How to Make Causal Inferences Using Texts
Princeton University（普林斯顿大学）；Stanford University（斯坦福大学）；University of Chicago（芝加哥大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）
新的文本作为数据技术提供了一个很大的承诺：归纳发现措施，是有用的测试感兴趣的社会科学理论从大量的文本集合的能力。我们介绍了一个概念框架，使因果推断与发现的措施作为一种治疗或结果。我们的框架使研究人员能够发现高维文本干预，并估计观察到的治疗影响基于文本的结果的方式。我们认为，几乎所有基于文本的因果推断依赖于文本的潜在表征，我们提供了一个框架来学习的潜在表征。但是，我们发现，估计这种潜在的代表性会产生新的风险：我们可能会引入识别问题或过拟合。为了解决这些风险，我们描述了一个分裂样本的框架，并将其应用于估计因果关系的影响，从实验移民的态度和官僚的反应研究。我们的工作为基于文本的因果推断提供了严格的基础。
2018-02-06 cs.CL stat.ME stat.ML
Efficiently transporting causal (in)direct effects to new populations under intermediate confounding and with multiple mediators
同样的干预措施在不同的地点会产生不同的效果。运输中介估计可以估计在何种程度上可以解释这种差异的组成因素和机制的差异，其中调解或中间变量的产生，但是，他们仅限于考虑一个单一的，二元调解人。我们提出了新的非参数估计运输随机（中）直接影响，考虑多个，高维介质和中间变量。它们是多重鲁棒的，有效的，渐近正态的，并可以将数据自适应估计的滋扰参数。它们可用于了解各研究中心之间处理效应的差异和/或基于源研究中心的结局数据预测靶部位的处理效应。
2020-06-13 stat.ME
Heterogeneity-Aware Federated Causal Inference Leveraging Effect-Measure Transportability
North Carolina State University（北卡罗来纳州立大学）
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
A primer on optimal transport for causal inference with observational data
Emory University（埃默里大学）
本综述介绍最优运输与观察性数据因果效应识别的深层联系，指出因果推断基础模型隐含依赖最优运输原理，旨在统一多领域语言符号并探索两领域未来研究方向。
2026-08-10 cs.AI econ.EM stat.ME
Graph Causal Optimal Transport and Wasserstein Distances
Mathematical Institute, University of Oxford（牛津大学数学研究所）
该研究刻画了图因果最优运输相关的有向无环图性质，推导了动态规划原理，建立了图因果Wasserstein距离与适配Wasserstein距离的相等条件，并得到随机团队问题中值函数的Lipschitz连续性。
2026-08-17 math.OC math.PR math.ST
A Unified Framework for the Transportability of Population-Level Causal Measures
针对现有因果效应迁移方法多聚焦风险差、忽略临床常用多类因果度量的问题，提出协变量偏移下一阶矩群体因果效应度量迁移的统一框架，推导相关估计量并验证了不同度量的方法特异性。
2025-05-19 stat.ME
Stable Causal Estimation with Optimal Transport
Department of Statistics, University of Michigan（密歇根大学统计系）
针对观察性研究中重叠不足导致的估计量不稳定问题，提出基于最优传输的稳定传输估计量STE，其无需密度估计或倾向得分建模，在合成与真实数据集上表现出更优性能。
2026-10-16 stat.ME
Causal inference in transportation safety studies: Comparison of potential outcomes and causal diagrams
激发运输安全研究的研究问题本质上是因果关系。安全性研究人员通常使用观察数据来回答这些问题，但通常没有适当的因果推断方法。因果推断领域提出了几种用于探测经验数据以评估因果关系的建模框架。本文重点探讨两个这样的建模框架-因果图和潜在的结果-一个特定的运输安全问题的适用性。估计了路面标线回射性对路段安全性的因果影响。更具体地说，基于这些框架在真实数据集上的三种不同实现的结果进行了比较：具有回归调整的逆倾向得分加权和具有回归调整的倾向得分匹配与因果贝叶斯网络。增加路面标线的后向反射率通常会降低夜间目标碰撞的概率。然而，我们发现估计的因果效应的大小对所使用的方法和违反的假设是敏感的。
2011-07-25 stat.AP
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
Causal Partial Identification via Conditional Optimal Transport
