Stochastic Sensitivity Analysis for Matched Observational Studies
Department of Statistics University of Michigan(密歇根大学统计系)
针对匹配观察性研究,提出一种随机敏感性分析方法,通过将未测量混杂因素视为随机变量并寻找最坏条件分布,在允许隐藏偏差与潜在结果不完全对齐的情况下评估研究对未测量混杂的稳健性。
2026-06-04 stat.ME
Learning Joint Nonlinear Effects from Single-variable Interventions in the Presence of Hidden Confounders
我们提出了一种方法来估计多个同时进行的干预措施中存在的隐藏的混杂因素的影响。为了克服隐藏混杂的问题,我们考虑的设置,我们不仅可以访问的观察数据,但也设置单变量干预,其中每个治疗变量分别干预。我们证明了可识别性的假设下,数据是从一个非线性连续结构因果模型加性高斯噪声。此外,我们提出了一个简单的参数估计方法,通过汇集所有的数据从不同的制度和联合最大化的组合似然。我们还进行了全面的实验,以验证可识别性的结果,以及比较我们的方法对合成和真实世界的数据的基线的性能。
2020-06-16 stat.ME stat.ML
Estimating Individual Treatment Effects with Time-Varying Confounders
从观察数据中估计个体处理效应(ITE)在医疗保健中具有重要意义和实用价值。现有的研究主要依赖于强可解释性假设,即不存在隐藏的混杂因素,这可能导致估计因果效应时的偏倚。一些研究认为隐藏混杂因素是为静态环境设计的,不容易适应动态环境。事实上,大多数观察数据(例如,电子医疗记录)自然是动态的并且由顺序信息组成。在本文中,我们提出了深度序贯加权(DSW)估计ITE随时间变化的混杂因素。具体而言,DSW通过使用深度递归加权神经网络合并当前治疗分配和历史信息来推断隐藏的混杂因素。隐藏混杂因素的学习表示与当前观察到的数据相结合,用于潜在结果和治疗预测。我们计算治疗的时变逆概率以重新加权群体。我们对全合成,半合成和真实世界的数据集进行了全面的比较实验,以评估我们的模型和基线的性能。结果表明,我们的模型可以产生无偏和准确的处理效应的条件下随时间变化的观察和隐藏的混杂因素,为个性化医疗铺平了道路。
2020-12-15 stat.AP stat.ME stat.ML
Transferring Causal Effects using Proxies
ETH Zürich(苏黎世联邦理工学院)
本文提出通过代理变量在多领域中估计因果效应的方法,证明了可识别性并提供了估计技术与实证支持。
2025-12-27 cs.AI cs.LG stat.ME
Proximal Causal Inference for Complex Longitudinal Studies
关于时变治疗联合效应的因果推断的标准假设是,已测量足够的协变量,以确保在协变量分层内,受试者可在观察到的治疗值之间交换,也称为“序贯随机化假设(SRA)"。SRA经常受到批评,因为它需要准确测量所有混杂因素。实际上,测量的协变量很少能确定地捕获所有混杂因素。通常协变量测量充其量是混杂因素的代理,因此在SRA下的推断无效。在本文中,我们将Miao et al.(2018)的近端因果推断(PCI)框架扩展到半参数边际结构均值模型(MSMM)下的纵向设置。PCI提供了一个机会,了解联合因果关系的设置SRA的基础上测量随时间变化的协变量失败,正式占协变量测量作为不完美的代理的基础混淆机制。我们建立了非参数识别与一对时变代理,并提供了相应的表征定期和渐近线性估计的参数索引MSMM,包括丰富的一类双鲁棒估计,并建立相应的半参数效率界MSMM。广泛的模拟研究和数据应用说明了有限样本的行为所提出的方法。
2022-08-03 math.ST stat.ME stat.TH
High-Dimensional Inference for Generalized Linear Models with Hidden Confounding
针对高维广义线性回归中隐藏混杂因素导致标准去偏方法失效的问题,提出通过调整未测量混杂因素影响的去偏方法,证明其一致性与渐近正态性,并通过数值研究与遗传数据应用验证了有效性。
2023-09-11 stat.ME
Proximal Mediation Analysis with Unmeasured Treatment-Induced Confounding
Center for Applied Statistics and School of Statistics, Renmin University of China(中国人民大学统计学院与应用统计中心);Department of Biostatistics & Medical Informatics, University of Wisconsin-Madison(威斯康星大学麦迪逊分校生物统计与医学信息学系)
