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
Generalized Encouragement-Based Instrumental Variables for Counterfactual Regression
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Emory University（埃默里大学）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Carnegie Mellon University（卡内基梅隆大学）
本文针对激励设计中随机化不完全、数据有限及激励稀少导致因果效应估计困难的问题，提出了广义工具变量估计器EnCounteR，结合观察与激励数据有效识别条件平均处理效应，并在合成与真实数据集上验证了其优越性。
2024-12-19 cs.LG stat.ME stat.ML
Counterfactual harm
DeepMind（深度思维）；Comind；Babylon（巴比伦）
为了在现实世界中安全和道德地行事，代理人必须能够推理伤害并避免有害行为。然而，到目前为止，还没有统计方法来衡量伤害并将其纳入算法决策。在本文中，我们提出了第一个正式的定义的伤害和利益的因果模型。我们表明，在某些情况下，任何实际的伤害定义必须违反基本的直觉，并表明，标准的机器学习算法，不能执行反事实推理保证追求有害的政策后，分布的变化。我们使用我们的伤害的定义，设计一个框架，使用反事实的目标函数的伤害厌恶决策。我们证明了这个框架上的问题，确定最佳药物剂量的剂量反应模型从随机对照试验数据。我们发现，使用治疗效果选择剂量的标准方法会导致不必要的有害剂量，而我们的反事实方法使我们能够在不牺牲疗效的情况下确定危害明显较小的剂量。
2022-11-02 cs.AI cs.LG stat.ML
Generalizing causal inferences from individuals in randomized trials to all trial-eligible individuals
我们考虑在随机试验中进行因果推断的方法，这些随机试验嵌套在试验合格个体的队列中，包括那些没有随机化的个体。我们展示了如何从整个队列的基线协变量数据，治疗和结果的数据，仅从随机个体，可以用来确定潜在的（反事实）结果的手段和平均处理效应在所有合格的个人的目标人群。我们回顾可识别性条件，提出估计，并评估估计的有限样本的模拟研究中的性能。作为一个例子，我们在一个嵌套在一组符合试验条件的个体中的试验中应用估计量，以比较冠状动脉旁路移植术加药物治疗与单纯药物治疗对慢性冠状动脉疾病的影响。
2019-10-29 stat.ME
Learning to Infer Counterfactuals: Meta-Learning for Estimating Multiple Imbalanced Treatment Effects
University of New South Wales（新南威尔士大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61部门）
我们经常考虑在实践中回答反事实的问题，比如“如果糖尿病患者选择另一种药物，他们会好转吗？".观察性研究由于其广泛的积累和比随机对照试验（RCT）更容易获得，在回答这些问题方面的意义越来越大。近年来，一些研究将表示学习和领域自适应引入反事实推理。然而，目前大多数的工作集中在设置的二进制处理。没有人认为不同治疗的样本量是不平衡的，特别是由于用户固有的偏好，某些治疗组的数据实例相对有限。在本文中，我们设计了一个新的算法框架，反事实推理，这带来了一个想法，从元学习估计个别治疗效果（MetaITE），以填补上述研究空白，特别是考虑到多个不平衡的治疗。具体来说，我们认为数据事件之间的处理组在反事实推理的元学习任务。我们训练一个元学习者从一组源处理组与足够的样本和更新模型的梯度下降与有限的样本在目标处理。此外，我们引入了两个互补的损失。一个是多源处理的监督损失。另一个损失，对齐各治疗组之间的潜在分布，建议减少的差异。我们在两个真实世界的数据集上进行实验，以评估推理精度和泛化能力。实验结果表明，该模型MetaITE匹配/优于国家的最先进的方法。
2022-08-13 cs.LG stat.ME
Robust Covariate Adjustment in Multi-Center Randomized Trials
Ghent University（根特大学）；Debre Markos University（德布雷马尔科斯大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
本文提出了一种针对多中心随机试验中协变量不平衡问题的稳健估计方法，通过引入中心效应提升效率并保持无偏性，改进了反事实均值和治疗效应的估计。
2026-08-17 stat.ME
Randomized Allocation with Nonparametric Estimation for Contextual Multi-Armed Bandits with Delayed Rewards
