The Role of Congeniality in Multiple Imputation for Doubly Robust Causal Estimation
Wake Forest University（维克森林大学）
本文探讨了在双重稳健因果估计中，多重插补模型对混杂因素缺失数据的规范要求，强调了正确指定插补模型的重要性以避免偏倚。
2025-12-18 stat.AP stat.ME
Inferring Heterogeneous Treatment Effects of Crashes on Highway Traffic: A Doubly Robust Causal Machine Learning Approach
Southeast University（东南大学）；Monash University（莫纳什大学）；Beihang University（北京航空航天大学）；University of Seoul（首尔大学）
本文提出一种基于双重稳健学习的因果机器学习框架，利用RCM、CSVI和SCM估计不同类型高速公路碰撞事故对车速的异质性因果效应，通过4815起事故实验验证了方法的准确性和有效性。
2024-01-01 cs.LG stat.ML
Doubly Robust Off-Policy Learning on Low-Dimensional Manifolds by Deep Neural Networks
Georgia Tech（佐治亚理工学院）
因果推理探索行为与结果奖励之间的因果关系。最近深度学习在因果推理方面取得了显著的成绩，但现有的统计理论不能很好地解释这种经验上的成功，特别是当协变量是高维的时候。因果推理中的大多数理论结果是渐近的，受到维数灾难的影响，并且只适用于有限作用场景。为了弥合理论与实践之间的差距，本文研究了基于深度神经网络的双重鲁棒离策略学习。当协变量位于一个低维流形上，我们证明了非渐近遗憾界，这取决于流形的内在维度收敛速度快。我们的结果涵盖了有限和连续的行动方案。我们的理论表明，深度神经网络能够适应协变量的低维几何结构，并部分解释了深度学习在因果推理方面的成功。
2020-11-03 cs.LG stat.ML
Doubly robust estimation of causal effects for random object outcomes with continuous treatments
针对非欧几里得随机对象数据，提出基于Hilbert空间嵌入的双重去偏因果推断框架，处理连续变量并适应高维混杂因素，通过共形推断实现反事实预测，扩展了复杂数据因果推断方法。
2025-06-28 econ.EM math.ST stat.AP
Causal inference through multi-stage learning and doubly robust deep neural networks
Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）；Halicioglu Data Science Institute, University of California, San Diego（加利福尼亚大学圣地亚哥分校哈利乔卢数据科学研究院）
本研究针对复杂因果推断任务需多阶段学习的需求，提出结合双重鲁棒机制的多阶段DNN因果推断框架，并为高维随样本量增长场景下的方法有效性提供理论保证，结果可推广至退化单阶段问题。
2024-07-11 cs.LG math.ST stat.ME
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
Machine learning for causal inference: on the use of cross-fit estimators
现代因果推断方法允许使用机器学习来削弱参数建模假设。然而，机器学习的使用可能导致推理的复杂化。双稳健交叉拟合估计已被提出，以产生更好的统计特性。我们进行了模拟研究，以评估几种不同的估计的平均因果效应（ACE）的性能。模拟治疗和结局的数据生成机制包括对数转换、多项式项和不连续性。我们比较了单稳健估计（g-计算，逆概率加权）和双稳健估计（增广逆概率加权，目标极大似然估计）。分别用参数模型和集成机器学习估计营养功能。我们进一步评估了双稳健交叉拟合估计。使用正确指定的参数模型，所有估计量均无偏，且置信区间达到标称覆盖范围。当与机器学习一起使用时，双稳健交叉拟合估计量在偏差、方差和置信区间覆盖率方面大大优于所有其他估计量。由于在高维数据中很难正确地指定参数模型，在大多数流行病学研究中，集成学习和交叉拟合的双稳健估计可能是估计ACE的首选方法。然而，这些方法可能需要更大的样本量以避免有限样本问题。
2020-08-28 stat.ME stat.ML
Doubly Robust Proximal Causal Inference under Confounded Outcome-Dependent Sampling
未测量的混杂和选择偏倚在观察性研究中经常引起关注，如果不适当解释，可能会使因果分析无效。在结果依赖性抽样下，对治疗、结果和样本选择过程具有因果影响的潜在因素可能导致不可测量的混杂和选择偏倚，从而在没有额外假设的情况下无法识别标准因果参数。在处理效应的比值比模型下，Li et al. 2022通过利用一对阴性对照变量作为混杂和选择偏倚来源的潜在因素的代理，建立了因果效应的近端识别和估计。然而，他们的方法完全依赖于所谓的治疗混淆桥函数的存在和正确规范，这是一种限制治疗分配机制的模型。在这篇文章中，我们提出了双重稳健估计的优势比模型下的两个滋扰功能-治疗混杂桥函数和结果混杂桥函数，限制了结果的法律，使我们的估计是一致的，渐近正常的，如果桥函数模型是正确的指定，而不知道哪一个是。因此，我们提出的双稳健估计量可能比Li等人的估计量更稳健。我们的模拟证实，提出的优势比因果效应的近端估计可以充分考虑剩余混杂和选择偏差，在规定的条件下，校准良好的置信区间在广泛的情况下，标准方法通常无法保持一致。此外，建议的双重稳健估计是一致的，如果至少有一个混杂桥函数被正确指定。