研究解决治疗引起的混杂因素问题,用观测变量作未测量混杂因素的代理,建立近端识别结果并开发估计器,通过模拟和实际数据应用说明该方法。
2026-07-07 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
Partial Identification of Dose Responses with Hidden Confounders
USC Information Sciences Institute(南加州大学信息科学研究所);USC Stevens Neuroimaging and Informatics Institute(南加州大学史蒂文斯神经影像与信息学研究所);University of Oxford(牛津大学)
针对连续取值处理的因果效应因隐藏混杂无法点识别的问题,提出新的边界估计方法,半合成基准测试显示其覆盖更紧密,并通过真实案例验证了价值。
2023-06-12 cs.LG stat.ME stat.ML
Comparative Study of Causal Discovery Methods for Cyclic Models with Hidden Confounders
Technische Universität Berlin(柏林工业大学)
针对现有多数因果发现算法无法适配含循环与隐混淆因子系统的问题,本文对两种LLC方法和两种基于ASP的算法开展多干预、多数据集规模的对比实验,明确各方法的优劣。
2024-12-08 cs.LG stat.ME stat.ML
Treatment-Aware Hyperbolic Representation Learning for Causal Effect Estimation with Social Networks
City University of Hong Kong(香港城市大学);Tencent(腾讯)
本文提出TAHyper方法,利用双曲空间编码社交网络并设计处理感知关系识别模块,以降低无标度网络嵌入失真并增强隐藏混淆因素表示,从而提升个体处理效应估计性能。
2024-01-12 cs.AI cs.LG cs.SI
Counterfactual Evaluation of Treatment Assignment Functions with Networked Observational Data
Arizona State University(亚利桑那州立大学);University of Virginia(弗吉尼亚大学)
新治疗分配函数的反事实评估(例如,广告算法和推荐系统)对于从业者来说是最关键的因果推理问题之一。传统上,进行随机对照试验(A/B检验)来评估治疗分配函数。然而,这种试验可能是耗时的,昂贵的,甚至在某些情况下是不道德的。因此,治疗分配函数的离线反事实评估成为一个紧迫的问题,因为在当今的大数据时代,有大量的观察数据可用。反事实评估需要处理隐藏的混杂因素--无法测量的特征,这些特征会对治疗分配和结果产生因果影响。为了处理隐藏混杂因素,大多数现有方法依赖于没有隐藏混杂因素的假设。然而,在大量观测数据的背景下,这种假设可能是站不住脚的。当这些数据与网络信息一起出现时,后者可能有助于纠正隐藏的混淆偏见。因此,我们首先制定了一个新的问题,与网络观察数据的治疗分配函数的反事实评估。然后,我们探讨了以下研究问题:我们如何利用网络信息在反事实评价?网络信息能改善反事实评估中的估计吗?为了回答这些问题,首先,我们提出了一个新的框架,\emph{Counterfactual Network Evaluator}(CONE),它(1)在观察到的治疗和结果的监督下学习潜在混杂因素的部分表示;(2)将它们结合起来进行反事实评估。然后通过大量的实验,我们证实了CONE的有效性。结果表明,将网络信息减轻隐藏的混淆偏见,在反事实评价。
2019-12-22 cs.LG stat.ME stat.ML
Proximal Identification and Estimation in Front-Door Causal Structures with Unobserved Confounding of the Mediator
Johns Hopkins Bloomberg School of Public Health(约翰霍普金斯大学布隆伯格公共卫生学院);Johns Hopkins Whiting School of Engineering(约翰霍普金斯大学惠廷工程学院)
研究前门因果结构中未观察到的混杂因素问题,提出前门准则的近端推广,推导新识别策略,给出估计策略并通过模拟评估性能,拓展了前门准则适用性。
2026-07-14 stat.ME
Time Series Causal Link Estimation under Hidden Confounding using Knockoff Interventions
