Likelihood-Free Overcomplete ICA and Applications in Causal Discovery
University of Sydney（悉尼大学）；University of Melbourne（墨尔本大学）；Carnegie Mellon University（卡内基梅隆大学）
因果发现在过去几十年中取得了重大进展。特别是，许多最近的因果发现方法利用独立的，非高斯噪声来实现因果模型的可识别性。隐藏的直接共同原因，或混杂因素的存在，通常会使因果发现更加困难，只要他们存在，相应的因果发现算法可以被看作是过完备独立成分分析（OICA）的扩展。然而，现有的OICA算法通常对独立分量的分布进行强参数假设，这可能会违反实际数据，导致次优甚至错误的解决方案。此外，现有的OICA算法依赖于期望最大化（EM）过程，需要计算昂贵的独立分量的后验分布的推断。为了解决这些问题，我们提出了一个似然自由过完备ICA算法（LFOICA），估计混合矩阵直接通过反向传播没有任何明确的假设上的独立分量的密度函数。由于其计算效率，所提出的方法使得一些因果发现程序更实际可行。为了说明的目的，我们证明了我们的方法在两个因果发现任务的合成和真实数据的计算效率和功效。
2019-09-05 cs.LG stat.ML
Limited-Information Maximum Likelihood based Model Selection Procedures for Binary Outcomes
不可测协变量是因果推断中的重要问题之一。即使存在一些不可测量的协变量，一些工具变量方法，如两阶段残差包含（2SRI）估计，或有限信息极大似然（LIML）估计，可以获得因果效应的无偏估计，尽管存在非线性结果，如二元结果，但它要求我们不仅指定正确的结果模型，而且还指定正确的治疗模型。因此，检测正确的模型是一个重要的过程。在本文中，我们提出了两个模型选择过程：AIC型和BIC型，并确认其性质。建议的模型选择程序是基于LIML估计。我们证明了所提出的BIC型模型选择过程具有模型选择一致性，并通过仿真数据验证了所提出的模型选择过程的性质.
2021-12-29 math.ST stat.ME stat.OT
Nonparametric efficient causal estimation of the intervention-specific expected number of recurrent events with continuous-time targeted maximum likelihood and highly adaptive lasso estimation
本文针对连续时间复发性事件数据，利用g-计算和乘积积分干预定义因果目标参数，并提出结合目标最大似然估计与高度自适应套索的双重稳健非参数推断方法。
2025-04-11 stat.ME
Sequentially learning the topological ordering of causal directed acyclic graphs with likelihood ratio scores
University of California, Los Angeles（加州大学洛杉矶分校）
因果发现，在数据挖掘场景中学习因果关系，作为识别“什么导致什么”的起点，一直具有强烈的科学和理论兴趣。取决于假设和适当的学习算法，有时可以识别和准确估计因果有向无环图（DAG），而不是给出因果方向模糊性的马尔可夫等价类图。本文的重点是在突出的可识别性和估计的DAG一般误差分布通过一般顺序排序程序，顺序变量一次一个，从根节点开始，其次是根节点的孩子，等等，直到完成。我们展示了一个新的应用程序，这种一般的方法来估计拓扑有序的DAG。在该过程的每个步骤中，仅对回归残差计算简单的似然比分数，以决定要附加到当前偏序的下一个节点。我们的算法在p-节点问题上的计算复杂度是O（pd），其中d是最大邻域大小。在温和的假设下，我们的程序的人口版本可证明确定一个真正的排序的基础DAG。我们提供了大量的数值证据来证明，这个顺序的过程规模可能数以千计的节点，并适用于高维数据。我们伴随着这些数值实验与应用程序的单细胞基因表达数据集。
2022-05-19 cs.LG stat.ME stat.ML
To Predict or to Reject: Causal Effect Estimation with Uncertainty on Networked Data
The University of Queensland（昆士兰大学）；Health and Wellbeing Queensland（昆士兰健康与福利局）；University of Electronic Science and Technology of China（电子科技大学）
针对网络化数据因果效应估计中违背positivity假设导致不可靠的问题，提出带Lipschitz约束的GraphDKL框架，利用高斯过程建模预测不确定性以识别不可靠估计，是首个解决图上该问题的框架。
2023-09-15 cs.AI cs.LG stat.ME
BayesIMP: Uncertainty Quantification for Causal Data Fusion
University of Oxford（牛津大学）；Microsoft Research Cambridge（微软研究院剑桥分院）
