Identifying Causal Effects Using Instrumental Variables from the Auxiliary Dataset
Peking University（北京大学）；Beijing Technology and Business University（北京工商大学）；Center for Applied Statistics and School of Statistics, Renmin University of China（中国人民大学应用统计学院和统计学院）
本文提出利用辅助数据集中的工具变量结合结构方程模型，解决非线性治疗效应下的因果效应估计问题，通过构建控制函数和投影方法，提出三步估计器并进行实证分析。
2026-03-29 stat.ME
Identifying average causal effect in regression discontinuity design with auxiliary data
本文针对断点回归设计中远离阈值处平均因果效应难以识别的问题，提出利用辅助变量和额外数据集的识别框架，并给出三种估计方法及渐近推断程序，通过模拟和维生素A补充剂对儿童自闭症严重程度的实证分析验证了方法的有效性。
2025-01-03 stat.ME
Identifying Total Causal Effects in Linear Models under Partial Homoscedasticity
本文研究线性结构因果模型中偏同方差性假设对总因果效应可识别性的充分性，并在结构不确定性下构建严格置信区域、通过模拟评估更强误差假设的性能收益。
2024-08-12 math.ST stat.ME stat.TH
Identifying Macro Conditional Independencies and Macro Total Effects in Summary Causal Graphs with Latent Confounding
INSERM（法国国家健康与医学研究院）；ENS de Lyon（里昂高等师范学院）
本文研究了具有潜在混杂的摘要因果图，明确区分了宏观与微观条件独立性及总效应，证明了d-分离和do-演算在识别宏观条件独立性和宏观总效应时的可靠性与完备性，并给出了宏观总效应不可识别性的图特征化。
2024-12-20 cs.AI stat.ME
Efficient Symbolic Computations for Identifying Causal Effects
Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究院）；Binghamton University（宾夕法尼亚州立大学布林茅尔分校）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文提出高效算法解决因果效应的符号计算问题，通过准多项式时间找到最低次识别公式，克服传统Gröbner基方法的计算瓶颈。
2026-04-22 cs.LG stat.ML
Identifying and Estimating Principal Causal Effects in Multi-site Trials
随机试验通常在多个地点进行单独的随机化，如学校，投票区或医院。这些网站可能在重要方面有所不同，包括网站的实现，当地条件和个人的组成。实践中的一个重要问题是，研究人员是否以及在什么样的假设下可以利用这种跨站点的变化来了解更多关于干预的信息。我们在主要分层框架中解决这些问题，该框架描述了由治疗后数量定义的亚组的因果效应。我们表明，研究人员可以通过多站点设计估计某些主要的因果效应，如果他们愿意施加强有力的假设，即站点特定的影响是不相关的，与站点特定分布的阶层成员。我们激励这种方法与早期大学高中倡议，一个独特的中学教育计划，以提高高中毕业率和大学入学率的目标多地点试验。我们的分析证实了以前的研究表明，该倡议有积极的影响，否则谁会参加一个低质量的高中的学生，虽然权力是有限的。
2018-03-16 stat.ME
Identifying Causal Effects with Computer Algebra
图模型中因果效应的识别问题由来已久，已有许多局部结果，但缺乏系统的研究。我们将展示如何使用计算机代数来证明因果效应可以被识别，一般识别，或显示效果是不一般识别。我们报告的结果，我们的计算线性结构方程模型，在那里我们精确地确定因果关系的影响是一般可识别的所有图形上的三个和四个顶点。
2010-07-22 math.AC math.ST stat.TH
Identifying Macro Causal Effects in C-DMGs over DMGs
Sorbonne Université（索邦大学）；INSERM（法国国家医学研究院）；Institut Pierre Louis d’Epidémiologie et de Santé Publique（皮埃尔-路易流行病学与公共卫生研究所）
本文研究了基于有向混合图（DMG）的聚类有向混合图（C-DMG）中的宏观因果效应识别问题，证明了do-calculus在该场景下是无条件健全且完备的，并将不可识别性的图判据扩展至该图模型的子集。
2025-06-24 cs.AI stat.ME
Identifying Unmeasured Confounders in Panel Causal Models: A Two-Stage LM-Wald Approach