Stanford University（斯坦福大学）；University of Southern California（南加州大学）
本文提出了一种基于条件最优传输的直接非参数估计方法，用于单个单位的因果部分识别，通过更强拓扑下的连续性证明，提高了估计的一致性和有效性。
2026-02-12 stat.ME
Adapting Text Embeddings for Causal Inference
Columbia University（哥伦比亚大学）
在论文中增加一个定理会影响它被接受的机会吗？用作者的性别标记帖子会影响帖子的受欢迎程度吗？本文开发了一种方法来估计这样的因果关系的观察文本数据，调整的文本，如主题或写作质量的混淆功能。我们假设，文本足以进行因果调整，但在实践中，它是令人望而却步的高维。为了解决这一挑战，我们开发了因果充分的嵌入，低维的文档表示，保留足够的信息，因果识别，并允许有效的估计因果关系的影响。因果充分嵌入结合了两个概念。第一种是监督降维：因果调整只需要预测治疗和结果的文本方面。第二个是有效的语言建模：文本的表示被设计为处理语言上不相关的信息，并且这些信息也是因果上不相关的。我们的方法适应语言模型（特别是词嵌入和主题模型）来学习能够预测治疗和结果的文档嵌入。我们研究了因果充分嵌入与半合成数据集，并发现它们改善了相关嵌入方法的因果估计。我们通过回答两个激励问题来说明方法--定理对论文接受度的影响和性别标签对帖子流行度的影响。代码和数据可在https：//github.com/vveitch/cause-text-embeddings-tf2}{github.com/vveitch/cause-text-embeddings-tf2
2020-07-25 cs.CL cs.LG stat.ML
Efficient and robust methods for causally interpretable meta-analysis: transporting inferences from multiple randomized trials to a target population
我们提出了因果关系可解释的荟萃分析方法，结合多个随机试验的信息，以估计潜在的（反事实）结果的手段和目标人群的平均处理效应。我们认为可识别性条件，推导出的条件的影响，观察到的数据的法律，并获得识别结果运输因果推断从一组独立的随机试验，一个新的目标人群中，实验数据可能无法使用。我们提出了一个估计的潜在（反事实）的结果平均在目标人群下的每一个治疗研究的试验。估计量使用来自试验集合的协变量、治疗和结果数据，但仅使用来自目标人群样本的协变量数据。我们表明，它是双重强大的，在这个意义上说，它是一致的，渐近正常时，它依赖的模型中的至少一个是正确指定的。我们在模拟研究中研究了估计量的有限样本性质，并使用多中心随机试验的数据演示了其实现。
2022-02-05 stat.AP stat.ME
Sequential Transport for Causal Mediation Analysis
Université du Québec à Montréal (UQAM)（魁北克大学蒙特利尔分校）；Ukrainian Catholic University（乌克兰天主教大学）；Kyoto University（京都大学）；Aix Marseille Université, CNRS, AMSE（阿维尼翁-马赛大学，法国国家科学研究中心，AMSE）；CNRS - Université de Montréal CRM – CNRS（法国国家科学研究中心 - 蒙特利尔大学 CRM – 法国国家科学研究中心）
本文提出序列运输框架，结合最优运输与中介有向无环图，构建单位层面的中介反事实，通过最小运输实现中介分布的归一化，适用于数值和分类中介变量，证明了方法的一致性及因果解释能力。
2026-03-22 cs.LG stat.ME
Some Reflections on Drawing Causal Inference using Textual Data: Parallels Between Human Subjects and Organized Texts
University of Pennsylvania（宾夕法尼亚大学）
我们研究的作用，文本数据作为研究单位进行因果推理时，绘制人类受试者和有组织的文本之间的相似之处。%的人口研究。我们详细阐述了关键的因果概念和原则，并揭示了一些模糊性，有时甚至是谬误。为了便于更好地构建因果查询，我们讨论了两种策略：（i）从不变的特征转移到对它们的感知，以及（ii）从一些抽象概念/属性转移到其组成部分，即，从建构主义的角度看待抽象概念。我们希望这篇文章能提高人们对阐明和澄清基本概念的重要性的认识，然后再深入研究使用文本数据进行因果推理时的方法。
2022-02-02 cs.CL cs.LG stat.AP
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
Generalizing and transporting causal inferences from randomized trials in the presence of trial engagement effects
本文在存在试验参与效应时，提出新的因果估计量，证明在无交互作用假设下，可结合试验与目标人群数据识别常规护理下的平均治疗效果，并为现有估计器提供新解释。
2024-07-19 math.ST stat.ME stat.TH