虽然因果模型正在成为机器学习的支柱之一，但因果推断中的不确定性量化问题仍然具有挑战性。在本文中，我们研究的因果数据融合问题，其中有关多个因果图的数据集相结合，以估计目标变量的平均处理效应。由于数据来自多个来源，并且可能在质量和数量上有所不同，因此原则性的不确定性量化变得至关重要。为此，我们引入了贝叶斯干预均值过程，这是一个框架，它结合了概率积分和核均值嵌入的思想来表示再生核希尔伯特空间中的干预分布，同时考虑到每个因果图中的不确定性。为了证明我们的不确定性估计的实用性，我们将我们的方法应用于因果贝叶斯优化任务，并显示了对最先进方法的改进。
2021-06-07 cs.LG stat.ML
Parameterizing and Simulating from Causal Models
本文提出“节俭参数化”方法，将因果效应置于模型中心，使用因果量构建非冗余参数化，支持离散和连续变量的模型构建、模拟与基于似然的拟合。
2023-10-23 math.ST stat.CO stat.ME
Pseudo-Empirical Likelihood Methods for Causal Inference
本文提出两种基于双样本伪经验似然的平均处理效应推断方法，分别利用倾向得分和结果回归模型，并建立PEL比统计量的理论性质及自助置信区间构造方法。
2024-01-12 stat.ME
Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood
本研究提出结合HMM与MTGCN的预测因果推断集成框架，非对称处理时空信息以拓展双稳健估计，经临床场景模拟验证，可适配生物医学数据时空复杂性、提升偏差校正与预测精度。
2025-10-30 cs.LG stat.ME stat.ML
Data-driven discovery of interpretable causal relations for deep learning material laws with uncertainty propagation
Johns Hopkins University（约翰斯·霍普金斯大学）；Columbia University（哥伦比亚大学）
本文提出了一个计算框架，产生合奏预测力学模型与不确定性量化（UQ）。首先，我们开发了一个因果发现算法，通过有向无环图（DAG）来推断在每个代表性体积元素（RVE）模拟过程中测量的时间历史数据之间的因果关系。利用从多个RVE模拟估计的多组合理的因果关系，预测在导出的因果图中传播，同时使用配备有dropout层的深度神经网络作为用于不确定性量化的贝叶斯近似。我们选择了两个有代表性的数值例子（摩擦界面的牵引分离定律，颗粒集合体的弹塑性模型）来检验所提出的因果发现方法在土木工程应用中常见的材料定律预测的准确性和鲁棒性。
2021-05-20 cs.LG stat.ML
A robust approach to quantifying uncertainty in matching problems of causal inference
在观测因果分析中，不确定性的未量化来源可能会破坏结果的完整性。人们永远不会希望另一位分析师使用相同的数据集重复计算，使用看似相同的程序，结果却得出不同的结论。然而，正如我们在这项工作中所展示的，有一个典型的不确定性来源，在观察因果研究中基本上从未考虑过：匹配组的匹配分配的选择，也就是说，在进行假设检验之前，哪个单元与哪个其他单元匹配。匹配分配的选择绝不是无害的，并且可以对因果结论产生令人惊讶的巨大影响。鉴于大量的因果推断研究是在治疗病例与类似的对照病例相匹配后，对处理效应的假设进行检验，我们应该找到一种方法来量化这种额外的不确定性来源对结果的影响。我们真正希望能够报告的是，进行匹配分配的\emph{no matter}，只要匹配足够好，那么假设检验结果仍然成立。在本文中，我们提供了基于离散优化的方法，以创建强大的测试，明确说明这种可能性。我们制定了强大的测试，二进制和连续数据的基础上，共同的检验统计量整数线性规划可解与常见的方法。我们研究了离散数据情形下检验统计量的有限样本行为。我们将我们的方法应用于模拟和真实世界的数据集，并表明它们可以在实际应用环境中产生有用的结果。
2022-08-11 stat.ME
Robust Weighted Triangulation of Causal Effects Under Model Uncertainty
Dept. of Mathematics and Statistics University of Massachusetts Amherst（数学与统计学系 马萨诸塞大学阿默斯特分校）
本文提出一种在模型不确定性下稳健的因果效应三角测量框架，结合因果发现与半参数理论方法，提供有效统计推断并展示其在模拟和实证中的应用。
2026-07-10 cs.AI stat.ME
Targeted Maximum Likelihood Based Estimation for Longitudinal Mediation Analysis
本文针对纵向和生存结局的因果中介分析，提出了一种基于目标最大似然估计（TMLE）的纵向自然直接和间接效应估计方法，结合高度自适应套索（HAL）推导出有效影响曲线的新估计量（HAL-EIC）及快速单步算法，具有多重稳健性和局部有效性。
2023-04-11 stat.ME