本文提出一种两阶段LM-瓦尔德方法，用于检测面板因果模型中未测量的混杂因素，通过模拟和实证应用验证其有效性。
2026-02-15 stat.ME
Identifying Causal Effects Using a Single Proxy Variable
Lakera AI
本文研究如何通过单一代理变量识别因果效应，提出SPICE假设并扩展了代理基于因果可识别性结果，开发了SPICE-Net神经网络估计框架。
2026-09-28 cs.LG math.ST stat.ME
Contrasting Identifying Assumptions of Average Causal Effects: Robustness and Semiparametric Efficiency
本文比较后门、前门及两门三种因果识别假设，推导其有效影响函数与半参数效率界，并分析估计量达到界的条件及对冗余模型误设的稳健性，揭示效率与稳健性之间的权衡。
2023-02-17 stat.ME
Depicting deterministic variables within directed acyclic graphs (DAGs): An aid for identifying and interpreting causal effects involving tautological associations, compositional data, and composite variables
确定性变量是由一个或多个父变量完全解释的变量。它们通常出现在一个变量是从一个或多个父变量代数构造而成的情况下，如复合变量，以及在组合数据中，“整体”变量是从其“部分”确定的。本文介绍了如何在有向无环图（DAG）中描述确定性变量，以帮助识别和解释涉及重言式关联、组成数据和复合变量的因果效应。我们提出了一个两步的方法，在该方法中，所有的变量最初被认为是，然后作出明确的选择是否专注于确定性变量（S）或决定性的父母。在DAG中描述确定性变量有几个好处。识别和避免误解重言式关联更容易，即，具有共享代数父变量的变量之间的自实现关联。在成分数据中，更容易理解“整体”变量的条件作用的后果，并正确识别总体和相对因果效应。对于复合变量，它鼓励更多地考虑目标被估量，并更严格地审查一致性和交换率假设。具有确定性变量的DAG对于规划和解释涉及重言式关联、组成数据和/或复合变量的分析是有用的辅助工具。
2023-02-03 stat.ME
The role of assignment in defining and identifying causal effects in randomized trials
本文通过实例论证随机试验中符合方案效应与治疗策略效应不同，两者识别均需分配信息，并强调明确分配作用对因果推断的重要性。
2025-09-24 stat.ME
Identifying Principal Stratum Causal Effects Conditional on a Post-treatment Intermediate Response
在早期乳腺癌的新辅助治疗试验中，患者通常被随机分配到对照组和具有额外靶向治疗的治疗组。通过二元病理学完全缓解（pCR）评估新方案的早期疗效，并通过长期临床结局（如生存期）评估最终疗效。尽管pCR与生存率密切相关，但尚未证实其为替代终点。为了充分理解其临床意义，重要的是建立因果被估量，例如在新方案下将实现pCR的患者的生存率的因果效应。在主分层框架下，以往的研究主要集中在通过改变模型参数对反事实结果进行敏感性分析。在温和的假设下，我们提出了一种方法来估计这些模型参数，使用经验数据，随后的因果估计的兴趣。我们还扩展了我们的方法来处理删失的结果数据。该方法适用于最近的临床试验，其性能通过模拟研究进行评估。
2022-03-20 stat.AP stat.ME
Causal discovery in heavy-tailed linear structural equation models via scalings
针对带正则变化噪声的重尾线性结构方程模型，提出基于极值角测度尺度参数的因果发现算法，证明一致性并在模拟与河流流量数据上验证其竞争力。
2025-02-19 stat.ME
Identifying Nonstationary Causal Structures with High-Order Markov Switching Models
Imperial College London（帝国理工学院）；University of Michigan（密歇根大学）；University College London（伦敦大学学院）
本研究通过机制依赖的因果结构解决时间序列非平稳性问题，建立了高阶马尔可夫切换模型的可识别性，并实证验证了该方法在大脑活动数据上的可扩展性与适用性。
2024-06-25 cs.LG stat.ML
Bridging Prediction and Attribution: Identifying Forward and Backward Causal Influence Ranges Using Assimilative Causal Inference
Department of Mathematics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校数学系）