Friedrich Schiller University Jena(耶拿弗里德里希·席勒大学)
潜变量往往掩盖了观测数据中的因果关系,这会引起可能被误解为因果关系的虚假联系。这个问题在气候科学和经济学等领域引起了极大的兴趣。我们建议估计混淆因果关系的时间序列使用顺序因果效应变分自编码器(SCEVAE),同时应用敲除干预。剔除变量与原始变量具有相同的分布,并保持与其他变量的相关性。这允许反事实更忠实于观测分布。我们通过将SCEVAE应用于具有线性和非线性因果联系的合成数据集,展示了敲除干预的优势。此外,我们应用SCEVAE与敲除真实的气溶胶云气候观测时间序列数据。我们比较了我们的结果合成数据的时间序列去干扰方法,估计和没有混淆。我们通过将这两种方法与地面实况进行比较,表明我们的方法优于此基准。对于真实的数据分析,我们依赖于专家知识的因果联系,并演示如何使用合适的代理变量,提高了因果关系的估计存在隐藏的混杂因素。
2022-11-18 cs.LG stat.ME
The Multiplicative Instrumental Variable Model
University of Pennsylvania(宾夕法尼亚大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Washington University in St. Louis(圣路易斯华盛顿大学);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院)
本文提出乘法工具变量模型,通过非参数方法识别处理效应,引入了新的估计器以提高效率和鲁棒性。
2026-05-11 stat.ME
Partial Identification of Causal Effects Using Proxy Variables
Boston University(波士顿大学);University of Pennsylvania(宾夕法尼亚大学);Johns Hopkins University(约翰斯·霍普金斯大学)
本文针对近端因果推断框架,提出无需完备性和桥接函数识别的因果效应部分识别方法,利用代理变量得到因果效应的界并推导推断相关结果,拓展了该框架的应用场景。
2026-08-06 math.ST stat.ME stat.ML
The Proximal ID Algorithm
Johns Hopkins University(约翰斯·霍普金斯大学);Northwestern University(西北大学);The Wharton School(沃顿商学院)
本文提出 Proximal ID 算法,结合外部辅助手段与 ID 算法,系统利用代理变量调整未观测混杂因素,实现多变量系统中目前最通用的非参数因果识别。
2023-06-25 cs.AI stat.ME
Causal Inference with a Hidden Treatment
University of Connecticut(康涅狄格大学);University of Pennsylvania(宾夕法尼亚大学)
针对处理变量不可直接观测而仅有代理测量的情况,提出半参数框架,通过正交补映射导出影响函数和效率界,并构建具有多重稳健性的估计量。
2026-06-23 stat.ME
Proximal Causal Inference for Modified Treatment Policies
Department of Biostatistics, University of Washington(华盛顿大学生物统计系);Vaccine and Infectious Disease Division, Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心疫苗与传染病部);Public Health Sciences Division, Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心公共卫生科学部)
本文提出了一种无需假设所有混杂因素已测量的近端因果推断方法,用于估计修改治疗策略下的平均结果,适用于免疫桥接研究中的保护相关性分析。
2025-12-12 stat.AP stat.ME
Theory for identification and Inference with Synthetic Controls: A Proximal Causal Inference Framework