Identifying Causal-Effect Inference Failure with Uncertainty-Aware Models
University of Oxford（牛津大学）；Technion（以色列理工学院）
为个体推荐最佳行动方案是个体水平因果效应估计的一个主要应用。这种应用通常需要在安全关键领域，如医疗保健，估计和沟通的不确定性，决策者是至关重要的。我们介绍了一个实用的方法集成不确定性估计到一类国家的最先进的神经网络方法用于个人水平的因果估计。我们表明，我们的方法使我们能够优雅地处理的情况下，“无重叠”，常见的高维数据，标准应用的因果效应的方法失败。此外，我们的方法使我们能够处理协变量偏移，测试分布不同的训练分布，常见的系统部署在实践中。我们表明，当这样的协变量偏移发生时，正确建模的不确定性可以让我们从过度自信和潜在的有害建议。我们用一系列最先进的模型来展示我们的方法。在协变量偏移和缺乏重叠的情况下，我们的不确定性装备方法可以在预测不可信时提醒决策者，同时优于不确定性遗忘的方法。
2020-10-22 cs.LG stat.ML
Cause-Effect Inference in Location-Scale Noise Models: Maximum Likelihood vs. Independence Testing
Simon Fraser University（西蒙弗雷泽大学）
本文研究位置-尺度噪声模型中的因果方向推断，发现最大似然方法在噪声分布误设时准确率急剧下降，并提出基于残差独立性检验的模型选择方法具有更强鲁棒性。
2023-10-26 cs.LG stat.ML
Causal Discovery via Statistical Power (CDSP)
University of Washington（华盛顿大学）；University of California San Francisco（加州大学旧金山分校）
本文提出CDSP框架，通过统计效力和效应量异质性进行因果方向推断，并在模拟和实证中展示其在模型偏差下的鲁棒性和降低误判率的效果。
2026-05-13 stat.ME
Causal Inference Under Interference And Network Uncertainty
Johns Hopkins University（约翰斯·霍普金斯大学）
经典的因果和统计推断方法通常假设观测数据由独立的实现组成。然而，在许多应用中，由于数据中单元之间的依赖网络，这种假设是不合适的。估计因果效应的方法已经在单位之间的依赖结构确切已知的情况下发展起来，但在实践中，精确的网络结构往往存在很大的不确定性。例如，从社会关系难以直接查询的弱势社区提取的试验数据就是如此。在本文中，我们结合技术的结构学习和干扰文献中的因果推理，提出了一个一般的方法来估计因果效应的数据依赖时，这种依赖的结构是未知的先验。我们证明了我们的方法在表现出网络依赖性的合成数据集上的实用性。
2019-06-29 cs.AI cs.LG stat.ML
Redefining the Shortest Path Problem Formulation of the Linear Non-Gaussian Acyclic Model: Pairwise Likelihood Ratios, Prior Knowledge, and Path Enumeration
Nara Institute of Science and Technology（奈良科学技术研究所）；Ateneo de Manila University（雅典耀大学）
本文通过成对似然比替代kNN互信息、引入先验知识节点跳过策略及利用路径分布推断因果图属性，三重增强LiNGAM-SPP框架，提升其性能与实用性。
2025-02-27 cs.LG stat.ME
Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions
Department of Mathematics and Physics, Gangneung-Wonju National University（数学与物理系，江陵-Wonju国立大学）；Department of Applied Statistics, Yonsei University（应用统计学系，延世大学）；Department of Statistics, Dongguk University（统计学系，东国大学）；Department of Marketing Bigdata, Mokwon University（市场营销大数据系，摩斯大学）；Department of Data Science, Gangneung-Wonju National University（数据科学系，江陵-Wonju国立大学）
提出一种高维低样本量下的双重稳健平均处理效应估计量，结合有界影响估计方程与协变量平衡倾向得分，嵌入非凸正则化惩罚经验似然框架，实现稳健推断与高效区间估计。
2025-11-01 cs.LG stat.ME
The Causal Uncertainty Principle
Institute for Global Health and Development, Queen Margaret University（全球健康与发展研究所，爱丁堡玛格丽特女王大学）
本文提出因果不确定性原理，指出因果推断中精确识别与泛化能力存在结构性权衡，通过证据状态的非交换性解释了信息运输失败的根源。