University of Minnesota（明尼苏达大学）
我们研究了一个多臂强盗问题的协变量设置有可能延迟观察奖励。在对延迟的概率分布进行一些温和的假设下，并使用适当的随机化来选择武器，所提出的策略是强一致的。
2019-09-04 cs.LG math.ST stat.ML
Covariate adjustment in multi-armed, possibly factorial experiments
随机实验是因果推断的金标准，并证明了治疗组之间的简单比较。回归调整提供了一种方便的方法来合并协变量信息，以提高效率。本文提供了一个统一的帐户，它的效用，以提高估计效率的多臂实验。我们开始与常用的添加剂和充分相互作用的回归调整模型，并澄清之间的权衡所产生的普通最小二乘（OLS）估计估计平均处理效应的有限样本性能和渐近有效性。然后，我们移动到回归调整的基础上限制最小二乘（RLS），并建立了第一次从设计为基础的角度推断平均处理效应的属性。由此产生的推论有多重保证。首先，它是渐近有效的，当正确指定的限制。其次，只要正确规定了对治疗指标系数的限制（如有），并将其与治疗-协变量相互作用系数的限制分开，则其保持一致。第三，它可以有更好的有限样本性能比其无限制的对应，即使限制是适度错误指定。因此，我们建议在多组实验中进行协变量调整，当在许多协变量、许多治疗方法但样本量适中的情况下，完全相互作用回归的OLS拟合有较大的有限样本变异性风险时。此外，RLS理论的提出也为研究一般回归规范的基于OLS的推理提供了有力的工具。作为一个例子，我们通过理论和模拟证明了它的独特价值，研究基于最小二乘回归调整的析因实验。
2022-10-24 stat.ME
Global sensitivity analysis for studies extending inferences from a randomized trial to a target population
当参与随机化试验的个体与使用试验结果的目标人群相比在效应调节剂的分布方面存在差异时，试验的处理效应估计值可能不直接适用于目标人群。将因果推断从试验推广到目标人群的方法依赖于随机化和非随机化个体之间的条件交换假设。这些假设的有效性往往是不确定的或有争议的，研究人员需要检查违反假设将如何影响研究结论。我们描述了全局敏感性分析的方法，直接参数化违反假设的潜在（反事实）的结果分布。我们的方法不需要详细的知识，具体的不可测量的效果修饰剂的分布或它们与观察到的变量的关系。我们说明了方法使用的数据，从试验嵌套在一个队列的试验合格的个人比较冠状动脉手术加药物治疗与药物治疗单独稳定性缺血性心脏病。
2022-07-20 stat.ME
Canonical Representations of Markovian Structural Causal Models: A Framework for Counterfactual Reasoning
本文提出结构因果模型的规范表示（反事实模型），通过归一化程序分离反事实选择与干预约束，从而在保留干预知识的同时灵活实现多种反事实假设，无需个体层面估计。
2025-09-22 cs.AI math.ST stat.TH
Do We Exploit all Information for Counterfactual Analysis? Benefits of Factor Models and Idiosyncratic Correction
Princeton University（普林斯顿大学）；Sao Paulo School of Economics (EESP), Getulio Vargas Foundation（圣保罗经济学院，热图利奥·瓦加斯基金会）；Pontifical Catholic University of Rio de Janeiro (PUC-Rio)（里约热内卢天主教大学）
最优定价，即，确定使给定产品的利润或收入最大化的价格水平是零售业的重要任务。要选择这样一个数量，首先需要从产品需求中估计价格弹性。回归方法通常无法恢复这种弹性，由于混杂效应和价格的内生性。因此，通常需要随机化实验。然而，弹性可以是高度异质性的，这取决于例如商店的位置。由于随机化经常发生在市政一级，标准的差异中的差异方法也可能失败。可能的解决方案是基于方法来测量处理对单个（或仅仅几个）处理单元的影响，该方法基于从人工控制构建的反事实。例如，对于处理组中的每个城市，可以从未处理的位置构建反事实。在本文中，我们采用了一种新的高维统计方法来衡量价格变化对巴西一家主要零售商的日常销售额的影响。所提出的方法结合了主成分（因子）和稀疏回归，从而产生了一种称为因子调整正则化治疗评价方法（\texttt{FarmTreat}）的方法。这些数据包括400多个城市的五种不同产品的每日销售和价格。所考虑的产品属于\emph{sweet and candies}类别，并已在2016年和2017年进行了实验。我们的研究结果证实了假设的高度异质性产生非常不同的定价策略，在不同的城市。
2022-01-10 cs.LG econ.EM stat.AP
Can We Validate Counterfactual Estimations in the Presence of General Network Interference?