本文利用同化因果推理，构建正向与反向因果影响范围的数学公式，提出客观鲁棒的度量与高效近似算法，为探测复杂动力学系统提供新方法，在地球系统等领域具应用价值。
2026-08-05 cs.LG math.ST physics.data-an
Identifying Direct Causal Effects in Latent Factor Models by Accounting for Unidentified Parents
German Aerospace Center (DLR), Institute of Data Science（德国航空航天中心数据科学研究所）；Technische Universität Berlin（柏林工业大学）；Institute of Mathematics, École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院数学研究所）；Institute of Computer Science, University of Potsdam（波茨坦大学计算机研究所）；Department of Mathematics, TUM School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院数学系）；Munich Center for Machine Learning（慕尼黑机器学习中心）
针对线性结构方程模型中显式建模的潜在变量，提出一种新的识别准则，通过递归识别方案并显式考虑未识别直接效应的因果父节点，结合网络流计算解决组合搜索问题，从而在密集混淆图中识别观测变量间的直接因果效应。
2026-05-27 stat.ME
A Criterion for Parameter Identification in Structural Equation Models
Iowa State University（爱荷华州立大学）
本文研究递归线性结构方程模型中直接因果效应的识别问题。本文建立了一个识别个体因果效应的充分准则，并提供了一个根据观测协方差阵计算已识别因果效应的程序。
2012-06-20 cs.AI stat.ME
Identifying effects of multiple treatments in the presence of unmeasured confounding
在存在不可测量的混杂因素的情况下识别处理效应是社会、生物和医学科学中的一个持续问题。在统计遗传学和生物信息学环境中，多种治疗方案中的不可测量混杂问题最常见，研究人员已经开发出许多成功的统计策略，但没有深入研究问题的因果关系。最近有一些尝试弥合这些统计方法和因果推断之间的差距，但这些尝试要么被证明是有缺陷的，要么依赖于完全参数化的假设。在本文中，我们提出了两种策略，用于识别和估计因果关系的影响，在存在不可测量的混杂因素的多种治疗。辅助变量方法利用了与结果没有因果关系的变量;在单变量混杂因素的情况下，我们的方法只需要一个辅助变量，不像现有的工具变量方法需要尽可能多的工具，因为有治疗。另一种无效治疗方法依赖于至少一半混杂治疗对结局无因果影响的假设，但不需要先验知识来确定哪些治疗无效。我们的识别策略不对结果模型施加参数假设，也不依赖于对混杂因素的估计。本文扩展和概括了现有的工作与生物信息学中常用的单一治疗和模型的不可测量的混杂。
2022-07-09 stat.ME
Towards more plausible point-identifying assumptions in two-sample Mendelian randomization
Federal University of Pelotas（佩洛塔斯联邦大学）；University of Bristol（布里斯托大学）；University College London（伦敦大学学院）；Norwegian University of Science and Technology（挪威科技大学）
本文证明两样本孟德尔随机化的点识别假设比先前认为的更弱，即汇总水平同质性可由加性线性因果效应及异质性不相关性隐含，从而支持将方法解释为估计平均因果效应。
2026-10-28 stat.ME
Causal reasoning in difference graphs
Sorbonne Université（索邦大学）；INSERM（法国国家健康与医学研究院）；Institut Pierre Louis d’Epidémiologie et de Santé Publique（皮埃尔·路易流行病学与公共卫生研究所）
本文针对差异图尚未被系统用于增强因果推理的问题，建立在非参数与线性设定下识别总/直接因果变化及效应的条件，为公共卫生应用提供新方法。
2025-02-16 cs.AI stat.ME
Clarifying causal mediation analysis: Effect identification via three assumptions and five potential outcomes
因果中介分析是复杂的多效应定义，需要不同的假设识别。本文对这些假设进行了系统的解释。我们定义了五种潜在的结果类型，其手段涉及各种效果定义。我们处理它们的均值/分布的识别，从需要最弱假设的均值/分布开始，逐渐建立到需要最强假设的均值/分布。这个演示清楚地表明了为什么一个假设是需要一个被估量，而不是另一个，并提供了一个简洁的表格，应用研究人员可以从中挑选出所需的假设，以确定他们的目标因果效应。使用一个运行的例子，本文说明了组装和考虑确定一系列的因果对比的假设。对于在文献中经常遇到的几个问题，这项工作澄清了识别需要比文献中经常提到的假设更弱的假设。这种对细节的关注也引起了人们对不同被估量的积极性假设差异的关注，并具有实际意义。明确这些不同被估量的识别假设将有助于研究人员进行适当的中介分析，并在考虑到假设的合理性的情况下适当谨慎地解释结果。
