构因果模型框架和做演算,我们定义了一个一般的中介因果效应设置,并提出了一个相应的估计一致恢复IPE渐近方差保证。最后,我们在合成和真实世界的数据集上进行了实验,突出了该方法的好处,该方法在低合规性设置中始终提高了最先进的水平
2020-10-23 cs.LG stat.ME stat.ML
Disentangled Graph Autoencoder for Treatment Effect Estimation
School of Mathematical Sciences, Zhejiang University(浙江大学数学科学学院);Petrochina Engineering and Planning Institute(中国石油工程规划研究院)
针对网络化观测数据中潜在因素被混淆的问题,提出解耦变分图自编码器,将潜在变量分离为工具、混杂、调整和噪声因素并强制独立,提升处理效应估计性能。
2025-02-20 cs.AI cs.LG stat.ML
Estimation and Validation of Ratio-based Conditional Average Treatment Effects Using Observational Data
Stanford University(斯坦福大学);Biogen International GmbH(渤健国际有限公司);PwC Data & Analytics(普华永道数据与分析部);NeuroTransData(神经转归数据公司)
虽然随机临床试验中的样本量足够大,可以很好地估计平均处理效应,但它们通常不足以估计对研究数据驱动的精准医学至关重要的治疗-协变量相互作用。来自现实世界实践的观测数据可能在缓解这一问题方面发挥重要作用。试验中的一种常见方法是在每个治疗组中使用单独的回归模型预测关注的结果,并基于预测的对比估计处理效应。不幸的是,当回归模型被错误指定时,这种简单的方法可能会在观察性研究中诱导虚假的治疗-协变量相互作用。出于对多发性硬化患者复发次数建模的需要,复发率的比率是治疗效果的自然选择,我们建议将条件平均处理效应(CATE)估计为预期潜在结果的比率,并在治疗协变量相互作用的半参数模型中推导出该CATE的双重稳健估计。我们还提供了一个验证过程,以检查独立样本的估计量的质量。我们进行模拟,以证明有限样本的性能,所提出的方法,并通过检查富马酸二甲酯的处理效应相比特立氟胺在多发性硬化症患者的实际数据,说明其优势。
2020-04-21 cs.LG stat.ME stat.ML
Dynamic Inter-treatment Information Sharing for Individualized Treatment Effects Estimation
Institute of Biomedical Engineering, University of Oxford(牛津大学生物医学工程研究所);Oxford-Suzhou Institute of Advanced Research (OSCAR)(牛津-苏州高等研究院)
针对观察性数据中个体化处理效应估计因数据划分导致可靠性下降的问题,提出基于软权重共享的深度学习框架HyperITE,实现处理组间动态端到端信息共享,有效提升估计精度,尤其适用于小数据集。
2024-02-13 cs.LG stat.ME
Heterogeneous Treatment Effect Estimation for Observational Data using Model-based Forests
异质性处理效应(HTEs)的估计在许多学科中引起了相当大的兴趣,最突出的是在医学和经济学中。到目前为止,当代研究主要集中在连续和二进制响应,其中传统上通过线性模型估计HTE,即使在某些模型错误指定下,也可以估计恒定或异质效应。更复杂的生存、计数或顺序结局模型需要更严格的假设来可靠地估计处理效应。最重要的是,不可替代性问题需要联合评估治疗和预后效果。基于模型的森林允许同时估计协变量依赖的治疗和预后效应,但仅适用于随机试验。在本文中,我们提出修改基于模型的森林,以解决观测数据中的混淆问题。特别是,我们评估的正交化策略最初提出的罗宾逊(1988年,计量经济学)的背景下,基于模型的森林目标HTE估计在广义线性模型和转换模型。我们发现,这种策略减少了混杂效应在模拟研究中的各种结果分布。我们通过评估阿曲唑对肌萎缩侧索硬化症进展的潜在异质性影响,展示了HTE估计生存和有序结局的实际方面。
2022-10-06 stat.ME stat.ML
Efficient Adaptive Experimental Design for Average Treatment Effect Estimation