Stanford University（斯坦福大学）；Emory University（埃默里大学）
针对一般网络干扰下反事实估计难以验证的问题，提出保持分布的网络 bootstrap 与反事实交叉验证框架，并发布基准工具箱证明其稳健性。
2025-10-21 cs.LG econ.EM stat.ME
Rate-Optimal Cluster-Randomized Designs for Spatial Interference
我们考虑一个潜在的结果模型，其中任何两个单元之间可能存在干扰，但干扰的程度随着空间距离的增加而减小。因果被估量是全局平均处理效应，比较所有或无单位接受治疗的反事实情况下的结局。我们研究了一类设计，其中空间被划分为随机处理和控制的集群。对于每种设计，我们使用Horvitz-Thompson估计器估计处理效应，该估计器比较所有或没有处理邻居的单元的平均结果，其中邻居半径与设计规定的簇大小相同。我们推导出的估计的收敛速度作为一个函数的设计和干扰程度，并使用此来获得估计设计对，实现接近最佳的收敛速度下相对最小的假设干扰。我们证明了估计是渐近正态的，并提供了一个方差估计。对于实际实施的设计，我们建议分区空间使用聚类算法。
2022-09-14 econ.EM stat.ME
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
Conformal causal inference for cluster randomized trials: model-robust inference without asymptotic approximations
本文提出一种适用于整群随机试验的共形因果推断框架，在有限样本中无需渐近近似即可为群组和个体层面的处理效应构建预测区间，且对工作模型误设具有稳健性。
2024-10-01 stat.ME
Counterfactual Contextual Multi-Armed Bandit: a Real-World Application to Diagnose Apple Diseases
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Milano-Bicocca（米兰比可卡大学）
苹果采后病害是苹果生产中的主要经济问题之一，给生产者造成严重的经济损失。因此，我们开发了DSSApple，一个基于图片的决策支持系统，能够帮助用户在苹果疾病的诊断。具体而言，本文解决了顺序优化的最佳诊断，利用过去的互动与系统及其上下文信息（即用户提供的证据）的问题。学习在线模型的同时优化其结果的问题通常在文献中通过随机主动学习范式（即上下文多臂强盗（CMAB））来解决。这种方法交互式地更新决策模型，考虑到每一轮中提供的背景下每一次过去交互的成功。然而，这些信息往往是部分的，不足以处理这样复杂的决策问题。另一方面，人的决定隐含地包括未观察到的因素（在文献中称为未观察到的混杂因素），显着有助于人的最终决定。在本文中，我们利用嵌入在观察到的人类决策的信息边缘化混杂因素，提高CMAB模型的能力，以确定正确的诊断。具体来说，我们提出了一个反事实的上下文多臂强盗，一个模型的基础上的因果概念的反事实。通过对应用程序进行大规模用户研究收集的数据，利用离线实验对所提出的模型进行了验证。结果证明，在预测正确的苹果病害的现实任务中，我们的模型能够优于传统的CMAB算法和观察到的用户决策。
2021-02-08 cs.AI cs.LG
A General Recipe for the Analysis of Randomized Multi-Armed Bandit Algorithms
University of Oxford（牛津大学）；Kyoto University（京都大学）
本文提出一种推导随机多臂老虎机算法遗憾界的通用方法，通过验证采样概率和分布族的充分条件证明对数遗憾界，并重新分析了MED和TS算法，还扩展至新的非参数TS算法(h-NPTS)。
2024-11-13 cs.LG stat.ML
Bounding Causal Effects and Counterfactuals