2022-07-07 stat.ME
Identifying Finite Mixtures of Nonparametric Product Distributions and Causal Inference of Confounders
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
我们提出了一个核方法来识别有限混合非参数乘积分布。它基于联合分布的Hilbert空间嵌入。构造的张量的秩等于混合分量的个数。我们提出了一种算法来恢复组件的数据点划分成集群，使变量是联合条件独立给定的集群。该方法可用于识别有限混杂因素。
2013-09-26 cs.AI cs.LG stat.ML
Structural restrictions in local causal discovery: identifying direct causes of a target variable
本文研究从观测数据中识别目标变量直接原因的局部因果发现，放宽假设并提出了两种实用算法，在基准和真实数据上验证了有效性。
2025-06-21 math.ST stat.ME stat.ML
Identifying Causal Effects in Experiments with Spillovers and Non-compliance
本文展示了如何使用随机饱和实验设计来识别和估计存在溢出效应的因果效应-一个人的治疗可能会影响另一个人的结果-和单侧不依从性-受试者只能被提供治疗，而不是被迫接受治疗。在这种情况下，两种不同的因果效应是有意义的：直接效应量化了一个人自己的治疗如何改变她的结果，而间接效应量化了她的同伴的治疗如何改变她的结果。我们考虑的情况下，溢出发生在已知的群体，并采取决定是不变的同行的实现提供。在这种情况下，我们点识别治疗的治疗效果，直接和间接的，在一个灵活的随机系数模型，允许异质性处理效应和内源性选择到治疗。我们继续提出一个可行的估计，是一致的，渐近正常的数量和规模的群体的增加。我们应用我们的估计数据从一个大规模的就业安置服务实验，并发现负的间接处理效应的就业可能性，为那些愿意采取的程序。这些负面溢出效应被自身吸收的正面直接处理效应所抵消。
2023-01-04 econ.EM stat.ME
Identifying Causes of Test Unfairness: Manipulability and Separability
Teachers College, Columbia University（哥伦比亚大学教师学院）；University of Macau（澳门大学）
本研究通过干预主义方法分解不可操作处理变量，识别测试中差异项目功能的因果来源，并利用因果机器学习方法检测偏见项目。
2026-08-20 stat.AP stat.ME
Identifying Causal Effects using Instrumental Time Series: Nuisance IV and Correcting for the Past
本文针对时间序列中的工具变量回归，提出利用干扰协变量和图形边缘化框架构建识别方程，实现因果效应的一致估计，并证明其理论性质与实验验证。
2024-07-19 stat.ME stat.ML
$β$-Intact-VAE: Identifying and Estimating Causal Effects under Limited Overlap
The Graduate University for Advanced Studies（综合研究大学院大学）；The Institute of Statistical Mathematics（统计数学研究所）
作为因果推断中的一个重要问题，我们讨论了有限重叠下的处理效应（TE）的识别和估计，也就是说，当具有某些特征的受试者属于一个单一的治疗组。我们使用一个潜在变量来模拟一个预后评分，该评分在生物统计学中广泛使用，并且足以用于TE;即，我们建立了一个生成预测模型。我们证明了潜在变量恢复了预后评分，并且模型识别了个体化处理效应。然后将该模型学习为β-Intact-VAE-一种新型的变分自动编码器（VAE）。我们推导出TE误差界，使代表平衡的治疗组条件个性化的功能。所提出的方法相比，最近的方法使用（半）合成数据集。
2021-10-11 cs.LG econ.EM stat.ME
The risks of risk assessment: causal blind spots when using prediction models for treatment decisions
该研究指出临床常用的三种预测模型治疗处理方法存在因果盲点，易引发误读与决策失误，建议扩展模型开发指南并引入因果推断技术，以保障治疗决策安全。
2025-06-16 stat.ME
iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models