The University of Tokyo(东京大学);Mizuho-DL Financial Technology Co., Ltd.(瑞穗数字金融科技有限公司);Tohoku University(东北大学);Kyoto University(京都大学);Yale University(耶鲁大学)
本文提出一种面向 ATE 估计的自适应实验设计,通过估计高效处理分配概率并结合 A2IPW 估计量达到半参数效率界,且支持任意时刻有效的置信区间与最优序贯检验。
2025-02-20 cs.LG econ.EM stat.ML
Consistent Labeling Across Group Assignments: Variance Reduction in Conditional Average Treatment Effect Estimation
National Taiwan University(台湾大学)
本文针对CATE估计中同一实例在不同组分配下学习行为不一致的问题,提出通用方法CLAGA,通过消除不一致性显著提升现有算法的估计性能。
2025-07-06 cs.LG stat.ME stat.ML
A Large Scale Heterogeneous Treatment Effect Estimation Framework and Its Applications of Users' Journey at Snap
Snap Inc.(Snap公司)
本文提出了一种大规模框架,用于估计用户对广告的异质治疗效应,并通过影响力评分提升关键业务指标表现。
2025-11-25 cs.LG stat.AP stat.ME
Defining Expertise: Applications to Treatment Effect Estimation
University of Cambridge(剑桥大学)
本文形式化定义预测性与预后性两类决策者专业知识,并证明其可用于预测数据集特征并指导治疗效果估计的模型选择。
2024-03-01 cs.AI cs.LG stat.ME
Robust Variance Estimation for Covariate-Adjusted Unconditional Treatment Effect in Randomized Clinical Trials with Binary Outcomes
为了提高具有二元结局的随机临床试验中无条件处理效应的估计精度和检验假设的功效,研究人员和监管机构建议使用g计算作为协变量调整的可靠方法。然而,g-计算的实际应用受到阻碍,缺乏一个明确的强大的方差公式,可以用于不同的无条件处理效应的利益。为了填补这一空白,我们提供了明确的和强大的方差估计g-计算估计,并通过模拟证明,方差估计可以可靠地应用于实践。
2023-03-27 stat.AP stat.ME
Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference
University of California Irvine(加州大学欧文分校);University of California San Francisco(加州大学旧金山分校);University of California Berkeley(加州大学伯克利分校)
本文提出基于保形扩散模型的个体处理效应估计与推断方法,融合扩散建模、保形推断、倾向评分及协变量局部近似,实现潜在结果分布无偏估计、置信区间构建和理论保证。
2024-08-02 cs.AI cs.LG 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
PUATE: Efficient Average Treatment Effect Estimation from Treated (Positive) and Unlabeled Units
Mizuho-DL Financial Technology, Co., Ltd.(Mizuho-DL金融科技公司)
针对仅观察处理组和未标记组的设定,本文推导出半参数有效界并构建了达到该界的平均处理效应(ATE)半参数有效估计量,为缺失数据因果推断和弱监督学习做出贡献。
2025-05-28 cs.LG econ.EM math.ST
Adversarial De-confounding in Individualised Treatment Effects Estimation
University of Oxford(牛津大学);Institute of Biomedical Engineering(生物医学工程研究所);Oxford-Suzhou Centre for Advanced Research(牛津苏州高级研究中心)