2025-11-27 cs.IT math.IT stat.AP
Handling missing data when estimating causal effects with Targeted Maximum Likelihood Estimation
本文通过模拟研究评估了TMLE因果推断中八种缺失数据处理方法，发现包含交互项和非线性项的参数多重填补方法在多数情景下偏倚和方差表现最佳。
2024-05-03 stat.AP stat.ME
NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning
Georgia Institute of Technology（佐治亚理工学院）；Stanford University（斯坦福大学）；Genentech（基因泰克）
学习变量之间的因果关系是统计学中研究得很好的问题，在科学中有许多重要的应用。然而，建模现实世界的系统仍然具有挑战性，因为大多数现有的算法假设，底层的因果图是无环的。虽然这是一个方便的框架，用于发展关于因果推理和推断的理论发展，但在真实系统中，潜在的建模假设可能会被违反，因为反馈回路是常见的（例如，生物系统）。虽然有一些方法搜索循环因果模型，但它们通常依赖于某种形式的线性，这也是有限的，或者缺乏明确的潜在概率模型。在这项工作中，我们提出了一种新的框架，用于从介入数据中学习非线性循环因果图模型，称为NODAGS流。我们通过直接似然优化进行推理，采用残差归一化流的似然估计技术。通过合成实验和单细胞高含量扰动筛选数据的应用，我们显示出显着的性能改进与我们的方法相比，国家的最先进的方法，结构恢复和预测性能。
2023-01-04 cs.LG stat.ME stat.ML
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
Parametric Sequential Causal Inference in Point Parametrization
假设分配一系列治疗以影响最后一次治疗后发生的感兴趣的结果。治疗之间存在时间依赖性协变量，可能是早期治疗的治疗后变量和后续治疗的混杂因素。在这篇文章中，我们开发了一个参数的方法来推断的因果效应的治疗顺序的结果称为顺序的因果效应。我们构造了一个点参数化的条件分布的结果，所有的治疗和时间依赖的协变量，其中的点参数的点效应的治疗被视为单点治疗。我们（1）通过处理的点效应识别处理的净效应，（2）通过对处理的点效应的约束来表达处理的净效应模式，（3）表明所有顺序因果效应都由处理的净效应决定。据此，我们（1）通过处理的点效应用极大似然估计处理的净效应，（2）通过对处理的点效应和处理的分配条件的约束来改进估计，（3）利用处理的净效应的估计来获得序贯因果效应的估计。其结果是，我们得到无偏一致的最大似然估计的顺序因果效应，即使是长的治疗序列。为了说明我们的方法，我们研究的因果关系的影响，各种序列的娱乐性药物的CD4细胞计数的HIV患者。
2015-05-27 stat.ME
Causal inference taking into account unobserved confounding
针对因果推断中无未观测混杂假设缺乏依据的问题，提出结合抽样变异与未观测混杂不确定性的平均因果效应不确定性区间，对比两类偏倚并通过实验与实例验证，配套R包已发布。
2017-12-07 stat.ME
Discovery and inference of a causal network with hidden confounding
本文提出 GrIVET 方法，在存在隐藏混杂的高斯有向无环图中进行因果发现与推断，结合顺序发现、工具变量估计和似然比检验，并在阿尔茨海默病基因表达数据上验证了其有效性。
2023-09-18 stat.ME
Breaking Down the Lockdown: The Causal Effects of Stay-At-Home Mandates on Uncertainty and Sentiments During the COVID-19 Pandemic
本文以2020年2月意大利突发封锁为准实验，利用Twitter文本和交错双重差分法评估居家令对公众不确定性与情绪的因果效应。
2023-06-01 cs.SI econ.GN q-fin.EC
Estimating Net Effects of Treatments in Treatment Sequence without the Assumption of Strongly Ignorable Treatment Assignment
在序贯因果推断中，在治疗之间存在时间依赖性协变量的情况下，估计治疗序列中治疗对末次治疗后结局的因果净效应，通过强可验证治疗分配的不可检验假设改进估计，并获得一致但非真实的基于似然性的估计。在这篇文章中，我们引入了治疗的净效应作为参数的条件分布的结果，所有的治疗和时间依赖的协变量，并表明它是等于因果净效应的治疗下，假设强可解释的治疗分配。因此，我们可以估计治疗的净效应，并在两个独立的步骤中评估其因果解释。第一步是本文的重点，而第二步可以通过通常的敏感性分析来完成。我们构造了条件结果分布的点参数化，其中感兴趣的参数是单点治疗的点效应。在点参数化的条件下，在不作不可检验假设的情况下，利用极大似然估计处理净效应，改进了处理净效应的可检验模式估计，得到了有限维模式下处理净效应的无偏相合最大似然估计.