University of Chicago（芝加哥大学）；Booth School of Business, University of Chicago（芝加哥大学布斯商学院）；Carnegie Mellon University（卡内基梅隆大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出iSCAN方法，在不估计完整DAG结构的情况下，利用混合分布得分函数的雅可比矩阵识别非线性加性噪声模型中的因果机制偏移，并通过合成与真实数据验证其有效性。
2024-01-13 cs.AI cs.LG stat.AP
Identifying Causal Structure in Dynamical Systems
Uppsala University（乌普萨拉大学）；RWTH Aachen University（亚琛工业大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
数学模型是动态控制系统设计中的基本组成部分。随着控制系统变得越来越复杂和网络化，基于第一原理获得此类模型的方法达到了极限。数据驱动方法提供了一种替代方法。然而，在没有结构知识的情况下，这些方法容易在训练数据中发现虚假的相关性，这会妨碍所获得的模型的泛化能力。当系统暴露于未知情况时，这会显著降低控制和预测性能。事先确定因果关系可以防止这种陷阱。在本文中，我们提出了一种方法，确定控制系统的因果结构。我们设计实验的基础上的概念，可控性，它提供了一个系统的方法来计算输入轨迹，引导系统在其状态空间中的特定区域。然后，我们分析所产生的数据，利用强大的技术从因果推理，并将其扩展到控制系统。此外，我们得出的条件，保证发现的真正的因果结构的系统。机器人手臂上的实验表明，可靠的因果关系识别，从现实世界的数据和增强的泛化能力。
2022-07-18 cs.LG cs.SY eess.SY
A review of some recent advances in causal inference
我们给出了一个有选择性的审查因果推断，为研究人员谁不熟悉图形模型和因果关系的一些最新进展，并侧重于适用于大数据集的方法。我们主要解决从观测数据估计因果效应的问题。例如，可以考虑从野生型基因表达数据，即从不进行任何基因敲除实验而获得的基因表达测量值，来估计单个或多个基因敲除的影响。我们假设观测数据是从一个因果结构中产生的，这个因果结构可以用一个有向无环图（DAG）来表示。首先，我们讨论了因果效应的估计时，潜在的因果DAG是已知的。然而，在大规模网络中，因果DAG通常是未知的。接下来，我们讨论因果结构学习，即从观察数据中学习有关因果结构的信息。然后，我们结合这两个部分，并讨论方法来估计（上界）的因果关系的因果结构是未知的时，从观测数据。我们还说明了这种方法上的酵母基因表达数据集。最后，我们提到几个扩展所讨论的工作。
2015-06-25 stat.ME
A conceptual synthesis of causal assumptions for causal discovery and inference
本文综合多个因果发现与推断框架，梳理因果充分性、忠实性和马尔可夫条件等基础假设，提供贯穿研究设计全阶段的实用指导，以支持跨领域严谨因果推理。
2025-04-21 q-bio.QM stat.AP 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
Causal Stability Selection
University of California, Los Angeles（加州大学洛杉矶分校）；Duke University（杜克大学）
本文提出因果稳定性选择算法，结合交叉拟合的条件平均处理效应估计与集成路径稳定性选择，提供非渐近的虚假正例界，建立处理效应估计与效应修饰发现的直接联系。
2026-08-11 stat.ME
Identifying causal effects in maximally oriented partially directed acyclic graphs
本文针对最大定向部分有向无环图（MPDAGs）提出充分必要的因果识别准则，推广了 g-公式和截断因子分解公式，并阐明其优于仅充分的广义调整准则。
2025-07-21 math.ST stat.TH
The Promises of Multiple Experiments: Identifying Joint Distribution of Potential Outcomes
School of Mathematics and Statistics, Beijing Technology and Business University（北京工商大学数学与统计学院）；School of Economics and Management, Tsinghua University（清华大学经济管理学院）
本文提出通过多重实验数据集识别和估计潜在结果联合分布的框架，引入了跨数据集的潜在结果状态转移概率可移植性假设，并提出基于最小二乘的估计方法，用于评估因果效应。
2026-04-16 stat.ME
Towards Robust Causal Effect Identification Beyond Markov Equivalence
本文针对因果图难以完全确定的情况，提出从候选马尔可夫等价类集合中识别因果效应的充分条件，以增强鲁棒性。
2025-06-18 stat.ME
Learning Mixtures of Unknown Causal Interventions