由于非实验性观察数据的日益增多以及实验性研究的局限性,如成本高、不切实际、样本量小且代表性不强等,观察性研究最近受到了机器学习界的极大关注。在观察性研究中,去混淆是个体化治疗效果(ITE)估计的一个基本问题。本文提出了具有对抗性训练的解纠缠表示,以选择性地平衡ITE估计的二进制治疗设置中的混杂因素。治疗策略的对抗性训练选择性地鼓励对混杂因素进行治疗不可知的平衡陈述,并通过反事实推理帮助估计观察性研究中的ITE。在不同程度的混杂下,对合成数据集和真实数据集的实证结果证明,我们提出的方法改进了最先进的方法,在ITE估计中实现了较低的误差。
2023-01-24 cs.AI cs.LG stat.ME
Some methods for heterogeneous treatment effect estimation in high-dimensions
在为病人设计治疗方案时,除了他们的医学教育和已发表的临床试验外,医生通常没有多少量化的证据来作为他们决策的基础。仅斯坦福医疗保健就拥有数百万电子病历(EMR),这些病历最近才被用来提供更好的治疗建议。这些数据提出了一个独特的挑战,因为它们是高维和观测。我们的目标是根据过去患者与新患者相似的结果提出个性化的治疗建议。我们提出并分析了三种使用观察数据估计异质性处理效应的方法。我们的方法在使用各种各样的处理效应函数的模拟中表现良好,并且我们将两种最有前途的方法应用于来自SPRINT数据分析挑战的数据,来自高血压治疗的大型随机试验的结果。
2017-07-01 stat.ML
Structure-agnostic Optimality of Doubly Robust Learning for Treatment Effect Estimation
Stanford University(斯坦福大学)
本文在不假设冗余函数结构的统计下界框架下,证明双重稳健估计量对ATE、ATT及ATE加权变体均具有统计最优性。
2025-06-08 cs.LG econ.EM math.ST
Estimation of distributional effects of treatment and control under selection on observables: consistency, weak convergence, and applications
本文研究了接受或不接受治疗的潜在结果的分布函数的估计。该方法基于估计的倾向得分对观察到的数据进行加权。构造了一个加权形式的经验过程,并证明了它弱收敛于二元高斯过程。平均处理效应(ATE)和分位数处理效应(QTE)的估计结果作为副产物获得。被认为是应用建设的非参数检验的处理效应和随机优势的治疗控制,并通过模拟研究其有限样本的性质和优点。
2019-04-27 stat.ME
Average Treatment Effect Estimation in Observational Studies with Functional Covariates
函数型数据分析是现代统计学的一个重要领域,在许多领域都有成功的应用。虽然许多科学研究的目的是找到因果关系,但绝大多数函数数据分析方法只能揭示相关性。本文研究了具有函数协变量的观测数据的平均处理效应估计。本文将多元数据的各种最新倾向得分估计方法推广到函数数据。通过模拟研究对通过倾向得分加权得到的平均处理效应估计值进行数值评价,并将其应用于真实世界数据集,以研究度洛西汀对慢性膝关节骨关节炎患者疼痛缓解的因果效应。
2020-07-09 stat.AP stat.ME
Sample Constrained Treatment Effect Estimation
Adobe Research(Adobe研究院);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
治疗效果估计是因果推理中的一个基本问题。我们专注于设计有效的随机对照试验,以准确估计某些治疗对$n$个体人群的影响。特别是,我们研究样本约束的治疗效果估计,我们必须选择一个子集的$s \ll n$个人从人口进行实验。这个子集必须进一步划分为治疗组和对照组。将整个群体划分为治疗组和对照组或选择单个代表性子集的算法已经得到了充分的研究。在我们的设置中的关键挑战是联合选择一个代表性的子集和该集合的分区。我们专注于个人和平均治疗效果估计,在线性效应模型。我们给出了可证明有效的实验设计和相应的估计,通过识别连接到差异最小化和基于分数的随机数值线性代数抽样。当$s$等于种群大小时,我们的理论结果得到了到已知保证的平滑过渡。我们还实证证明了我们的算法的性能。
2022-10-12 cs.AI cs.DS cs.LG