Technische Universität München（慕尼黑技术大学）；Technical University of Munich（慕尼黑技术大学）；Department of Informatics（信息学院）
本论文系统比较并统一多种因果边界推断算法，扩展熵边界方法以支持反事实查询，并通过大规模模拟评估提出算法选择决策树与开源工具 CausalBoundingEngine。
2025-08-19 cs.AI cs.LG stat.ME
Comparing randomized trials
Brown University School of Public Health（布朗大学公共卫生学院）；Center for Gerontology and Health Care Research, Brown University School of Public Health（布朗大学公共卫生学院老年学与医疗保健研究中心）；Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；Richard A. and Susan F. Smith Center for Outcomes Research, Beth Israel Deaconess Medical Center, Harvard Medical School（理查德·A和苏珊·F·史密斯结果研究中心，贝斯以色列女执事医疗中心，哈佛医学院）
该研究针对随机对照试验间的分歧问题，提出了考虑试验参与效应的因果框架，发现跨试验迁移治疗效应的标准条件不足以保证效应一致性，需额外条件，拓展了研究比较方法。
2026-10-14 stat.ME
An Interventionist Approach to Mediation Analysis
朱迪亚·珀尔的见解是，当假设误差是独立的时，纯（又名自然）直接效应（PDE）通过中介公式非参数化地确定，这在不止一种意义上是“开创性的”！在同一篇论文中，珀尔描述了一种思想实验，作为激发PDE的一种方式。对这个实验的分析使罗宾斯和理查森提出了一种新的方法，即在一个扩展图上将干预措施的直接影响概念化，在这个扩展图中，治疗被分解为多个可分离的组成部分。我们进一步发展这个新的理论在这里，表明它提供了一个独立的框架，讨论调解没有参考跨世界（嵌套）的反事实或干预调解。该理论保留了“没有操纵就没有因果关系”的格言，并使调解问题在未来的随机对照试验中得到经验检验。即便如此，我们证明了干预主义和嵌套的反事实的方法仍然紧密耦合下的非参数结构方程模型，除非在一个“撤回证人的存在。“事实上，我们的分析也导致了一个简单的声音和完整的算法，用于确定特定路径反事实的（非干涉主义）理论中的识别。
2021-08-28 stat.ME
Effect heterogeneity and variable selection for standardizing causal effects to a target population
用于因果推断的随机试验和其他研究的参与者通常不能代表临床决策者所看到的人群。为了解释人群之间的差异，研究人员可能会考虑将结果标准化为目标人群。我们讨论了与标准化相关的几种不同类型的同质性条件：效果度量的同质性，反事实结果状态转换参数的同质性，以及反事实分布的同质性。这些条件中的每一个都可以用来表明，给定有关科学背景的假设，特定的标准化程序将导致目标人群中效应的无偏估计。我们比较和对比的同质性条件，特别是他们的影响，选择协变量的标准化和他们的影响，如何计算标准化的因果效应在目标人群。虽然最近开发的一些反事实的方法来概括依赖于同质性条件，避免了许多与传统方法相关的问题，他们往往需要调整一个大的（可能是不可行的）协变量集。
2019-10-05 stat.ME
Challenges in Statistical Analysis of Data Collected by a Bandit Algorithm: An Empirical Exploration in Applications to Adaptively Randomized Experiments
University of Toronto（多伦多大学）；Sapienza University of Rome（罗马第一大学）；University of Cambridge（剑桥大学）；Universitè Laval（拉瓦尔大学）；Carleton College（卡尔顿学院）