2022-08-02 stat.ME
Estimating Heterogenous Treatment Effects for Survival Data with Doubly Doubly Robust Estimator
本文针对左截断右删失生存数据，提出双重双重稳健估计量，结合非参数深度学习以有效估计平均及异质性处理效应，并通过模拟实验与多种现有方法比较验证其优劣。
2024-09-02 econ.GN q-fin.EC stat.AP
A Constraint-Based Algorithm For Causal Discovery with Cycles, Latent Variables and Selection Bias
自然界中的因果过程可能包含循环，而真实数据集可能违反因果充分性并包含选择偏差。目前没有基于约束的因果发现算法可以同时处理周期、潜变量和选择偏差（CLS）。因此，我介绍了一种算法，称为循环因果推断（CCI），使健全的推论与条件独立的预言CLS下，只要我们可以表示为一个非递归的线性结构方程模型的非递归的因果过程的独立错误。实证结果表明，CCI优于CCD在循环的情况下，以及竞争对手的FCI和RFCI在非循环的情况下。
2018-05-05 cs.LG stat.ME stat.ML
Ultra-high Dimensional Variable Selection for Doubly Robust Causal Inference
因果推断越来越依赖于具有丰富协变量信息的观察性研究。为了建立易于处理的因果过程，如双稳健估计，必须首先从高维甚至超高维数据中提取重要特征。在本文中，我们提出了因果球筛选混杂选择从现代超高维数据集。与常见的预测建模变量选择任务不同，我们的混杂因素选择程序旨在控制混杂因素，同时提高因果效应估计的效率。以往的经验和理论研究建议排除治疗的原因，不是混杂因素。受这些结果的启发，我们的目标是在倾向得分和结果回归模型中保留所有结果的预测因子。我们的建议的一个显着特点是，我们使用一个结果模型的自由程序的倾向得分模型选择，从而保持双重稳健性的因果效应估计。理论分析表明，该方法具有模型选择一致性和逐点正态性等性质。合成和真实数据分析表明，我们的建议表现良好，与现有的方法在一系列现实的设置。本文所用的数据来自阿尔茨海默病神经影像学倡议（ADNI）数据库。
2022-02-06 stat.ME
Doubly robust Methods for Recurrent Event Outcomes: Causal Effects of Blood Pressure Medications on Acute Kidney Injuries
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；University of Waterloo（滑铁卢大学）
研究评估治疗策略对复发性事件结果的平均因果效应，用先进方法估计降压疗法对急性肾损伤复发的效应，解决时变治疗和混杂及模型误设问题，并分析相关数据集。
2026-07-07 stat.ME
Doubly Robust Criterion for Causal Inference
半参数估计方法是因果推断的标准工具，它包括使用倾向得分的逆概率加权和双重稳健估计，并且它正迅速地向各个方向扩展。另一方面，虽然模型选择在统计分析中是必不可少的，但用于选择适当回归结构的信息标准刚刚开始开发。本文在赤池信息准则（AIC; \citealt{Aka73}）的基础上，导出了一个用于倾向得分分析的AIC型准则。在这里，我们定义了一个风险函数的基础上的库尔贝克-莱布勒散度作为基石的信息标准和治疗的一般因果推断模型，不一定是线性的。待估计的因果效应是一般人群中的因果效应，例如对治疗者的平均处理效应或对未治疗者的平均处理效应。鉴于该领域重视双重稳健估计，它允许分配变量或结果变量的模型是错误的，我们使信息准则本身具有双重稳健性，使得任何一个模型都可能是错误的，它仍然是风险函数的渐近无偏估计量.在模拟研究中，我们比较派生的标准与现有的标准从一个正式的参数，并确认前者优于后者。具体来说，我们检查，从推导的标准和真实结构的估计结构之间的分歧显然是在所有的模拟设置小，选择真实或接近真实的模型的概率显然更高。实际数据分析证实，使用这两个标准的变量选择的结果显着不同。
2022-12-27 stat.ME
Doubly Robust Inference on Causal Derivative Effects for Continuous Treatments
针对连续处理，研究存在和不存在positivity条件下剂量反应曲线导数的非参数推断，提出双重稳健估计量，解决传统方法不足，通过模拟和案例验证其适用性与效率。
2025-04-18 econ.EM math.ST stat.ME
Causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders
RIKEN（理化学研究所）；Shiga University（滋贺大学）