A Framework for Generalization and Transportation of Causal Estimates Under Covariate Shift
随机实验是一个很好的工具，估计内部有效的因果关系与手头的样本，但其外部有效性经常受到争议。虽然关于群体平均处理效应（PATE）估计的经典结果隐含地假设随机选择进入实验，但在许多医学、社会科学和工业实验中，这通常远非如此。当实验样本与目标样本在可观察或不可观察的维度上不同时，实验估计对政策决策的用途可能有限。我们首先将使用样本平均处理效应（SATE）估计目标平均处理效应（TATE）的外推偏倚分解为协变量偏移、重叠和效应修正分量，研究人员可以对此进行推理，以诊断外推偏倚的严重程度。接下来，我们将协变量转移作为样本选择问题，并提出估计器，重新加权实验对象的双重稳健分数，以估计整体样本（=：泛化）或替代目标样本（=：运输）中的处理效应。我们实现这些估计在开源的R包catheter TransportR，并说明其性能在模拟研究和讨论诊断，以评估其性能。
2023-01-12 econ.EM stat.ME
Causal Analysis at Extreme Quantiles with Application to London Traffic Flow Data
提出一种结合重尾特征估计极端尾部处理效应的新方法，应用于伦敦交通数据，发现Cycle Superhighways运营后极端交通流量显著增加。
2023-08-07 stat.ME
Matching for causal effects via multimarginal unbalanced optimal transport
协变量匹配是一个公认的框架，用于估计观察性研究中的因果效应。主要的挑战来自于问题的高维结构。已经引入了许多方法来解决这个问题，在计算和统计性能以及可解释性方面具有不同的优点和缺点。本文介绍了一种基于多边缘不平衡最优运输的自然最优匹配方法，该方法在这方面具有许多有用的性质。它根据匹配个体的距离提供可解释的权重，可以通过迭代比例拟合程序有效地实现，并且可以同时匹配多个治疗组。重要的是，所提出的方法只选择好的匹配从任何一组，因此是竞争力与经典的k-最近邻方法在有限样本的偏差和方差。此外，我们证明了一个中心极限定理的经验过程的最优耦合的潜在功能的不平衡的最优运输问题的固定罚款条款。这意味着一个参数的收敛速度的经验获得的权重的最佳权重在人口的固定惩罚期限。
2022-07-09 econ.EM stat.ME stat.ML
Optimal transport weights for causal inference
Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；David Geffen School of Medicine at UCLA（加州大学洛杉矶分校大卫·格芬医学院）
协变量分布的不平衡导致因果效应的有偏估计。加权方法试图纠正这种不平衡，但依赖于治疗分配机制的指定模型，这在观察性研究中是未知的。这使得研究人员在不知道正确组合以实现分布平衡的情况下为这些模型选择适当的加权方法和适当的协变量函数。为了应对这些困难，我们提出了一个非参数的推广其他几个加权方案中发现的文献：因果最优运输。这种新方法通过最大限度地减少治疗组和对照组之间的最佳运输距离，或更一般地说，任何来源和目标人群之间的最佳运输距离，直接针对分布平衡。我们的方法是半参数化的有效和无模型，但也可以将时刻或任何其他重要的功能的协变量，研究人员希望平衡。此外，我们的方法可以提供非参数估计的条件平均结果函数，我们给出了速度的收敛。此外，我们展示了这种方法如何提供缺失的潜在结果的非参数插补，并给出了这种估计的收敛速度。我们发现，因果最优运输优于竞争对手的方法时，倾向得分和结果模型是错误的，这表明它是一个强大的替代常见的加权方法。最后，我们证明了我们的方法在外部对照试验中的效用，检查米索前列醇与催产素治疗产后出血的效果。
2022-05-12 cs.LG econ.EM stat.ME
Causal Inference on Outcomes Learned from Text
Graduate School of Business, Stanford University（斯坦福大学商学院）；Stanford University（斯坦福大学）
提出一种基于机器学习的工具，利用LLMs在随机试验中对文本进行因果推断，通过样本拆分和人工标注验证，揭示文本处理效应并确保推断有效性。
2025-03-02 cs.CL cs.LG econ.EM
A Causal Lens for Controllable Text Generation
UC San Diego（加州大学圣迭戈分校）；AWS AI, Amazon（亚马逊云科技人工智能）
可控文本生成涉及广泛应用的两个基本任务，即生成给定属性的文本（即，属性条件生成），以及最低限度地编辑现有文本以拥有期望的属性（即，文本属性转移）。大量的先前工作在很大程度上分别研究了这两个问题，并开发了不同的条件模型，然而，这些模型容易产生有偏见的文本（例如，各种性别陈规定型观念）。本文提出了制定可控的文本生成从原则的因果关系的角度来看，模型的两个任务与一个统一的框架。因果公式的一个直接优势是使用丰富的因果关系工具来减轻世代偏差并改善控制。我们把这两个任务的干预和反事实的因果推理的基础上的结构因果模型，分别。然后，我们将该框架应用到具有挑战性的实际环境中，其中混淆因素（引起虚假相关性）仅在一小部分数据上可观察到。实验表明，因果关系的方法比以前的条件模型，提高控制精度和减少偏见显着的优越性。