几十年来，多臂强盗算法一直被认为是自适应随机实验的有用方法。在此类实验中，算法会改变分配给参与者的手臂（例如帮助学生学习的替代干预措施），目标是为尽可能多的参与者分配更高回报的手臂。我们应用强盗算法汤普森采样（TS）运行自适应实验在三个大学类。教师看到了尝试快速使用数据给他们的学生在实验中更好的武器（例如，更好地解释一个概念）的巨大价值。然而，我们的部署说明了科学家和从业者使用这种自适应实验的主要障碍：与传统的均匀随机分配相比，缺乏对特定现实世界实验的统计分析受到影响程度的量化见解（Pallmann et al，2018; FDA，2019）。因此，我们使用我们的案例研究的无处不在的双臂二进制奖励设置经验调查的影响，使用汤普森采样，而不是均匀的随机分配。在这种情况下，使用常见的统计假设检验，我们表明，使用TS收集数据可以使假阳性率（FPR;当不存在差异时错误地报告差异）和假阴性率（FNR;当存在差异时未能报告差异）增加一倍。
2021-03-26 cs.LG stat.AP
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
Counterfactual Prediction Under Outcome Measurement Error
Carnegie Mellon University（卡内基梅隆大学）
针对预测模型中结果测量误差、处理效应与选择偏差的交叉威胁，提出无偏风险最小化方法及参数估计法，结合理论与实验证明联合纠正误差对提升模型可靠性至关重要。
2023-05-18 cs.CY cs.HC cs.LG
Don't Explain Noise: Robust Counterfactuals for Randomized Ensembles
Polytechnique Montreal（蒙特利尔理工学院）；Ecole des Ponts（巴黎桥路学院）
研究随机化集成的鲁棒反事实解释生成问题，提出概率方法并给出理论保证，实验显示其有效性远高于现有方法且距离代价小。
2024-03-21 cs.LG math.OC
Old Dog Learns New Tricks: Randomized UCB for Bandit Problems
Mila, Université de Montréal（Mila（蒙特利尔大学））；McGill University（麦吉尔大学）；Mila, Université Laval（Mila（拉瓦尔大学））；Google Research（谷歌研究院）
我们提出了$\tt RandUCB$，一个强盗策略，建立在理论推导的置信区间类似的置信上限（UCB）算法，但类似于汤普森采样（TS），它使用随机化权衡探索和剥削。在$K$-武装土匪设置，我们表明，有无穷多个变种的$\tt RandUCB$，所有这些实现最小最优$\widetilde{O}(\sqrt{K T})$遗憾后，$T$轮。此外，对于一个特定的多臂强盗设置，我们表明，UCB和TS可以恢复为特殊情况下的$\tt RandUCB$。对于结构化土匪，其中每个手臂与$d$维特征向量和奖励分布根据线性或广义线性模型，我们证明了$\tt RandUCB$实现了最小最优的$\widetilde{O}(d \sqrt{T})$遗憾，即使在无限多个武器的情况下。通过在多臂和结构化强盗设置的实验，我们证明了$\tt RandUCB$匹配或优于TS和其他随机探索策略。我们的理论和实证结果表明，$\tt RandUCB$实现了两全其美。
2020-03-23 cs.LG stat.ML
Estimating Network Effects Using Naturally Occurring Peer Notification Queue Counterfactuals