从受潜在混杂因素影响的数据中发现因果关系是一个重要而困难的挑战。基于因果函数模型的方法还没有被用来呈现变量的关系受到潜在的混杂因素，而一些基于约束的方法可以呈现它们。本文提出了一种基于因果函数模型的方法，称为重复因果发现（RCD）发现的因果结构的观察变量的潜在混杂因素的影响。RCD重复推断少量观察变量之间的因果关系，并确定这些关系是否受到潜在混杂因素的影响。RCD最终产生因果图，其中双向箭头指示具有相同潜在混杂因素的变量对，并且有向箭头指示不受相同潜在混杂因素影响的变量对的因果方向。使用模拟数据和真实世界数据的实验验证结果证实，RCD是有效的，在识别潜在的混杂因素和观察变量之间的因果关系的方向。
2020-11-04 cs.LG stat.ML
The Decaying Missing-at-Random Framework: Model Doubly Robust Causal Inference with Partially Labeled Data
本文提出衰减随机缺失框架及偏差减少半监督估计器，用于部分标记数据下处理效应的双稳健因果推断，同时解决标记偏差和组间不平衡，放宽稀疏性条件，并通过数值实验验证其有效性。
2025-04-21 math.ST stat.ME stat.ML
Doubly Robust Proximal Causal Learning for Continuous Treatments
Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学类脑智能科学与技术研究院）；School of Data Science, Fudan University（复旦大学数据科学学院）；Zhangjiang Fudan International Innovation Center（张江复旦国际创新中心）；Key Laboratory of Computational Neuroscience and Brain-Inspired Intelligence (Fudan University)（复旦大学计算神经科学与类脑智能重点实验室）；MOE Frontiers Center for Brain Science, Fudan University（教育部脑科学前沿中心（复旦大学））；Shanghai Engineering Research Center of AI & Robotics, Fudan University（上海市人工智能与机器人工程技术研究中心（复旦大学））；Engineering Research Center of AI & Robotics, Ministry of Education, Fudan University（教育部人工智能与机器人工程研究中心（复旦大学））
针对现有双重鲁棒近端因果学习估计量仅适用于二元处理、无法处理连续处理的问题，提出基于核的双重鲁棒估计量及高效扰动函数求解方法，证明其一致性并给出收敛分析，在合成与真实数据上验证了效用。
2024-03-11 cs.LG stat.ME
Covariate Selection for Doubly Robust Double/debiased Machine Learning Estimators for Causal Inference
Department of Human Development and Quantitative Methodology, University of Maryland（马里兰大学人类发展与定量方法系）
针对高维数据下因果推断中协变量选择问题，提出使用倾向得分与结果模型所选协变量的并集重新估计双稳健模型，模拟显示该方法能更有效减少混杂偏差，并揭示ML估计并非总是优于传统方法。
2026-09-16 stat.ME stat.ML
Quantifying the causal effect of speed cameras on road traffic accidents via an approximate Bayesian doubly robust estimator
本文采用近似贝叶斯双稳健（DR）因果推断估计方法量化测速摄像机对道路交通碰撞的影响。以前的实证工作，这表明了不同范围的估计效果，主要是基于结果回归（OR）模型，使用经验贝叶斯方法或简单的前后比较。因果关系和混淆问题很少受到正式关注。因果DR方法结合了倾向得分（PS）和OR模型，以给出平均处理效应（ATE）估计量，该估计量在两个组分模型中任一个的正确规范下一致且渐近正态。我们开发了一种新的近似贝叶斯框架内的这种方法，以获得后验预测分布的ATE的速度摄像机对道路交通碰撞。我们对英格兰的研究结果表明，超速摄像机站点的碰撞次数显著减少（平均ATE = -15%）。我们提出的方法提供了一个很有前途的方法来评估运输安全干预。
2019-08-16 stat.AP
Causal Effect Identification in LiNGAM Models with Latent Confounders
Technical University of Munich（慕尼黑工业大学）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Leiden University（莱顿大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文研究了带有潜在变量的 LiNGAM 模型中因果效应的可识别性，在因果图已知与未知两种设定下提供了完整的图特征描述与认证算法，并改编 RICA 算法实现因果效应估计。
2024-06-04 cs.LG stat.ME stat.ML
Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects
UC San Diego（加州大学圣地亚哥分校）；Johns Hopkins University（约翰斯·霍普金斯大学）；Duke University（杜克大学）
本文提出基于图机器学习和双重机器学习的方法，用于估计社交网络中的因果效应，通过模拟验证其准确性、稳健性和可扩展性。
2026-02-19 cs.LG cs.SI stat.ME
Doubly Robust Functional Representation Learning for Longitudinal Causal Inference with Irregular Histories
Academy of Life and Natural Sciences, Xi’an Jiaotong-Liverpool University（西交利物浦大学生命与自然科学学院）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息研究院）
针对不规则历史的纵向因果推断，提出DR-FRL交叉拟合工作流，通过函数与时间编码器映射状态、估计干扰项函数，经诊断验证后在模拟与VitalDB审计中表现出良好性能。
2026-07-31 cs.LG stat.AP stat.CO
Doubly cross-fit debiased machine learning of heterogeneous treatment effects under principal stratification
Yale School of Public Health（耶鲁公共卫生学院）
针对主分层框架中处理效应异质性研究不足的问题，提出双重交叉拟合双稳健机器学习方法，结合主可忽略性和比值比敏感性参数化，估计条件主因果效应，并建立理论保证。
2026-07-09 stat.ME stat.ML
Causal Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants
Graduate School of Informatics, Kyoto University（京都大学信息科学研究生院）；Institute for Liberal Arts and Sciences, Kyoto University（京都大学文科理科研究所）
针对含相关隐变量的线性非高斯因果发现难题，提出利用高阶累积量识别LvLiNGAM中因果DAG的新算法，经模拟与真实数据验证有效。
2025-10-16 cs.LG stat.ML
Causal Calculus in the Presence of Cycles, Latent Confounders and Selection Bias
Informatics Institute（信息学研究所）；University of Amsterdam（阿姆斯特丹大学）
我们证明了因果演算（也称为do-calculus）的I/O结构因果模型（ioSCM），最近提出的一般类的非线性结构因果模型，允许周期，潜在的混淆和任意概率分布的推广的主要规则。我们还推广调整标准和公式从非循环设置到一般的（即ioSCM）。这样的标准，然后允许估计（条件）的因果关系的影响，从观察数据（部分）收集的选择偏差和周期。这将后门标准、选择后门标准和这些标准的扩展推广到任意ioSCM。总之，我们的研究结果，从而使因果推理的周期，潜在的混杂因素和选择偏见的存在。最后，我们扩展的ID算法的因果关系的识别ioSCM。
2019-07-03 cs.AI cs.LG stat.ME
Leveraging directed causal discovery to detect latent common causes
Spotify（声田）；University College London（伦敦大学学院）；Babylon Health（巴比伦健康）
因果关系的发现是科学和医学中的一个基本问题。近年来，已经提出了许多从观测数据中发现两个变量之间因果关系的优雅方法。然而，大多数这些只处理纯粹的直接因果关系，不能检测潜在的共同原因。在这里，我们设计了一个一般的启发式，它需要一个因果发现算法，只能区分纯粹的直接因果关系，并修改它，也检测潜在的共同原因。我们将我们的方法应用于两个有向因果发现算法，信息几何因果推断（Daniusis等人，2010）和（Mitrovic，Sejdinovic，& Teh，2018）的因果推断的核条件偏差，并对合成数据进行了广泛的测试-检测加性，乘法和复杂噪声机制中的潜在常见原因-以及真实数据，我们能够检测已知的常见原因。除了检测潜在的共同原因，我们的实验表明，这两个修改后的算法保持原来的性能，在区分有向因果关系。
2021-06-21 cs.LG stat.ML
A coherent likelihood parametrization for doubly robust estimation of a causal effect with missing confounders
缺失数据和混杂是研究者在进行比较有效性的观察性研究中面临的两个问题。Williamson等人（2012）最近提出了一种统一的方法，在假设混杂因素随机随机缺失的情况下，使用多重稳健（MR）方法同时处理这两个问题。他们的方法考虑了一个模型的联合，其中任何子模型都有一个参数组件，而其余的模型是不受限制的。我们表明，虽然他们的估计功能是MR理论上，多重鲁棒推理的可能性是复杂的事实，即参数模型的不同组成部分的联盟模型是不是变化独立的，因此MR属性是不太可能在实践中举行。为了解决这个问题，我们提出了一种替代的透明参数化的似然函数，这使得明确的模型之间的依赖关系，需要评估的MR有效的分数的各种滋扰功能。所提出的方法是真正的双重鲁棒性（DR），因为它是一致的和渐近正态的，如果两组建模假设之一。通过仿真研究，我们评估了DR方法的性能和双重鲁棒性。