2014-11-16 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
Diagrams-to-Dynamics (D2D): Exploring Causal Loop Diagram Leverage Points under Uncertainty
University of Copenhagen（哥本哈根大学）；Amsterdam UMC University of Amsterdam（阿姆斯特丹大学阿姆斯特丹医学中心）；University of Amsterdam（阿姆斯特丹大学）；TNO - The Netherlands Organization for Applied Scientific Research（荷兰应用科学研究组织）；Radboud University（拉德堡德大学）
研究提出D2D方法，在无经验数据时将因果循环图转换为探索性系统动力学模型，通过最少用户输入利用图中结构信息模拟干预、探索杠杆点，与校准模型比较显示优势，该方法已开源实现，有助于降低动态建模障碍。
2026-07-15 cs.LG stat.ME stat.ML
Causal Inference in high dimensions: A marriage between Bayesian modeling and good frequentist properties
我们介绍了一个框架，估计因果关系的二元和连续的治疗在高维。我们展示了如何治疗和结果模型的后验分布可以与双稳健估计一起使用。本文提出了一种双稳健估计的不确定性量化方法，该方法利用模型参数的后验分布，（1）在小样本下具有良好的频率论性质，（2）基于单个MCMC，（3）改进了依赖于渐近性质的频率论不确定性度量。我们表明，我们提出的方差估计策略是一致的，当两个模型被正确指定，它是保守的有限样本或当一个或两个模型被错误指定。我们考虑了一个灵活的框架，用于在贝叶斯范式内对治疗和结果过程进行建模，该框架可以减少模型依赖性，适应非线性，并实现协变量空间的降维。我们说明了所提出的方法灵活地估计高维度的因果效应和适当量化不确定性的能力，并表明它相对于现有方法表现良好。最后，我们估计了连续环境暴露对胆固醇和甘油三酯水平的影响。R包可在github.com/jantonelli111/DoublyRobustHD上获得。
2020-10-02 stat.ME
Fast Uncertainty Quantification for Kernel-Based Estimators in Large-Scale Causal Inference
New York University（纽约大学）；Purdue University（普渡大学）
本文提出扩展因果Bag of Little Bootstraps算法至核方法，结合抽样与重采样实现计算可扩展性，保留一阶不确定性量化并保证渐近正确性，通过模拟和实际应用验证其在大规模数据下的有效性。
2026-03-14 stat.AP stat.ME stat.ML
Generalized Bayes for Causal Inference
Munich Center for Machine Learning（慕尼黑机器学习中心）
本文提出了一种广义贝叶斯框架，用于因果推断，通过直接在因果估计量上放置先验并利用驱动识别的损失函数，实现对因果效应的完整不确定性量化。
2026-03-03 cs.LG stat.ML
MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models
The University of Melbourne（墨尔本大学）；Carnegie Mellon University（卡内基梅隆大学）；JD Explore Academy（京东探索研究院）；The University of Sydney（悉尼大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
最先进的因果发现方法通常假设观测数据是完整的。然而，缺失数据问题在临床试验、经济学和生物学等许多实际场景中普遍存在。解决缺失数据问题的一个简单方法是首先使用现成的插补方法对数据进行插补，然后应用现有的因果发现方法。然而，这样的两步方法可能遭受次优性，因为插补算法可能引入用于对基础数据分布进行建模的偏差。在本文中，我们开发了一个通用的方法，我们称之为MissDAG，从不完整的观测数据进行因果发现。MissDAG主要关注可识别缺失和可识别加性噪声模型（ANMs）的假设，在期望最大化（EM）框架下最大化观测可见部分的期望似然。在E步骤中，在以封闭形式计算参数的后验分布不可行的情况下，利用Monte Carlo EM来近似似然。在M步骤中，MissDAG利用密度变换，通过ANM以更简单和具体的公式对噪声分布进行建模，并使用具有有向非循环图约束的基于似然的因果发现算法。我们展示了MissDAG的灵活性，将各种因果发现算法和其功效，通过广泛的模拟和真实数据实验。
2023-01-17 cs.LG stat.ML
RECLAIM: Cyclic Causal Discovery Amid Measurement Noise
School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）
RECLAIM通过最大似然估计和残差归一化流处理循环因果和测量噪声，理论保证一致性和实验证明有效性。
2026-03-21 cs.LG stat.ML
A Bayesian view of doubly robust causal inference