2022-01-22 cs.AI cs.CL cs.LG
Surrogate Outcomes and Transportability
University of Jyvaskyla（于韦斯屈莱大学）
因果效应的识别是因果推理最基本的任务之一。我们考虑一个可识别性问题，其中一些实验和观测数据是可用的，但没有数据本身是足够的识别感兴趣的因果效应。代替感兴趣的结果，在实验中测量替代结果。这个问题是一个推广的可识别性使用替代实验，我们称之为替代结果可识别性。我们表明，可移植性的概念提供了一个足够的标准，确定代理结果可识别的一大类查询。
2019-03-12 cs.AI stat.ME
Text Rationalization for Robust Causal Effect Estimation
Department of Statistics, University of California, Irvine（加州大学 Irvine 分校统计学系）
CATR通过选择必要的令牌子集来缓解观测层面的正则性违反，提高因果效应估计的准确性与稳定性。
2025-12-05 cs.AI cs.CL cs.LG
What is a good matching of probability measures? A counterfactual lens on transport maps
Institut Elie Cartan de Lorraine, Université de Lorraine（伊莱·卡坦研究所（洛林）、洛林大学）；Université Paris-Saclay, CNRS, Inria, Laboratoire de mathématiques d’Orsay（巴黎-萨克雷大学、国家科学研究中心、法国国家信息与自动化技术研究院、奥赛数学实验室）
本文比较循环单调、保分位数和三角单调三类传输映射的等价条件，并将反事实推理形式化为边缘分布间传输映射的选择，从而建立统计传输与因果推断的理论联系。
2025-09-19 cs.LG math.ST stat.ME
Causal inference under transportability assumptions for conditional relative effect measures
本文研究在条件相对效应度量可迁移性假设下，识别和估计目标人群的边际反事实均值差与比值，提出多重稳健且非参数有效的估计量，并通过模拟和帕利哌酮试验数据验证其有效性。
2024-07-17 math.ST stat.ME stat.TH
The Confounder Trap: Treatment-Encoding Representations in Causal Inference with Text
Duke University（杜克大学）
本文针对文本因果推断中因处理状态由文本编码引发的混淆陷阱，提出掩码调整表征方法，经模拟验证可改善重叠诊断、稳定因果效应估计并降低偏差。
2026-07-30 cs.CL stat.AP stat.ME
Towards a Transportable Causal Network Model Based on Observational Healthcare Data
University of Milano - Bicocca（米兰比可卡大学）；Fondazione IRCCS Istituto Nazionale dei Tumori（意大利国家肿瘤研究所（IRCCS基金会））；F. Hoffmann - La Roche Ltd（罗氏公司）；University of Twente（特文特大学）；Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达勒·莫勒人工智能研究所（IDSIA））
提出结合选择图、缺失图、因果发现与先验知识的新方法构建因果网络模型，解决观察性医疗数据偏差问题，实现可迁移性，在年轻乳腺癌女性心血管风险评估上优于竞争机器学习方法。
2023-11-20 cs.AI cs.LG stat.ME
On Transportability for Structural Causal Bandits
Graduate School of Data Science（数据科学研究生院）；Seoul National University（首尔国立大学）
本文提出了一种结构因果投递框架，通过融合源环境的先验信息来增强部署学习，实现了亚线性遗憾界并可能优于传统方法。
2025-11-22 cs.LG stat.ML
Transportability of aggregate trial results to an external environment in causally interpretable meta-analysis
EPIDERME, INSERM U955, Institute Mondor of Biomedical Research, University Paris Est Créteil（EPIDERME，INSERM U955，蒙多尔生物医学研究所，巴黎东克雷泰伊大学）
本文提出了一种新的方法，通过将试验成员资格建模为基线协变量的函数，将汇总数据纳入因果可解释荟萃分析，以克服汇总结果模型的局限性。
2026-02-17 stat.ME
A Design-based Solution for Causal Inference with Text: Can a Language Model Be Too Large?