2020-07-20 math.ST stat.ME stat.TH
MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent Variable Models
Centre d’Analyse et de Mathématique Sociales（社会分析与数学中心）；EHESS（高等社会科学研究院）；Centre de Mathématiques Appliquées（应用数学中心）；École Polytechnique（巴黎综合理工学院）；Inria XPOP（法国国家信息与自动化研究所XPOP团队）；Google Research（谷歌研究院）
从观察数据推断治疗、干预或政策的因果效应是许多应用的核心。然而，用于因果推断的最新方法很少考虑协变量具有缺失值的可能性，这在许多现实世界的分析中是普遍存在的。缺失数据使因果推断程序变得非常复杂，因为它们需要一个适应的无混淆假设，而这在实践中很难证明。我们绕过这个问题，考虑潜在的混淆，其分布是通过适应缺失值的变分自编码器学习。它们既可以用作因果推断之前的预处理步骤，但我们也建议将它们嵌入多重插补策略中，以考虑缺失值引起的变异性。数值实验表明，所提出的方法的有效性，特别是对非线性模型相比，竞争对手。
2020-02-25 cs.LG stat.ME stat.ML
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
Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks
University of California San Diego（加州大学圣地亚哥分校）
本文提出了一种两阶段迭代算法，用于在具有复杂潜在混杂网络的Hawkes过程中学习因果结构，通过路径条件保证可识别性，并在合成和真实数据上验证了方法的有效性。
2026-03-02 cs.LG stat.ML
DR-VIDAL -- Doubly Robust Variational Information-theoretic Deep Adversarial Learning for Counterfactual Prediction and Treatment Effect Estimation on Real World Data
University of Pittsburgh（匹兹堡大学）；University of Florida（佛罗里达大学）
针对真实世界观察数据的个体治疗效应估计偏差问题，提出融合VAE、Info-GAN与双重鲁棒模块的DR-VIDAL生成框架，在多数据集上性能优于现有方法。
2025-10-21 cs.LG stat.ME
Discrete Causal Representation Learning
Columbia University（哥伦比亚大学）；University of Michigan（密歇根大学）
本文提出离散因果表示学习（DCRL），通过生成框架建模离散潜在变量的有向无环图及稀疏二分图，解决高维离散变量和混合观测的因果推断问题，证明模型在弱条件下可识别，并通过实验验证其有效性。
2026-03-26 stat.ME stat.ML
Bayesian Semiparametric Causal Inference: Targeted Doubly Robust Estimation of Treatment Effects
本文提出了一种贝叶斯半参数方法，用于高维数据中准确估计治疗效应，通过双重稳健性确保效率和有效性。
2025-11-19 econ.EM math.ST stat.ME
Generalized Independent Noise Condition for Estimating Latent Variable Causal Graphs
Guangdong University of Technology（广东工业大学）；Peking University（北京大学）；Pazhou Lab（琶洲实验室）；Carnegie Mellon University（卡内基梅隆大学）；Foshan University（佛山大学）
因果发现旨在恢复观察到的数据背后的因果结构或模型。尽管它在某些领域取得了成功，但大多数现有方法都集中在观测变量之间的因果关系上，而在许多情况下，观测变量可能不是潜在的因果变量（例如，图像像素），但是由潜在的因果变量或因果相关的混淆因素产生。为此，在本文中，我们考虑线性，非高斯潜变量模型（LiNGLaMs），其中潜在的混杂因素也是因果相关的，并提出了一个广义独立噪声（GIN）的条件来估计这样的潜变量图。具体地，对于两个观察到的随机向量$\mathbf{Y}$和$\mathbf{Z}$，当且仅当$ω^{\intercal}\mathbf{Y}$和$\mathbf{Z}$在统计上独立时，GIN成立，其中$ω$是由$\mathbf{Y}$和$\mathbf{Z}$之间的互协方差表征的参数向量。从图形的角度来看，粗略地说，GIN意味着$\mathbf{Y}$中变量的因果上较早的潜在共同原因将$\mathbf{Y}$与$\mathbf{Z}$分开。有趣的是，我们发现独立噪声条件，即，如果不存在混杂因素，原因是独立的，回归误差对原因的影响，可以看作是GIN的一个特例。此外，我们表明，GIN有助于定位潜在变量，并确定其因果结构，包括因果方向。我们进一步开发了一个递归的学习算法来实现这些目标。在合成数据和真实数据上的实验结果证明了该方法的有效性。