在因果推断中，混杂可以通过结果模型中的回归调整或通过倾向得分调整或治疗加权的逆概率或两者来控制。后者的方法，这是基于建模的治疗分配机制和他们的双重强大的扩展已经很难激励使用正式的贝叶斯参数，在原则上，基于似然性的推断，治疗分配模型可以发挥任何作用的推断有关的预期结果，如果模型被假定为正确指定。另一方面，通过允许错误指定结果和治疗分配模型来强制结果和治疗分配模型之间的依赖性，导致倾向得分的平衡属性的损失和任何双重稳健性的损失。在本文中，我们解释的框架中的错误指定的模型，为什么双重强大的推理不能产生纯粹的基于似然的参数，并通过模拟证明这一点。作为一种替代贝叶斯倾向得分分析，我们提出了一个贝叶斯后验预测方法构建双重稳健估计程序。我们的方法通过将贝叶斯因果推断中的逆治疗分配概率作为蒙特卡罗积分中的重要性抽样权重，适当地简化了结果和治疗分配模型。
2017-01-15 stat.ME
Causal Discovery on Dependent Mixed Data with Applications to Gene Regulatory Network Inference
Department, University or Company Name [Additional affiliations should be put in the Acknowledgments section] e1；Department, University or Company Name [Additional affiliations should be put in the Acknowledgments section] e2,e3；Department of Statistics；Data Science, University of California, Los Angeles e2；Data Science, University of California, Los Angeles
本文提出一种去相关框架，用于从依赖混合数据中进行因果发现，通过结构方程模型和EM算法改进基因调控网络推断。
2026-03-25 q-bio.GN stat.AP stat.ME
Model-free causal inference of binary experimental data
对于二元实验数据，我们讨论了基于随机化的推理过程，不需要调用任何建模假设。我们还介绍了方法的可能性和贝叶斯推断的基础上，没有任何假设的超级人口的假设的潜在结果的物理随机化。这些估计有一些性能优于矩为基础的，如只给可行的支持区域的估计。由于缺乏因果模型的识别，我们还提出了一种敏感性分析方法，该方法允许表征潜在结果之间的关联对统计推断的影响。
2017-05-23 stat.ME
Bivariate Causal Discovery for Categorical Data via Classification with Optimal Label Permutation
Texas A&M University（德州农工大学）
定量数据的因果发现已经被广泛研究，但对分类数据的研究较少。我们提出了一种新的因果模型的分类数据的基础上，一个新的分类模型，称为分类与最佳标签排列（COLP）。通过设计，COLP是一个简约的分类器，它产生了一个可证明可识别的因果模型。通过比较因果模型和反因果模型的似然函数的简单学习算法足以学习因果方向。通过与合成和真实数据的实验，我们证明了所提出的基于COLP的因果模型的良好性能相比，国家的最先进的方法。我们还提供了一个随附的R包COLP，其中包含拟议的因果发现算法和分类因果对的基准数据集。
2022-12-11 cs.LG stat.ME stat.ML
Scalable Sensitivity and Uncertainty Analysis for Causal-Effect Estimates of Continuous-Valued Interventions
University of Oxford（牛津大学）；ETH Zurich（苏黎世联邦理工学院）；Technion – Israel Institute of Technology（以色列理工学院）
从观测数据中估计连续值干预的影响是气候科学，医疗保健和经济学的一项至关重要的任务。最近的工作重点是设计神经网络架构和正则化函数，以允许从高维，大样本数据的平均和个人水平的剂量-反应曲线的可扩展估计。此类方法假设可验证性（观察所有混杂变量）和阳性（观察描述一组单位的每个协变量值的所有治疗水平），这些假设在连续治疗方案中存在问题。可扩展的敏感性和不确定性分析，以了解无知的因果估计时，这些假设放宽研究较少。在这里，我们开发了一个连续的治疗效果边际敏感性模型（CMSM），并推导出与观察到的数据和研究人员定义的隐藏混杂水平一致的界限。我们引入了一个可扩展的算法和不确定性感知的深度模型来推导和估计高维大样本观测数据的这些界限。我们与气候科学家合作，利用过去15年的卫星观测，对人类排放对云特性的气候影响感兴趣。这个问题被认为是复杂的许多未观察到的混杂因素。
2022-10-12 cs.LG stat.ML
Causal Entropy Optimization
University of Edinburgh（爱丁堡大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of Warwick（华威大学）
我们研究的问题，全局优化的因果效应的目标变量的一个未知的因果图中，可以进行干预。这个问题出现在许多科学领域，包括生物学、运筹学和医疗保健。我们提出了因果熵优化（CEO），一个框架，概括因果贝叶斯优化（CBO）占所有来源的不确定性，包括从因果图结构所产生的。CEO将因果结构的不确定性纳入到因果效应的代理模型和通过信息理论获取函数选择干预措施的机制中。由此产生的算法自动权衡结构学习和因果效应优化，同时自然地考虑观察噪声。对于各种合成和现实世界的结构因果模型，与CBO相比，CEO实现了更快的收敛到全局最优值，同时还学习了图形。此外，我们的结构学习和因果优化的联合方法改进了顺序的结构学习优先方法。