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）；Microsoft Research（微软研究院）
针对干预数据生成受噪声干扰、呈现混合分布的问题，该研究在未知因果图的线性高斯SEMs中，证明do与软干预的分布特性可解耦混合数据，明确样本复杂度与干预强度负相关，可识别到干预马尔可夫等价类，并通过模拟验证了理论结果。
2024-10-31 cs.LG stat.ML
Causal Network Motifs: Identifying Heterogeneous Spillover Effects in A/B Tests
随机试验，或“A/B”测试，仍然是评估政策干预或产品变化的因果效应的黄金标准。然而，实验设置，如社交网络，其中用户相互作用和相互影响，可能会违反传统的假设没有干扰的可信的因果推理。网络设置的现有解决方案包括考虑用户网络中被处理的邻居的分数或计数，然而大多数当前方法除了简单地计算邻居的数量之外不考虑本地网络结构。我们的研究提供了一种方法，该方法通过图案以及邻居的治疗分配条件来解释用户社交网络中的局部结构。我们提出了一个两部分的方法。我们首先引入并采用“因果网络图案”，这是网络图案的特点，在本地自我网络的分配条件，然后我们提出了一个基于树的算法，用于识别不同的网络干扰条件，并估计其平均潜在的结果。我们的方法可以解释社会网络理论，如结构多样性和回声室，也可以帮助指定适合每个实验的网络干扰条件。我们在一个合成网络设置和一个大规模网络的真实实验上测试了我们的方法，这突出了考虑局部结构如何更好地考虑网络中的不同干扰模式。
2021-02-15 cs.SI stat.AP
Identifying Model Quality Effects on User Engagement: A Within-Version Causal Estimator with Synthetic Data Validation
Google（谷歌）
针对LLM模型更新与用户参与度的因果识别难题，提出结合合成数据验证的版本内因果估计器，经衰减调整后可准确估计模型质量对参与度的影响。
2026-08-25 stat.ME stat.OT
On causal inference with marked point process data
Oslo University Hospital（奥斯陆大学医院）；University of Oslo（奥斯陆大学）
本文研究了标记点过程数据中的因果推断，定义了动态治疗方案和潜在结果，并提出适用于点过程的因果条件，以识别效应。通过鞅理论推导出识别假设，连接了生存分析与离散时间因果推断。
2026-04-14 stat.ME
Outcome-wide longitudinal designs for causal inference: a new template for empirical studies
在本文中，我们提出了一个新的模板，旨在评估因果关系的实证研究：结果范围的纵向设计。该方法是通常使用混杂控制来评估治疗或暴露的因果效应的方法的延伸，但现在，在许多结果中。我们讨论了时间和混杂控制原则，这样的结果范围内的研究，指标，以评估鲁棒性或敏感性潜在的未测量的混杂为每个结果，和方法来处理多重检验。我们认为，结果范围的纵向设计有许多优势，比更传统的研究，包括研究者的偏见，更大的可能性报告无效的影响，更大的能力，比较效果大小，一个巨大的收益，在效率的研究社区，更大的政策相关性，更快的进步的知识。我们讨论了实践和理论的理由，结果范围的纵向设计，也务实的细节，其实施。
2018-10-24 stat.ME
A Potential Outcomes Calculus for Identifying Conditional Path-Specific Effects
do-calculus是一个著名的演绎系统，用于推导干预和观察分布之间的联系，并已被证明是完整的因果推断中的一些重要的可识别性问题。然而，正如目前所定义的，do演算不适用于涉及复杂嵌套反事实的因果问题，这些反事实不能用“do”运算符表示。这些问题包括分析特定路径的影响和动态治疗制度。在本文中，我们提出了潜在结果演算（po演算），这是do演算对任意潜在结果的自然推广。因此，我们提供了一个桥梁识别方法，其起源于人工智能和统计，分别。我们使用po-calculus给出了一个完整的识别算法的条件路径特定的影响与应用程序的问题，在中介分析和算法的公平性。
2019-03-08 stat.ME
Identifying and Estimating Causal Direct Effects Under Unmeasured Confounding
McGill University（麦吉尔大学）；Research Institute of the McGill University Health Centre（麦吉尔大学健康中心研究所）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Fred Hutchinson Cancer Center（弗雷德·哈钦森癌症中心）；University of California, Berkeley（加州大学伯克利分校）
本文探讨在未测量混杂因素下识别因果直接效应的方法，提出放松自然直接效应的识别假设，构建灵活的估计器以评估疫苗研究中的非随机化设置。
2026-04-02 stat.AP stat.ME stat.ML
Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding
The Pennsylvania State University（宾夕法尼亚州立大学）
研究指出未观测混杂会使数据驱动因果发现中，增大样本量无法保证识别潜在因果结构，仅能提升观测代理变量关联的确定性，凸显统计不确定性降低与因果机制恢复的根本差异。
2026-07-31 stat.ME
Identifying the Causes of Pyrocumulonimbus (PyroCb)
University of Valencia（瓦伦西亚大学）；University of Cambridge（剑桥大学）；Institut Pierre-Simon Laplace（皮埃尔-西蒙·拉普拉斯研究所）；Columbia University（哥伦比亚大学）；University of Oxford（牛津大学）；Pasteur Labs（巴斯德实验室）
从观测数据的pyroCb（风暴云产生的极端野火）的第一个因果发现分析。不变因果预测被用来开发工具来理解pyroCb形成的因果驱动因素。这包括条件独立性测试，用于测试对于二进制变量$Y$和多变量连续变量$X$和$E$，在给定$X$的情况下，$Y$有条件地独立于$E$，以及贪婪ICP搜索算法，其依赖于较少的条件独立性测试来获得更小的更易于管理的因果预测因子集合。有了这些工具，我们确定了一个子集的七个因果预测是合理的，当与域知识：表面感热通量，相对湿度在$850$百帕，风的一个组成部分在$250$百帕，$13.3$微米，热排放，对流可用的势能，和高度。
2022-11-18 cs.LG stat.ML
Identifying Drift, Diffusion, and Causal Structure from Temporal Snapshots
University of British Columbia（不列颠哥伦比亚大学）；University of Melbourne（墨尔本大学）
本文提出了一种从时间边际联合识别SDE漂移和扩散的方法，证明了非识别性仅在初始分布具有广义旋转对称性时发生，并展示了因果图可从SDE参数中恢复。
2026-11-09 cs.LG math.ST stat.ML
Private Causal Inference
因果推断处理识别哪些随机变量“导致”或控制其他随机变量。基于统计估计和机器学习工具的因果推断主题的最新进展已经产生了用于因果推断的实用算法。因果推断有可能对医学研究、疾病预防和控制以及识别影响经济变化的因素产生重大影响。然而，这些用于因果推断的有希望的应用通常是涉及需要保密的用户的敏感或个人数据的应用（例如，医疗记录、个人财务等）。因此，需要开发保护数据隐私的因果推断方法。我们研究了使用当前流行的因果推断框架，加性噪声模型（ANM），同时确保用户的隐私推断因果关系的问题。我们的框架为各种ANM变体提供了不同的隐私保证。我们进行了大量的实验，并证明我们的技术是实用的，易于实现。
2016-08-20 stat.ML
Local Causal Discovery for Estimating Causal Effects
Carnegie Mellon University（卡内基梅隆大学）
本文提出局部因果发现算法 LDECC，通过非屏蔽碰撞子定向处理变量父节点，以估计可能的 ATE 集合，并在计算效率和忠实性假设上与现有方法形成互补。
2024-04-10 cs.LG stat.ME
Local Causal Discovery with Background Knowledge
Peking University（北京大学）；Renmin University of China（中国人民大学）
本研究针对因果发现中先验知识利用的问题，提出融合多类因果背景知识的局部结构学习方法及对应因果关系识别准则，经多类实验验证有效且高效，可应用于公平机器学习。
2024-08-15 cs.LG stat.ML
Estimating Causal Effects of Discrete and Continuous Treatments with Binary Instruments
MIT（麻省理工学院）；U of Bristol（布里斯托大学）；U of Michigan（密歇根大学）；CESifo（CESifo研究所）
提出基于局部copula的工具变量框架，通过恒定局部依赖性假设识别离散和连续治疗的因果效应，并应用于睡眠对幸福感的影响估计。
2026-09-09 econ.EM stat.ME
Retrospective Causal Inference with Machine Learning Ensembles: An Application to Anti-Recidivism Policies in Colombia
我们提出了新的方法来估计因果关系的影响，回顾微观数据的协助下，一个机器学习合奏。这种方法克服了传统方法（如回归建模或匹配）中的两个重要限制：（i）有关回顾性反事实的模糊性和（ii）潜在的错误指定，过度拟合，以及在因果效应估计中对大型识别协变量集的偏倚倾向或低效使用。我们的方法基于假设的人口干预措施，将分析目标定位于定义良好的"回顾性干预效应“（RIE），并应用机器学习集成，使数据能够以受控的方式指导我们如何使用大型识别协变量集。我们说明了减少在哥伦比亚的前战斗人员累犯的政策选择的分析。
2016-07-11 stat.ML