2020-11-18 cs.LG stat.ML
Foundations of Structural Causal Models with Latent Selection
本文提出通过结构因果模型理论基础解决潜在选择问题，引入条件操作以保留因果语义并简化分析。
2025-11-16 cs.AI cs.LG math.ST
A unifying approach for doubly-robust $\ell_1$ regularized estimation of causal contrasts
We consider inference about a scalar parameter under a non-parametric model based on a one-step estimator computed as a plug in estimator plus the empirical mean of an estimator of the parameter's influence function . We focus on a class of parameters that have influence function which depends on two infinite dimensional nuisance functions and such that the bias of the one-step estimator of the parameter of interest is the expectation of the product of the estimation errors of the two nuisance functions. Our class includes many important treatment effect contrasts of interest in causal inferen…
2019-06-05 math.ST stat.ME stat.ML
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
Causal Discovery with Multi-Domain LiNGAM for Latent Factors
Guangdong University of Technology（广东工业大学）；RIKEN（理化学研究所）；Shiga University（滋贺大学）；Pazhou Lab（琶洲实验室）；Peking University（北京大学）；Okayama University（冈山大学）；Foshan University（佛山科学技术学院）
从观测数据中发现潜在因素之间的因果结构是一个特别具有挑战性的问题。尽管针对这个问题做了一些努力，但现有的方法仅针对单域数据。在本文中，我们提出了多域线性非高斯非循环模型的潜在因素（MD-LiNA），其中的潜在因素之间的因果结构是共享的所有域，我们提供了它的识别结果。该模型丰富了多领域数据的因果表示。我们提出了一个综合的两阶段算法来估计模型。特别是，我们首先定位潜在的因素和估计的因素负载矩阵。然后，为了揭示共享潜在兴趣因素之间的因果结构，我们基于外部影响之间的独立关系以及多领域潜在因素与潜在兴趣因素之间的依赖关系的表征推导出评分函数。我们表明，所提出的方法提供了局部一致的估计。合成和真实世界的数据上的实验结果表明，我们的方法的有效性和鲁棒性。
2022-04-23 cs.LG stat.ML
Doubly robust causal inference through penalized bias-reduced estimation: combining non-probability samples with designed surveys
针对非概率样本因果推断中的选择偏差与高维协变量挑战，提出一步插入式双重稳健估计量，通过最小化平方渐近偏差构建惩罚估计方程，实现高维环境下的有效推断并验证了双重稳健性。
2024-03-26 stat.ME
Doubly Robust Quadratic Inference Functions for Causal Inference in Cluster Randomized Trials
University of Michigan（密歇根大学）
提出双重稳健二次推断函数（DR-QIF）估计量，结合倾向得分和结果回归模型，在整群随机试验中处理协变量不平衡，当任一模型正确指定时一致估计平均处理效应，且在错误指定工作相关结构时比双重稳健GEE更有效。
2026-06-26 stat.ME
Score-Based Causal Discovery of Latent Variable Causal Models
Carnegie Mellon University（卡内基梅隆大学）；University of California, San Diego（加州大学圣地亚哥分校）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出了一种基于得分的方法，用于识别包含因果相关潜在变量的因果结构，并提供了可识别性保证，同时通过实验验证了方法的有效性。
2026-05-19 cs.LG stat.ML
Bayesian Doubly Robust Causal Inference via Posterior Coupling