Duke University（杜克大学）；Netflix
针对文本因果推断中的潜在混杂和重叠偏差，提出一种新的实验设计，并实证发现LLM方法不如词袋模型，同时揭示了政治传播中谦逊表达的因果说服效应。
2025-10-09 cs.CL cs.LG stat.AP
Connections as treatment: causal inference with edge interventions in networks
Sun Yat-sen University（中山大学）；Xiamen University（厦门大学）
本文提出了一种网络边干预的因果推断框架，通过指数随机图模型估计边概率，用于分析交通网络中铁路连接对区域经济的影响。
2026-01-12 stat.AP stat.ME
An Optimal Transport Approach to Estimating Causal Effects via Nonlinear Difference-in-Differences
本研究提出一种基于最优输运的非线性双重差分方法，可估计多变量反事实分布，推广了现有因果推断方法，经合成与真实数据验证，能更细致揭示最低工资上调对快餐店用工结构的影响。
2024-03-08 econ.EM math.ST stat.ME
Sensitivity analysis for transportability in multi-study, multi-outcome settings
现有的工作，在数据融合包括识别因果被估量时，从异构源的数据集成。这些结果通常需要额外的假设来进行有效的估计和推断。然而，很少有文献在多结局环境中运输和概括因果效应，其中主要结局在研究水平上系统缺失，但其他结局变量可作为代理。我们回顾了正在进行的工作中开发的识别结果，利用这些代理的信息，以获得更有效的估计和相应的关键识别假设。然后，我们介绍的方法来评估这种方法的识别假设的敏感性。
2023-01-07 stat.ME
Causal Inference under Interference with Learned Exposure Mappings
Yale University（耶鲁大学）；Yale School of Public Health（耶鲁公共卫生学院）
该研究针对环境场景中需从污染数据学习暴露映射的因果推断问题，对比PDE、PINO等传输模型，发现预测精度相近的模型溢出估计差异大，仅预测一致无法保证可靠因果推断。
2026-08-21 cs.AI cs.CY cs.LG
$\texttt{causalAssembly}$: Generating Realistic Production Data for Benchmarking Causal Discovery
Technical University of Munich（慕尼黑工业大学）；Robert Bosch GmbH（罗伯特·博世有限公司）；University of Applied Sciences Kempten（肯普滕应用科学大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本文提出Python库$\ exttt{causalAssembly}$，基于装配线真实数据与物理因果关系，利用分布随机森林生成半合成数据，以支持因果发现算法的基准测试。
2024-02-14 cs.LG stat.ME stat.ML
A General Algorithm for Deciding Transportability of Experimental Results
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
在大多数科学探索中，将经验发现推广到新的环境、设置或人群是必不可少的。本文将讨论一个特殊的问题的普遍性，称为“可移植性”，定义为一个许可证，以转移实验研究中学到的信息到一个不同的人群，只有观察性研究可以进行。考虑到两个种群之间的共性和差异，Pearl和Bareinboim（2011）得出了允许这种转移发生的充分条件。本文总结了他们的研究结果，并补充了一个有效的程序，以决定何时以及如何运输是可行的。它建立了一个必要和充分的条件，以决定何时因果效应在目标人口估计从现有的统计信息和因果信息从实验转移。本文进一步提供了一个完整的算法来计算传输公式，即一种结合观测和实验信息来合成期望因果关系的无偏估计的方法。最后，本文考察了可移植性和可概括性的其他变体之间的差异。
2013-12-29 cs.AI stat.ME stat.ML
Causal discovery under a confounder blanket
University College London（伦敦大学学院）