随机实验或A/B测试用于通过创建两个平行宇宙来估计功能对用户行为的因果影响，其中成员同时分配给治疗和控制。然而，在社交网络设置中，成员相互作用，使得特征的影响并不总是包含在治疗组内。研究人员已经开发了许多实验设计来评估社交环境中的网络效应。或者，自然发生的外源性变化，或“自然实验”，允许研究人员恢复因果估计的同行效应的观察数据，在没有实验操作。自然实验权衡了工程成本和与网络随机化相关的一些伦理问题，以及寻找具有自然外源变化的情况的搜索成本。为了减轻与发现自然反事实相关的搜索成本，我们确定了一个常见的工程要求，用于扩展大规模的在线系统，其中可能存在自然的外源性变化：通知发布。我们根据通知队列的顺序确定了LinkedIn平台上的两个自然实验，以估计接收到的消息对收件人参与度的因果影响。我们发现，从另一个成员接收消息显着增加了成员的参与，但一些流行的观测规范，如固定效应估计，高估了这个效果高达2.7倍。然后，我们将估计的网络效应系数应用于大量过去的实验，以量化它在多大程度上改变了我们对实验结果的解释。该研究指出了使用消息队列发现自然发生的反事实的好处，以估计因果关系，而无需实验者干预。
2019-02-19 cs.CY cs.SI econ.EM
Causal predictive inference and target trial emulation
观察性数据的因果推断可视为与观察性研究匹配的假设人群规模随机试验产生的缺失数据问题。这将目标试验方案与相应的生成预测模型联系起来进行推理，为因果假设和处理效应的统计不确定性的透明沟通提供了一个完整的框架，而不需要反事实。这项工作的直观基础是，整个人群的随机试验将为任何可观察到的因果问题提供确定的答案。因此，我们的因果推断的基本问题是假设的目标试验数据的缺失，我们通过从以观察数据为条件的生成预测模型中重复插补来解决这个问题。因果假设映射到预测模型跨人群和条件的可移植性的直观条件。我们展示了我们的方法在一个真实的数据应用，研究母亲吸烟对出生体重的影响，使用贝叶斯添加剂回归树和逆概率加权的扩展。
2022-07-25 stat.ME
ParKCa: Causal Inference with Partially Known Causes
Simon Fraser University（西蒙弗雷泽大学）
从观测数据中进行因果推断的方法是一种替代方案，用于收集反事实数据或实现随机实验是不可能的。采用堆叠的方法，我们提出的方法ParKCA结合了几种因果推理方法的结果，学习新的原因，在应用程序中的一些已知的原因和许多潜在的原因。我们在两个全基因组关联研究中验证了ParKCA，一个真实世界和一个模拟数据集。我们的研究结果表明，ParKCA可以推断更多的原因比现有的方法。
2020-11-11 cs.LG stat.AP stat.ML
Weak Signal Asymptotics for Sequentially Randomized Experiments
Stanford Graduate School of Business（斯坦福大学商学院）
本研究通过弱信号渐近分析序贯随机实验，证明其收敛于扩散极限，并揭示Lipschitz连续随机化导致次优遗憾，而特定汤普森采样变体实现近最优遗憾但后验不稳定。
2023-06-22 cs.LG math.ST stat.TH
Design-Based Anytime-Valid Inference for Randomized Experiments with Delayed Outcomes and Staggered Entry
Netflix（网飞）；Cornell University（康奈尔大学）
针对在线实验中结果延迟和交错进入的问题，采用基于设计的视角，通过构造臂特定事件时间滤子下的鞅，结合联合界构建处理效应的置信序列，实现连续监测。
2026-05-29 math.ST stat.ME stat.TH
A causal inference approach to network meta-analysis
虽然标准荟萃分析汇总了比较两种治疗方法的随机试验的结果，但网络荟萃分析汇总了比较更广泛治疗方案的随机试验的结果。然而，当并非对每个人群的所有治疗进行评价时，尚不清楚异质人群中效应估计值的汇总是否与有意义的参数一致。借鉴反事实理论和因果推断框架，我们定义了网络荟萃分析中的感兴趣人群，并在一系列非参数结构假设下定义了目标参数。这使我们能够确定该参数的可识别性要求，从而能够描述网络荟萃分析适用的条件以及何时可能误导决策。然后，我们从因果推断文献中采用了几种建模策略，以获得干预特异性平均结局的一致估计和治疗之间的模型独立对比。最后，我们对一项系统评价进行再分析，以比较抗生素对住院患者中疑似或确诊的甲氧西林耐药\emph{Staphylococcus aureus}的疗效。