Tokyo Medical University（东京医科大学）；Tokyo University of Science（东京理科大学）；Keio University（庆应义塾大学）
本文提出一种通过后验耦合和熵倾斜实现的贝叶斯双重稳健因果推断方法，解决了联合建模中的反馈问题，提升了估计的准确性和效率。
2026-01-02 stat.ME
Learning Latent Causal Structures with a Redundant Input Neural Network
University of Pittsburgh（匹兹堡大学）
大多数因果发现算法在一组观测变量中发现因果结构。学习潜在变量之间的因果结构仍然是一个重要的开放问题，特别是在使用高维数据时。在本文中，我们解决了一个问题，它是已知的输入导致输出，这些因果关系编码的因果网络之间的一组未知数量的潜在变量。我们开发了一个深度学习模型，我们称之为冗余输入神经网络（RINN），它具有修改后的架构和正则化的目标函数，以找到输入，隐藏和输出变量之间的因果关系。更具体地说，我们的模型允许输入变量直接与神经网络中的所有潜变量交互，以影响潜变量应该编码什么信息，以便准确地生成输出变量。在这种情况下，输入变量和潜变量之间的直接联系使得潜变量部分可解释;此外，神经网络中潜变量之间的连接性用于对它们彼此之间以及与输出变量之间的潜在因果关系进行建模。一系列的仿真实验表明，RINN方法能够成功地恢复输入输出变量之间的潜在因果结构。
2020-09-08 cs.LG cs.NE q-bio.MN
Doubly robust treatment effect estimation with missing attributes
缺失属性在因果推断中是普遍存在的，就像在大多数应用统计工作中一样。在本文中，我们考虑各种假设下，因果推断是可能的，尽管缺失的属性和讨论相应的方法，平均处理效应估计，包括广义倾向得分法和多重插补。在广泛的模拟研究中，我们表明，没有一种方法系统地优于其他方法。然而，我们发现，双稳健的修改标准方法的平均处理效应估计与缺失数据反复执行优于其非双稳健的基线，例如，双稳健的广义倾向得分方法击败逆加权与广义倾向得分。这一发现在一项关于在重症监护管理背景下给予氨甲环酸对创伤性脑损伤患者死亡率影响的观察研究分析中得到了加强。在这里，双稳健估计恢复置信区间是一致的随机试验的证据，而非双稳健估计不。
2020-05-22 stat.ME
Auto-Doubly Robust Estimation of Causal Effects on a Network
本文提出了一种基于网络的双重稳健估计方法，用于估计网络中因果效应，结合倾向分数和结果模型，解决长程依赖和干扰问题。
2025-11-21 stat.ME
Why Is the Double-Robust Estimator for Causal Inference Not Doubly Robust for Variance Estimation?
本文探讨了因果推断中双重稳健估计器在方差估计中的局限性，并提出混合框架方法以实现有效推断。
2025-11-22 stat.ME
Learning Linear Non-Gaussian Causal Models in the Presence of Latent Variables
Sharif University of Technology（谢里夫理工大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Georgia Institute of Technology（佐治亚理工学院）；Carnegie Mellon University（卡内基梅隆大学）
我们考虑的问题，学习因果模型从观测数据产生的线性非高斯非循环因果模型的潜在变量。如果不考虑潜变量的影响，人们通常会推断出观察变量之间的错误因果关系。在忠实性假设下，我们提出了一种检验任意两个观测变量之间是否存在因果路径的方法。从这些信息中，我们可以得出它们之间的因果关系。接下来的问题是，因果效应是否也可以被唯一地识别出来。结果表明，即使在外部噪声的可信性和非高斯性假设下，观测变量之间的因果效应也不能唯一识别。然而，我们将提出一种有效的方法来识别与观测数据兼容的所有可能的因果效应的集合。此外，我们提出了因果图上的一些结构条件，在这些条件下，我们可以唯一地学习观测变量之间的因果效应。我们还提供了必要和充分的图形条件，唯一识别的变量的数量在系统中。在合成数据和真实数据上的实验表明了该算法在因果模型学习上的有效性。
2019-08-11 cs.LG stat.ML
Iterative Causal Discovery in the Possible Presence of Latent Confounders and Selection Bias
Intel Labs（英特尔实验室）
我们提出了一个健全的和完整的算法，称为迭代因果发现（ICD），恢复因果图中存在潜在的混杂因素和选择偏差。ICD依赖于因果马尔可夫和忠实性假设，并恢复基本因果图的等价类。它从一个完整的图开始，由一个迭代阶段组成，该阶段通过识别连接节点之间的条件独立性（CI）来逐渐细化该图。在任何迭代之后所需要的独立性和因果关系是正确的，从而在任何时候都呈现ICD。本质上，我们将CI条件集的大小与其在图上与测试节点的距离联系起来，并在后续迭代中增加该值。因此，每次迭代都细化由具有较小条件集的先前迭代恢复的图-较高的统计功效-这有助于稳定性。我们根据经验证明，与FCI、FCI+和RFCI算法相比，ICD需要的CI测试明显更少，并且可以学习更准确的因果图（代码可在https：//github.com/IntelLabs/caibrity-lab获得）。