从观测数据中推断因果关系很少是直截了当的，但在高维中这个问题尤其困难。对于这些应用，因果发现算法通常需要参数限制或极端稀疏约束。我们放松这些假设，并专注于一个重要的，但更专业的问题，即恢复的因果顺序之间的子图的变量已知下降从一些（可能是大）的一组混杂协变量，即$\textit{confounder blanket}$。这在许多情况下是有用的，例如当研究具有提供背景信息的遗传数据的动态生物分子子系统时。根据一个结构性的假设称为$\textit{confounder blanket principle}$，我们认为这是必不可少的易于处理的因果发现在高维，我们的方法可容纳低或高稀疏性的图形，同时保持多项式时间复杂度。我们提出了一个结构学习算法，这是可证明的声音和完整的一个所谓的$\textit{lazy oracle}$。我们设计了线性和非线性系统的有限样本误差控制的推理程序，并在一系列模拟和真实世界的数据集上展示了我们的方法。附带的$\texttt{R}$包$\texttt{cbl}$可从$\texttt{CRAN}$获得。
2022-06-28 cs.AI stat.ME stat.ML
Curb Your Attention: Causal Attention Gating for Robust Trajectory Prediction in Autonomous Driving
University of Alberta（阿尔伯塔大学）；Noah’s Ark Laboratory, Huawei Technologies Canada（华为加拿大诺亚实验室）；Cornell University（康奈尔大学）
本文提出CRiTIC模型，通过因果发现网络识别agent间因果关系，并引入因果注意力门控机制提升轨迹预测的鲁棒性和泛化能力，实验表明模型在对抗非因果扰动时鲁棒性提升54%。
2025-03-06 cs.LG cs.RO stat.ME
A Review of Generalizability and Transportability
在评估因果效应时，确定结果旨在推广的目标人群是一个关键的决定。随机和观察性研究在估计目标人群中的因果效应方面各有优势和局限性。来自随机数据的估计值可能具有内部效度，但通常不能代表目标人群。观察性数据可能更好地反映目标人群，因此更有可能具有外部效度，但由于未测量的混杂因素，可能存在潜在偏倚。虽然大部分的因果推断文献都集中在解决内部效度偏差，内部和外部效度是必要的无偏估计在目标人群。本文提出了一个解决外部效度偏倚的框架，包括概括性和可移植性方法的综合，它们需要的假设，以及处理效应的异质性和研究与目标人群之间的差异的测试。
2021-02-23 stat.AP stat.ME stat.ML
Bayesian Topic Regression for Causal Inference
University of Oxford（牛津大学）；Amazon（亚马逊）
利用观察性文本数据进行因果推断在许多研究领域正变得越来越流行。本文提出了贝叶斯主题回归（BTR）模型，使用文本和数值信息来建模的结果变量。它允许估计离散和连续处理效应。此外，它允许在文本数据旁边包含额外的数字混淆因素。为此，我们将监督贝叶斯主题模型与贝叶斯回归框架相结合，并结合回归参数训练对文本特征进行监督表示学习，尊重Frisch-Waugh-Lovell定理。我们的论文有两个主要贡献。首先，我们提供了一个回归框架，允许因果推断的设置时，文本和数值的混淆是相关的。我们用合成和半合成数据集表明，当文本和数字特征相关时，我们的联合方法比任何基准模型都能以更低的偏差恢复地面实况。其次，在两个真实世界数据集上的实验表明，与分别估计文本和非文本特征的回归权重的策略相比，联合和监督学习策略也可以产生更好的预测结果，甚至可以与更复杂的深度神经网络竞争。
2021-09-11 cs.CL cs.LG stat.ML
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
Causal Inference with Generative Artificial Intelligence: Application to Texts as Treatments
Harvard University（哈佛大学）；John F. Kennedy School of Government（约翰·F·肯尼迪政府学院）
提出利用生成式AI（如大语言模型）生成处理变量并利用其内部表示进行因果效应估计，避免从数据中学习因果表示，提高估计准确性和效率。
2026-06-12 cs.CL cs.LG stat.AP
Causal Estimation for Text Data with (Apparent) Overlap Violations
The University of Chicago（芝加哥大学）；Google Research（谷歌研究院）