Efficient Estimation of Average Treatment Effect on the Treated under Endogenous Treatment Assignment
US Food & Drug Administration(美国食品药品监督管理局);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of Michigan(密歇根大学)
本文研究了在内生治疗分配下平均治疗效应的高效估计问题,通过引入无关治疗分配但与目标结果相关的影子变量,建立ATT的可识别性,并提出达到信息下限的估计方法。
2026-04-19 stat.ME
Sinkhorn Treatment Effects: A Causal Optimal Transport Measure
Department of Statistics, University of Washington, Seattle, WA, USA(华盛顿大学统计学系);Department of Health Care Policy, Harvard Medical School, Boston, MA, USA(哈佛医学院医疗政策系)
本文提出Sinkhorn治疗效应,作为因果分布差异的熵最优传输度量,通过核方法构建去偏估计器,并提出聚合检验方法以提高测试效力。
2026-05-08 cs.LG math.ST stat.ME
The potential for bias in principal causal effect estimation when treatment received depends on a key covariate
受潜在结局观点的启发,主要分层的想法因其在易受治疗后选择偏倚影响的环境中的相关性而得到广泛认可,例如随机临床试验,其中接受的治疗可能与分配的治疗不同。在这样的设置,我们解决微妙的因果关系的影响时,使用一个关键的协变量来预测成员在潜在的主要阶层的推断。我们发现,当接受的治疗可以不同于两个研究组中分配的治疗时,纳入分层预测协变量可以从具有不同协变量分布的两个治疗组中的观察结果中估计“符合者平均因果效应”(CACE)。采用贝叶斯的观点,并使用马尔可夫链蒙特卡罗计算,我们开发后验检查,其特征在于将预处理协变量的程度危及估计的CACE。我们应用该方法分析了一项临床试验,比较了两种治疗颌骨骨折的方法,其中研究方案允许外科医生根据他们的临床判断否决两种可能的随机治疗分配,并且数据包含一个关键协变量(损伤严重程度)预测接受的治疗。
2011-11-07 stat.AP
Estimation of heterogeneous individual treatment effects with endogenous treatments
本文在一个具有二值内生处理的三角模型中估计了个体处理效应。根据Vuong和Xu(2014)建立的识别策略,我们提出了一种两阶段估计方法。首先,我们估计反事实的结果,从而估计样本中每个观察单位的个体处理效应(ITE)。其次,我们估计了群体中个体处理效应的密度。我们的估计方法不受不适定的反问题与反相非线性功能。所提出的方法的渐近性质的建立。我们在蒙特卡罗实验中研究了它的有限样本性质。我们还说明了我们的方法与实证应用程序评估401(k)退休计划对个人储蓄的影响。我们的研究结果表明,有一个小的,但统计上显着比例的个人经历的负面影响,虽然大多数ITE是积极的。
2016-10-27 stat.ME
Staged Event Trees for Transparent Treatment Effect Estimation
University of Valencia(瓦伦西亚大学);IE University(IE大学)
本文提出在分段事件树框架内刻画并实现经典因果推断估计量,以可解释、可视化的方式利用观测数据估计处理效应,并检验正定性等假设。
2025-09-30 stat.ME stat.ML
Adversarially Balanced Representation for Continuous Treatment Effect Estimation
Simon Fraser University(西蒙菲莎大学)
针对连续治疗场景下的个体治疗效果估计问题,提出对抗反事实回归网络ACFR,通过对抗优化KL散度平衡表示、结合注意力机制保留治疗影响,理论与半合成实验均验证了其优越性。
2023-12-17 cs.LG stat.ME
The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation
针对未观测混杂下的多治疗多结果因果效应估计,提出利用其他治疗和结果作为代理进行因果识别,并开发因果发现方法,在合成数据和脓毒症数据上验证有效性。
2023-10-14 stat.ME stat.ML
Selection on treatment in the target population of generalizabillity and transportability analyses
研究者越来越多地使用新的方法将因果推断从试验扩展(推广或转移)到目标人群。在许多可推广性和可移植性分析中,按照非嵌套试验设计,对来自目标人群的试验和观察数据进行单独采样。在该设计的实际实施中,目标人群中的非随机化个体通常通过使用特定治疗来识别,而使用其他候选治疗用于相同适应症的个体或未使用任何治疗的个体被排除在外。在本文中,我们认为,在目标人群中的治疗条件的变化的估计量的推广和可移植性分析,并可能引入严重的偏见,在目标人群或目标人群的子集使用特定的治疗的因果估计。此外,我们认为,天真的应用边际化或加权为基础的标准化方法不会产生任何合理的因果估计。我们使用因果图和反事实的参数来描述识别问题引起的条件反射治疗的目标人群,并说明了使用模拟数据的问题。最后,我们考虑我们的研究结果的应用工作的影响。
2022-09-19 stat.ME
Improving Data-driven Heterogeneous Treatment Effect Estimation Under Structure Uncertainty
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
估计治疗如何影响个体,称为异质性治疗效果(HTE)估计,是决策和政策实施的重要组成部分。在许多领域(如医疗保健和电子商务)中积累了大量数据,这使得人们越来越有兴趣开发数据驱动的算法,用于从观察和实验数据中估计异质效应。然而,这些方法通常对观察到的特征做出强有力的假设,而忽略了潜在的因果模型结构,这可能导致有偏的HTE估计。与此同时,考虑真实世界数据的因果结构很少是微不足道的,因为产生数据的因果机制通常是未知的。为了解决这个问题,我们开发了一种特征选择方法,该方法考虑每个特征的HTE估计值,并从数据中学习因果结构的相关部分。我们提供了强有力的经验证据表明,我们的方法改进了现有的数据驱动的HTE估计方法下任意潜在的因果结构。我们在合成、半合成和真实世界数据集上的结果表明,我们的特征选择算法导致较低的HTE估计误差。
2022-06-25 cs.LG stat.ME
Bias Mitigation in Matched Observational Studies with Continuous Treatments: Calipered Non-Bipartite Matching and Bias-Corrected Estimation and Inference
针对连续处理匹配观察性研究中因不精确匹配导致的严重因果推断偏差问题,提出结合协变量与处理剂量信息的卡尺非二分匹配框架及偏差校正估计推断方法,通过COVID-19研究验证其有效性并开发开源R包。
2025-02-12 stat.AP stat.ME
Targeted Estimation of Heterogeneous Treatment Effect in Observational Survival Analysis
使用电子健康记录库进行临床有效性研究的目的是确定哪些健康干预措施在现实世界中“效果最好”。由于干预的净获益可能因患者而异的原因有多种,目前的比较有效性文献侧重于研究异质性处理效应并预测个体是否可能从干预中获益。大多数文献集中在估计治疗对二元结局的影响。然而,许多医疗干预措施是根据其对未来事件的影响进行评估的,这些事件可能会失去随访。在这项研究中,我们描述了一个框架,估计异质性处理效应的差异,在时间到事件(生存)的概率。我们将问题分为三个阶段:(1)估计处理效应的条件下的协变量向量的唯一集;(2)识别的功能,重要的异质性使用的合奏非参数变量的重要性方法;和(3)估计处理效应的参考类定义的先前选定的功能,使用一步有针对性的极大似然估计。我们进行了一系列的模拟研究,发现当样本量或事件率足够高,且影响效应异质性的协变量数量适中时,该方法表现良好。使用英国临床实践研究数据链的数据,通过估计口服抗凝剂对新诊断的非瓣膜性房颤患者的影响,将该方法应用于临床病例研究。
2019-10-22 q-bio.QM stat.ME stat.ML
Heterogeneous Treatment Effect Estimation through Deep Learning