2022-08-23 cs.LG stat.ML
Instrumental and Proximal Causal Inference with Gaussian Processes
Department of Statistics and Actuarial Science, University of Hong Kong（香港大学统计与精算科学系）；Rational Intelligence Lab, CISPA Helmholtz Center for Information Security（CISPA霍普夫信息安全中心理性智能实验室）；Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所）；College of Computing & Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
提出去条件高斯过程框架，用于存在未观测混杂时的因果推断，同时提供可靠的后验不确定性量化，并通过边际似然优化实现模型选择。
2026-06-17 cs.LG stat.ML
Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand
Purdue University（普渡大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对含未观测混杂因子的高维因果图中干预分布采样难的问题，提出基于条件生成模型前推计算的采样算法，在多数据集上验证了其有效性与应用价值。
2024-10-31 cs.AI cs.LG stat.ME
Effect of breastfeeding on gastrointestinal infection in infants: A targeted maximum likelihood approach for clustered longitudinal data
母乳喂养干预试验的促进（PROBIT）集群随机一个项目，鼓励母乳喂养的新母亲在医院中心。最初的研究表明，这种干预成功地增加了母乳喂养的持续时间，降低了新生儿胃肠道感染的发生率。科学界和大众的另一个兴趣在于确定母乳喂养时间延长对胃肠道感染的因果影响。在这项研究中，我们估计预期的感染计数在不同长度的母乳喂养，以估计母乳喂养时间对感染的影响。由于存在基线和时间依赖性混杂，需要专门的“因果”估计方法。我们证明了双稳健的方法，有针对性的极大似然估计（TMLE）在本申请的上下文中，并回顾了一些相关的方法和调整需要考虑聚类。我们比较TMLE（实现参数和使用数据自适应算法），以其他因果关系的方法，这个例子。此外，我们进行了模拟研究，以确定（1）控制聚类指标的有效性时，集群特定的混杂因素是不可测量的和（2）使用数据自适应TMLE的重要性。
2014-07-31 q-bio.QM stat.AP
Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner
本文提出了一种新的正交学习者（AU-learner），用于量化治疗效应的偶然不确定性，通过部分可识别性方法获得CDTE的精确界限，并展示了其在Neyman正交性和准Oracle效率方面的优势。
2026-03-12 cs.LG stat.ML
Interventions, Where and How? Experimental Design for Causal Models at Scale
University of Oxford（牛津大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）
由于数据有限和不可识别性，从观察性和干预性数据中发现因果关系具有挑战性：这些因素在估计基础结构因果模型（SCM）时引入了不确定性。根据这两个因素产生的不确定性选择实验（干预措施）可以加快SCM的识别。现有的方法在实验设计因果关系的发现，从有限的数据要么依赖于线性假设的SCM或只选择干预目标。这项工作将贝叶斯因果发现的最新进展纳入贝叶斯最优实验设计框架，允许在选择干预目标和值的同时主动发现大型非线性SCM的因果关系。我们证明了所提出的方法在线性和非线性SCM以及\emph{in-silico}单细胞基因调控网络数据集DREAM上的合成图（Erdos-Rènyi，无尺度）上的性能。
2022-10-21 cs.AI cs.LG stat.ML
Variational Causal Networks: Approximate Bayesian Inference over Causal Structures
ETH Zurich（苏黎世联邦理工学院）；Mila（米拉人工智能研究所）；Université de Montréal（蒙特利尔大学）；ElementAI；ServiceNow；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）；CIFAR（加拿大高等研究院）
学习数据背后的因果结构是实现强大的现实世界决策的关键一步。因果推理中的大多数现有工作集中于确定单个有向无环图（DAG）或其马尔可夫等价类。然而，一个关键的方面，智能地采取行动的知识因果结构，已推断出从有限的数据要求推理其不确定性。例如，计划干预以了解更多关于管理我们数据的因果机制的信息，需要量化DAG的认知不确定性。虽然贝叶斯因果推理允许这样做，但即使对于少量变量，DAG的后验也变得难以处理。为了克服这个问题，我们提出了一种形式的变分推理的结构因果模型（SCM）的图。为此，我们引入了一个参数变分家庭建模的自回归分布在离散DAG的空间。它的参数数量不会随着变量的数量呈指数增长，并且可以通过最大化证据下限（ELBO）来学习。在我们的实验中，我们证明了所提出的变分后验是能够提供一个很好的近似的真实后验。