考虑一下估计文本文档的某些属性的因果效应的问题;例如：写一封礼貌的电子邮件与写一封粗鲁的电子邮件对响应时间有什么影响？为了从观察数据中估计因果关系，我们需要调整影响治疗和结果的文本混淆方面-例如，文章的主题或写作水平。这些混淆的方面是先验未知的，因此对整个文本进行调整似乎是很自然的（例如，使用Transformer）。然而，因果识别和估计程序依赖于重叠的假设：对于所有水平的调整变量，存在随机性剩余，因此每个单元都可以（不）接受治疗。由于这里的处理本身就是文本的一个属性，它是完全确定的，显然违反了重叠。本文的目的是展示如何处理因果识别，并获得强大的因果估计存在明显的重叠违规。简而言之，我们的想法是使用监督表示学习来产生一种数据表示，该数据表示保留了混淆信息，同时消除了仅预测治疗的信息。这样，这种表示就足以进行平差，并且可以满足重叠。适应非参数估计的结果，我们发现，这个过程是强大的条件结果误估计，在弱条件下产生有效的不确定性量化的低偏差估计。实证结果表明，相对于自然基线的偏差和不确定性量化有很大的改善。
2023-02-07 cs.LG stat.ML
Analysing the causal effect of London cycle superhighways on traffic congestion
运输运营商有一系列干预方案可供选择，以改善或加强其网络。这种干预往往是在没有可靠证据证明其结果的情况下进行的。自行车高速公路作为一种可持续和健康的出行方式得到推广，其目的之一是减少交通拥堵。由于这种干预在交通网络上的非随机分配，估计自行车高速公路对拥堵的影响是复杂的。在本文中，我们分析的因果关系的循环高速公路利用干预前和干预后的交通和道路特征的信息，以及社会经济因素。我们提出了一个基于倾向得分和结果回归模型的建模框架。该方法也被扩展到双鲁棒设置。仿真结果表明，该方法的性能优于现有的竞争对手。该方法被应用到分析一个真实的数据集上的伦敦交通网络。所提出的方法可以帮助有效的决策，以提高网络性能。
2021-02-23 stat.AP
gCastle: A Python Toolbox for Causal Discovery
Noah’s Ark Lab, Huawei Technologies（华为技术有限公司诺亚方舟实验室）；University of Toronto（多伦多大学）
$\texttt{gCastle}$是一个用于因果结构学习的端到端Python工具箱。它提供了从模拟器或真实世界数据集生成数据，从数据中学习因果结构，并评估学习的图形的功能，以及有用的实践，如先验知识插入，初步邻域选择和后处理以消除错误发现。与相关软件包相比，$\texttt{gCastle}$包括许多最近开发的基于梯度的因果发现方法，并具有可选的GPU加速。$\texttt{gCastle}$为直接使用代码进行实验的研究人员以及受图形用户干扰的从业人员带来了方便。目前的版本还提供了电信领域的三个真实世界数据集。$\texttt{gCastle}$可在\url{https://github.com/huawei-noah/trustworthyAI/tree/master/gcastle}的Apache许可证2.0下获得。
2021-11-30 cs.LG stat.ML
Text and Causal Inference: A Review of Using Text to Remove Confounding from Causal Estimates
计算社会科学的许多应用旨在从非实验数据中推断因果结论。这些观察数据通常包含混杂因素，即影响潜在原因和潜在影响的变量。未测量的或潜在的混杂因素可能会使因果估计产生偏差，这激发了人们对从观察到的文本中测量潜在混杂因素的兴趣。例如，一个人的整个社交媒体帖子历史或一篇新闻文章的内容可以提供多种混杂因素的丰富测量。然而，这个问题的方法和应用程序分散在不同的社区和评估实践是不一致的。这是第一次对这些例子进行收集和分类，并为数据处理和评价决策提供指导。尽管越来越多的关注调整混杂使用文本，仍然有许多开放的问题，我们在本文中强调。
2020-05-01 cs.CL
Learning Causal Bayesian Networks from Text
The University of Queensland（昆士兰大学）
因果关系构成了人工智能系统中推理和决策的基础。为了利用今天可用的大量文本数据，从文本中自动发现因果关系近年来已成为一个重大挑战。现有的方法在这一领域是有限的，以提取低层次的个别事件之间的关系。为了克服现有方法的局限性，在本文中，我们提出了一种方法自动推理的因果关系，从人类书面语言的概念层次。为此，我们利用从文本中创建的概念和语言变量的层次结构的特点，并表示提取的因果关系的形式的因果贝叶斯网络。我们的实验表明，我们的方法优于现有的方法在推断复杂的因果推理的文本。
2020-11-26 cs.CL
Generating Synthetic Text Data to Evaluate Causal Inference Methods
Johns Hopkins University（约翰斯·霍普金斯大学）