2022-01-17 cs.AI cs.LG stat.ME
Variable Selection for Doubly Robust Causal Inference
混杂控制对于基于观察性研究的因果推断来说至关重要，但也具有挑战性。在典型的无混淆假设下，增广逆概率加权（AIPW）因其双重稳健性而被广泛用于估计平均因果效应（ACE），因为它依赖于正确指定的倾向得分模型或结果均值模型。为了确保关键假设成立，通常会努力收集足够丰富的预处理变量集，从而使变量选择势在必行。众所周知，为准确预测而针对倾向得分的变量选择可以通过包括工具变量来产生可变ACE估计量。因此，许多最近的工作建议选择所有的结果预测混杂控制和有效的估计。本文表明，AIPW估计与变量选择的目标是有效的估计可能会失去理想的双重鲁棒性。相反，我们建议控制任何协变量的倾向得分模型，该协变量是治疗或结局或两者的预测因子，这保留了AIPW估计量的双重稳健性。利用这一原则，我们提出了一个两阶段的过程与惩罚变量的选择和AIPW估计估计。我们所提出的程序的好处，从理想的双重鲁棒性。我们评估有限样本性能的AIPW估计与各种变量的选择标准，通过模拟和应用。
2023-01-26 stat.ME
Learning Latent Causal Dynamics
Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
时间序列建模的一个关键挑战是如何在未知的分布变化下学习和快速校正模型。在这项工作中，我们提出了一个原则性的框架，称为LiLY，首先恢复时间延迟的潜在因果变量，并确定它们的关系，从测量的时间数据下不同的分布变化。然后，校正步骤被公式化为利用来自新环境的几个样本学习低维变化因子，利用所识别的因果结构。具体而言，该框架分解未知的分布转变为过渡分布变化所造成的固定动态和随时间变化的潜在因果关系，并通过全球观测的变化。本文从非参数潜在因果动态的非线性混合出发，建立了非参数潜在因果动态在固定动态和变化动态下的可辨识性理论。通过实验，我们表明，时间延迟的潜在因果影响可靠地识别从不同的分布变化下的观测变量。通过利用这种变化的模块化表示，我们可以有效地学习在未知的分布变化下仅用少量样本来校正模型。
2022-02-23 cs.AI cs.LG stat.ML
Constraint-based Causal Discovery for Non-Linear Structural Causal Models with Cycles and Latent Confounders
Informatics Institute（信息学研究所）；University of Amsterdam（阿姆斯特丹大学）
我们解决的问题，因果发现数据，利用最近提出的因果建模框架的模块化结构因果模型（mSCM）来处理周期，潜在的混杂因素和非线性。本文引入了σ-连通图（σ-CG），这是一类新的具有附加结构的混合图（包含无向、双向和有向边），并将σ-分离的概念推广到σ-CG上，σ-分离是d-分离概念的适当推广.我们证明了σ-分离在边缘化和条件下的封闭性，并利用这一点来实现σ-CG上的σ-分离测试。然后，这将我们带到第一个因果发现算法，该算法可以处理非线性函数关系，潜在混杂因素，循环因果关系以及来自不同（随机）完美干预的数据。作为概念证明，我们在合成数据上展示了该算法如何恢复模块化结构因果模型的因果图的特征。
2018-07-09 cs.AI cs.LG stat.ML
Identifying Nonlinear 1-Step Causal Influences in Presence of Latent Variables
我们提出了一种学习随机动力系统的因果结构的方法，在潜变量的存在下，一个$1$步骤的功能依赖。我们提出了一个信息理论的方法，使我们能够恢复观察到的变量之间的因果关系，只要潜变量的演变没有外源噪声。我们进一步提出了一种有效的学习方法的基础上线性回归的特殊子情况下，动力学被限制为线性。我们通过数值模拟验证了我们的方法的性能。
2017-01-23 cs.IT cs.LG math.IT
Doubly Robust Nonparametric Instrumental Variable Estimators for Survival Outcomes
工具变量（IV）方法使我们有机会解决因果推断中的不可测混杂。然而，大多数IV方法仅适用于离散或连续结局，很少有IV方法适用于删失生存结局。在这项工作中，我们提出了非参数估计的局部平均处理效应的生存概率下不可删失和可删失。我们提供了一个有效的基于影响函数的估计和一个简单的估计过程时，IV是二进制或连续的。所提出的估计具有双重鲁棒性，可以很容易地将非参数估计使用机器学习工具。在模拟研究中，我们证明了我们提出的估计在各种合理的情况下的灵活性和效率。我们将我们的方法应用于前列腺癌、肺癌、结直肠癌和卵巢癌筛查试验，以估计筛查对生存概率的因果影响，并研究在不同删失假设下两种干预措施之间的因果对比。
2020-09-28 stat.ME
A doubly robust estimator for the Mann Whitney Wilcoxon Rank Sum Test when applied for causal inference in observational studies
针对现有MWWRST双重稳健估计量的各类局限，研究基于函数响应模型（FRM）开发新的双重稳健估计量，并通过模拟与真实数据验证其性能，用于观察性研究的因果推断。
2024-03-11 stat.ME