2021-06-14 cs.AI cs.LG stat.ML
The Empirical Likelihood Approach to Quantifying Uncertainty in Sample Average Approximation
我们研究的经验似然方法来构建一个给定的解决方案的最优值和最优性差距的置信区间，此后量化的样本平均近似的统计不确定性，优化问题的期望值目标和约束条件下，潜在的概率分布，通过有限的数据观察。这种方法依赖于两个分布鲁棒优化问题的不确定分布，与基于发散的不确定性集，适当校准，以提供渐近的统计保证。
2016-10-23 math.ST stat.ME stat.TH
Generalized Likelihood Ratio Statistics and Uncertainty Adjustments in Efficient Adaptive Design of Clinical Trials
基于广义似然比统计量和最优序贯检验理论，提出了一种在一般多参数指数族背景下的临床试验适应性设计的新方法。这些设计易于实现，保持规定的第一类错误概率，并且是渐近有效的。在临床试验中涉及的实际问题，允许中途适应和关于这个问题的大量文献进行了讨论，并提出了建议和现有的设计之间的比较，在广泛的模拟研究，其有限样本的性能，测量预期的样本量和功率函数。
2011-05-24 math.ST stat.ME stat.TH
Asymptotic Uncertainty in the Estimation of Frequency Domain Causal Effects for Linear Processes
本文研究了线性过程频域因果效应估计的渐近不确定性，基于过程图代数关系推导出估计量的渐近分布，构建了置信区间和Wald型检验，并识别出渐近最优估计量，最后通过合成数据和太阳周期对北大西洋涛动影响的实证分析验证了方法。
2024-06-26 math.ST stat.ME stat.TH
The Sensitivity of Trivariate Granger Causality to Test Criteria and Data Errors
三变量格兰杰因果关系分析试图从系统的拓扑结构中区分“真实”因果关系和“虚假”因果关系。然而，这种分析对测试标准的选择和噪声的存在都很敏感，这可能导致对因果关系的错误推断：要么推断不存在的因果关系（虚假因果关系），要么无法推断确实存在的因果关系（未识别的因果关系）。在这里，我们分析的影响的选择的测试标准和噪声的存在，并给出一般条件下，不正确的推断是可能发生的。通过研究检验标准（似然比，拉格朗日乘数，饶有效得分和Wald），我们证明，饶有效得分和Wald测试是统计上不可区分的，对于小样本量，他们提供了一个最低的可能性虚假的因果关系，与似然比检验提供了最低的可能性不明的因果关系。我们还显示了这些测试之间发生收敛的样本量。我们还给出了经验的内在噪声（在一个变量）和外在噪声（之间的变量和观察员），与不同的信号-噪声比为每个变量，表明对于内在噪声的最后一个变量的信号-噪声比的强烈依赖存在，和外在噪声没有依赖的真实拓扑结构存在。
2019-04-16 stat.ME
On the Consistency of Maximum Likelihood Estimators for Causal Network Identification
Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校协调科学实验室）；ECE Department, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系）
本文研究一类特殊的马尔可夫链的参数识别问题，称为伯努利自回归过程。任何BAR模型的结构都是由一个有向图编码的。图中节点的传入边指示该节点在特定时刻的状态受到前一时刻对应父节点状态的影响。相关联的边权重确定来自每个父节点的相应影响水平。在最简单的设置中，特定节点的状态变量的伯努利参数是前一时刻的父节点状态和附加伯努利噪声随机变量的凸组合。本文研究了用极大似然（ML）估计辨识边权的问题，并证明了ML估计对两种变分的BAR模型是强相合的。我们还推导出上述两个变量的封闭形式估计，并证明了它们的强一致性。
2020-10-17 cs.LG math.ST stat.ME
Likelihood Ratio test for Poisson graph
本文针对泊松有向图模型，提出基于非凸无环性约束的似然比检验方法，用于推断离散随机变量间的方向链接和路径，并通过模拟和NBA数据验证其有效性。
2025-06-23 math.ST stat.ME stat.TH
Uncertainty analysis and composite hypothesis under the likelihood paradigm
模型的正确使用和解释取决于几个步骤，其中两个步骤是通过参数估计进行校准和不确定性分析。在生物学文献中，这些步骤很少一起讨论，但它们可以被视为同一个难题的合适部分。特别是，不确定性估计的分析程序可能会掩盖来自具有稳定结构但数据不足的模型的高度不确定性。在似然方法下，不确定性估计问题与复合假设问题密切相关。本文简要介绍了似然统计学派的历史背景，分析了似然律与复合假设问题之间的复杂关系以及现有的解决方法，提出了一种利用数据信息进行模型不确定性估计的综合方法。我们认为，这种方法是直观的吸引力下的可能性范式。
2015-08-13 q-bio.QM stat.ME