异质处理效应的估计是因果推断的一个重要内容,有着广泛的应用前景。近年来,它也引起了机器学习社区越来越多的关注。在这项工作中,我们重新解释了异质处理效应估计,并提出了从神经网络借用力量的方法。我们分析了将神经网络集成到异构处理效应估计中的优点和缺点,并阐明了设计特定网络时需要考虑的方面。我们根据我们的指导方针提出了一个具体的网络。在模拟中,我们表明,当数据结构复杂时,我们的网络表现得更好,并且在其他方法可以被证明是最佳的情况下达到平局。
2018-10-25 stat.ME
Assessment of Heterogeneous Treatment Effect Estimation Accuracy via Matching
我们研究了异质性处理效应(HTE)估计的准确性评估,其中HTE不可直接观察,因此预测误差的标准计算不适用。为了解决这个问题,我们提出了一种评估方法,通过构建伪观测的HTE匹配的基础上。我们的贡献是三方面的:第一,我们引入了一种新的匹配距离来自随机森林中的邻近分数;第二,我们制定的匹配问题作为一个平均的最小成本流问题,并提供了一个有效的算法;第三,我们提出了一个匹配,然后分裂原则的评估与交叉验证。我们证明了评估方法对合成数据和从真实数据集生成的数据的有效性。
2020-03-09 stat.AP stat.ME
Treatment Effects Estimation by Uniform Transformer
在观察性研究中,平衡不同治疗组的协变量对于估计处理效应至关重要。为此目的最常用的方法之一是加权。这类方法的性能通常取决于基础模型的强正则条件,这在实践中可能不成立。在本文中,我们从函数估计的角度研究加权方法,并认为协变量平衡所需的权重可能不同于低正则条件下处理效应估计所需的权重。受此观察的启发,我们引入了一个新的加权框架,直接针对处理效应估计。与现有方法不同,在此新框架下,处理效应的估计量是一个简单的基于核的$U$ -统计量,在对观察到的协变量进行数据驱动转换后。我们刻画了非参数环境下处理效应的新估计的理论性质,并表明它们能够在低正则条件下稳健地工作。新的框架也被应用到几个数值例子,以证明其实用价值。
2021-07-06 math.ST stat.ME stat.TH
Causal Effect Estimation for Multivariate Continuous Treatments
因果推断广泛应用于生物学、心理学和经济学等领域。在观察研究中,我们需要在估计因果效应之前对协变量进行平衡。本研究将一维熵平衡法扩展到多维,以平衡协变量。提出了估计多变量连续处理因果效应的参数和非参数方法,并给出了这两种估计的理论性质。仿真结果表明,该方法在各种情况下都优于其他方法。最后,我们应用该方法分析了吸烟时间和频率对医疗费用的影响。研究结果表明,吸烟频率会显著增加医疗费用,而吸烟时间不会显著增加医疗费用。
2022-05-18 stat.AP stat.ME
Differentially Private Average Treatment Effect Estimation by Propensity Score Blocking
Reed College(里德学院)
针对观察性研究中的隐私保护ATE估计问题,本文提出两种基于倾向得分的差分隐私算法(改进IPW和BPS),显著降低了误差与偏差,其中BPS算法误差降低75%以上。
2026-09-10 cs.CR cs.LG stat.ME
Adaptive Hyper-box Matching for Interpretable Individualized Treatment Effect Estimation
Duke University(杜克大学)
我们提出了一种匹配方法的观测数据,匹配单位与其他单位特定的,超盒形区域的协变量空间。这些区域足够大,使得为每个单元创建许多匹配,并且足够小,使得处理效应在整个过程中大致恒定。该区域被发现作为混合整数规划的解决方案,或使用(快速)近似算法。结果是对每个单元的因果效应的可解释和定制的估计。
2020-08-08 cs.LG stat.ME
Randomization-based Z-estimation for evaluating average and individual treatment effects
本文在基于随机化的推断框架下系统研究了处理效应的模型分析,推导了Z估计渐近理论,并提出了针对平均和个体处理效应的稳健估计方法。
2024-11-18 math.ST stat.ME stat.TH
Ablation Studies for Novel Treatment Effect Estimation Models
本文对BCF模型开展消融研究,发现去除用于缓解RIC的估计倾向得分不影响处理效应估计与不确定性量化,且计算时间减少约21%。
2024-10-24 stat.ME stat.ML