2016-08-11 stat.ME
Predicting Counterfactuals from Large Historical Data and Small Randomized Trials
Hebrew University of Jerusalem（耶路撒冷希伯来大学）；Microsoft Research（微软研究院）；Tel Aviv University（特拉维夫大学）
当考虑使用一种新的治疗方法时，无论是制药药物还是搜索引擎排名算法，都会出现一个典型的问题，即其性能是否会超过当前治疗方法？回答这个反事实问题的传统方法是通过进行对照随机实验来评估新治疗与传统治疗的效果。虽然这种方法在理论上确保了无偏估计，但它有几个缺点，包括难以找到代表性的实验群体以及运行此类试验的成本。此外，这种试验忽略了大量的控制条件数据，这些数据往往被完全忽略。在本文中，我们提出了一个判别框架，用于估计一个新的治疗的性能给定的控制条件的大数据集和数据从一个小的（可能是不具代表性的）随机试验比较新的和旧的治疗。我们的目标，这需要最少的假设的治疗，模型之间的关系，不同的条件的结果。这使我们不仅可以估计平均效应，还可以为随机样本之外的示例生成单独的预测。我们通过三个方面的实验证明了我们的方法的实用性：搜索引擎操作，糖尿病患者的治疗，和房屋的市场价值估计。我们的研究结果表明，我们的方法可以减少目前进行的随机对照实验的数量和规模，从而节省显着的时间，金钱和精力的从业者的一部分。
2016-10-26 cs.LG
A quantum experiment with joint exogeneity violation
本研究在量子实验中首次证实随机实验里的联合外生性假设存在违反，证伪了该经典反事实假设，并探讨了其对潜在结果建模的实践与哲学意义。
2025-07-30 math.ST physics.hist-ph quant-ph
Confounding-Valid Conformal Inference for Counterfactual KPIs in Wireless Networks
EURECOM（欧洲通信与网络研究院）；Huawei Technologies Sweden AB（华为技术瑞典公司）
针对无线网络反事实KPIs的隐藏混淆问题，提出CV-CCI方法，结合观测与随机遥测数据，在保证覆盖性的同时提升预测集效率，优于现有基线。
2026-09-07 cs.LG cs.NI eess.SP
Reframing cross-world independence in multimediator causal models
Institute of Statistical Science, Academia Sinica（中央研究院统计科学研究所）；Department of Statistics, National Taipei University（台北大学统计学系）
本研究利用SWIGs统一了经典、干预和可分离三种路径特定效应语义，将可分离效应推广至多中介模型，并提出通过纳入足够中介者近似跨世界独立性，为复杂系统中介分析提供实用策略。
2026-10-07 stat.ME
Sample Observed Effects: Enumeration, Randomization and Generalization
University of Sao Paulo（圣保罗大学）
针对因果效应反事实定义缺乏泛化性的问题，提出干预效应外部有效性的组合定义，基于背景集合制定泛化条件，用组合框架审视反事实公式问题，替代参数估计并展示在COVID-19问题中的应用。
2024-06-02 cs.AI stat.ME
Causal Meta-Mediation Analysis: Inferring Dose-Response Function From Summary Statistics of Many Randomized Experiments