从观测数据中得出因果结论需要对真实的数据生成过程做出假设。因果推理研究通常考虑低维数据，例如结构化医疗记录中的分类或数值字段。高维和非结构化数据，如自然语言，使因果推理方法的评估复杂化;这种评估依赖于具有已知因果效应的合成数据集。用于自然语言生成的模型已经被广泛研究并且在经验上表现良好。然而，现有的方法不能立即适用于产生因果评估的合成数据集，因为它们不允许量化对文本本身的因果影响。在这项工作中，我们开发了一个框架，以适应现有的生成模型，以产生具有已知因果效应的合成文本数据集。我们使用这个框架进行实证比较最近提出的方法估计因果关系的文本数据。我们发布代码和合成数据集。
2021-02-10 cs.CL
iTAG: Inverse Design for Natural Text Generation with Accurate Causal Graph Annotations
School of Future Technology, South China University of Technology（华南理工大学未来技术学院）；China Mobile GBA Innovation Institute（中国移动粤港澳大湾区创新研究院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
iTAG通过逆向设计生成具有准确因果图标注的自然文本，提升生成文本的自然度与标注准确性，为因果发现算法提供实用的基准测试数据。
2026-04-08 cs.CL
Challenges of Using Text Classifiers for Causal Inference
Johns Hopkins University（约翰斯·霍普金斯大学）
因果理解对于许多类型的决策都是必不可少的，但是从观测数据中进行因果推理通常只应用于结构化的低维数据集。虽然文本分类器产生低维输出，但它们在因果推理中的使用以前没有被研究过。为了促进基于语言数据的因果分析，我们认为文本分类器可以发挥的作用，通过建立建模机制，从缺失的数据和测量误差的因果关系文献的因果推理。我们演示了如何使用文本分类器对模拟数据和Yelp数据进行因果分析，并讨论了在因果推理中使用文本数据的未来工作的机遇和挑战。
2018-10-01 cs.CL cs.LG
Once Upon A Time In Visualization: Understanding the Use of Textual Narratives for Causality
Virginia Tech（弗吉尼亚理工大学）；University of Maryland（马里兰大学）；Uncharted Software
因果关系可视化可以帮助人们理解事件的时间链，例如分布式系统中发送的消息，历史冲突中的因果关系，或者政治行为者之间随着时间的推移而发生的相互作用。然而，随着这些事件序列的规模和复杂性的增长，即使是这些可视化也会变得难以使用。在本文中，我们提出使用文本叙述作为数据驱动的讲故事方法来增强因果关系可视化。我们首先提出了一个设计空间，如何文本叙述可以用来描述因果数据。然后，我们展示了一项众包用户研究的结果，参与者被要求从两个因果关系可视化（因果图和Hasse图）中恢复因果关系信息，其中有和没有相关的文本叙述。最后，我们描述了因果关系可视化系统，了解具体的干预措施如何影响因果模型。该系统采用了自动文本叙事机制的基础上，我们的设计空间。我们通过与使用该系统了解复杂事件的专家进行访谈来验证CAUSEWORKS。
2020-09-06 cs.CL
CausalNLP: A Practical Toolkit for Causal Inference with Text
Institute for Defense Analyses (IDA)（美国国防分析研究所）
因果推断是估计治疗对结果的效果或影响的过程，其他协变量作为可能需要控制的潜在混杂因素（和介质）。用于因果推断的绝大多数现有方法和系统假设所考虑的所有变量都是分类的或数值的（例如，性别、价格、注册）。在本文中，我们介绍了Causal NLP，这是一个用于通过观察数据推断因果关系的工具包，除了传统的数值和分类变量外，还包括文本。Causal NLP使用Meta学习器进行治疗效果估计，并支持使用原始文本及其语言属性作为治疗，结果或“受控”变量（例如，混杂物）。该库是开源的，可在https://github.com/amaiya/causalnlp上获得。
2022-05-03 cs.CL cs.LG
Predicting Directionality in Causal Relations in Text
The George Washington University（乔治·华盛顿大学）
在这项工作中，我们测试了两个双向转换为基础的语言模型，BERT和斯潘BERT，预测文本内容中的因果对的方向性的性能。我们的初步研究结果表明，预测句子间的方向和隐含的因果关系是更具挑战性的。并且，Span BERT在跨度长度较长的因果样本上的性能优于BERT。我们还介绍了CREST，这是一个框架，用于统一收集分散的因果关系数据集。
2021-03-25 cs.AI cs.CL