合成对照(SC)方法通常用于在面板数据设置中估计单个处理单元的处理效应。SC是为匹配治疗单位而构建的对照单位的加权平均值,通常通过将治疗单位的治疗前结局和测量协变量与对照单位的治疗前结局和测量协变量进行回归(汇总)来估计权重。然而,已经确定的是,在没有良好拟合的情况下,这样的回归估计器通常表现不佳。在本文中,我们引入了一个近端因果推断框架,正式的SC和最终的处理效应的治疗,控制单元的观察,没有贡献的建设SC可以被重新利用为代理的潜在混杂因素的基础上,识别和推理。我们认为治疗单位和SC之间的治疗后结果的差异是一个时间序列,这为各种时间序列方法估计处理效应打开了大门。所提出的框架可以容纳非线性模型,它允许二进制和计数结果,在SC文献中研究不足。我们说明与模拟研究和应用程序,以评估1990年德国统一。
2023-02-18 stat.ME
Quasi Instrumental Variable Methods for Stable Hidden Confounding and Binary Outcome
Columbia University(哥伦比亚大学);National University of Singapore(新加坡国立大学);University of Washington, Seattle(华盛顿大学);University of Pennsylvania(宾夕法尼亚大学)
本文针对二元结果下IV排除性限制和独立性条件常不满足的问题,提出基于稳定混杂结构模型与准工具变量的识别策略,并开发最大似然和三重稳健半参数估计量,通过模拟及UK Biobank数据验证其有效性。
2025-09-20 stat.ME
Nonparametric Bounds for Evaluating the Clinical Utility of Treatment Rules
针对观察性研究中隐藏混杂因素导致新临床治疗规则效用评估复杂的问题,本文提出非参数界方法(含两种推导策略、工具变量扩展),通过模拟与真实数据验证,为未测量混杂下的规则影响评估提供稳健工具。
2025-08-20 stat.ME
Unified Causality Analysis Based on the Degrees of Freedom
HUN-REN Wigner Research Centre for Physics(HUN-REN Wigner物理研究中心);University of Pannonia(潘诺尼亚大学);Corvinus University of Budapest(布达佩斯考文纽斯大学)
针对动态系统中子系统因果关系及隐藏共同原因难以识别的问题,本文提出基于自由度分析的统一框架,可处理确定性与随机系统,并经理论模型和仿真验证。
2024-10-25 cs.AI cs.LG econ.EM
Estimation of individual causal effects in network setup for multiple treatments
Sony Research India(索尼印度研究院);Sony Global Corporation(索尼全球公司)
针对多处理网络化观测数据的个体因果效应估计问题,提出基于GCN学习混杂因素共享表示、用独立网络推断各处理潜在结果的方法,扩展相关度量指标,在基准数据集上取得优于基线的性能。
2023-12-18 cs.AI cs.LG stat.ME
Proximal Mediation Analysis with Hidden Recanting Witnesses
Center for Data Science, Zhejiang University(浙江大学数据科学中心);Department of Statistics and Data Science, National University of Singapore(新加坡国立大学统计与数据科学系)
针对中介分析中未知反悔证人(治疗诱导的中介-结局混杂因素)导致的路径效应识别难题,提出三种基于近端因果推断的识别策略,并开发了近端多重稳健估计量,在部分模型正确设定时仍一致,且渐近正态达到半参效率界。
2026-06-17 math.ST stat.ME stat.ML
Causal Discovery from Subsampled Time Series with Proxy Variables
School of Computer Science, Peking University(北京大学计算机科学学院);Center on Frontiers of Computing Studies (CFCS), Peking University(北京大学计算前沿研究中心);School of Data Science, Fudan University(复旦大学大数据学院);Yanjing Medical College, Capital Medical University(首都医科大学燕京医学院);Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院)
针对子采样时间序列因果推断难题,提出一种非参数、基于代理变量的约束式算法,可无参数约束地识别完整因果结构,并经合成与真实实验验证其优势。
2023-12-24 cs.LG stat.ME