在互联网行业中，使用离线开发的算法来为有助于企业成功的在线产品提供动力是很常见的。离线开发的算法由离线评估指标指导，这些指标通常与在线业务关键绩效指标（KPI）不同。为了最大限度地提高业务KPI，在所有可用的离线评估指标中选择北极星是很重要的。通过指出在线产品可以通过在线评估指标来衡量，在线评估指标是离线评估指标的在线对应物，我们将问题分解为两部分。由于离线A/B测试文献得出了第一部分：离线评估指标的反事实估计量，其移动方式与在线评估指标相同，因此我们关注第二部分：在线评估指标对业务KPI的因果影响。离线评估指标的北极星应该是其在线对应物导致业务KPI最显着提升的指标。我们建模的在线评价指标作为一个中介，并正式确定其因果关系的业务KPI的剂量反应函数（DRF）。我们的新方法，因果Meta中介分析，利用许多现有的随机实验的汇总统计，以确定，估计和测试的调解人DRF。它易于实施和扩大规模，并且与中介分析和荟萃分析的文献相比具有许多优点。我们证明了它的有效性，通过模拟和实际数据上的实现。
2020-06-17 math.ST stat.AP stat.ME
Causal Inference from Observational Studies with Clustered Interference
从观察性研究中推断因果关系是具有挑战性的，因为参与者不是随机接受治疗的。传染病研究中的观察性研究提出了额外的挑战，即一名参与者的治疗可能会影响另一名参与者的结果，即，可能存在干扰。在本文中，最近的方法来定义因果效应的干扰的存在被认为是，并提出了新的因果被估量专门用于观察性研究。先前定义的被估量针对的是反事实情景，在这种情景中，个体以相等的概率独立地选择治疗。然而，在集群内个体之间存在干扰的情况下，同一集群中个体之间的治疗选择可能不太可能独立。拟议的因果被估量，而不是描述反事实的情况下，治疗选择的相关性结构是相同的，在观察到的数据分布，允许在个别治疗选择集群内的依赖性。这些被估量可能更相关的政策制定者或公共卫生官员谁希望量化的影响，增加治疗的个人在人口中的比例。逆概率加权估计这些被估量提出。估计量的大样本性质的推导，并提出了一个模拟研究，证明有限样本性能的估计。所提出的方法是通过分析孟加拉国超过10万人的霍乱疫苗接种研究数据来说明的。
2017-11-13 stat.ME
Extrapolating Single-Treatment Effects Out of Factorial Experiments
本文探讨了从因子实验中推断单一治疗效果的挑战，指出需满足特定条件或使用图模型以确保可识别性，并提出了非参数尖锐界限来评估效果符号的合理性。
2026-02-23 stat.ME stat.ML stat.OT
Designing a quasi-experiment to study the clinical impact of adaptive risk prediction models
针对现有准实验设计无法适配风险预测模型及阈值动态更新的问题，提出一种回归断点框架，通过定义反事实风险恢复局部可交换性，可在模型和阈值自适应调整场景下准确估计局部平均治疗效应。
2025-10-30 stat.ME
Information Theoretic Counterfactual Learning from Missing-Not-At-Random Feedback
Tsinghua University（清华大学）；Tencent（腾讯）；CNR（意大利国家研究委员会）
由于MNAR数据在现代推荐系统中无处不在，因此用于处理MNAR数据的反事实学习是推荐文献中一个有趣的话题。随机缺失（MAR）数据，即随机对照试验（RCT），通常需要大多数先前的反事实学习方法进行去偏学习。然而，在实践中，随机对照试验的执行成本极其昂贵。为了规避RCT的使用，我们建立了一个信息理论的反事实变分信息瓶颈（CVIB），作为一种替代方案，去偏置学习没有RCT。通过将原始信息瓶颈拉格朗日函数中的任务感知互信息项分解为事实和反事实部分，我们得到了一个对比信息损失和一个额外的输出置信度惩罚，从而促进了事实域和反事实域之间的平衡学习.对真实世界数据集的实证评估表明，我们的CVIB显着增强了浅层和深层模型，这揭示了超越RCT的建议中的反事实学习。
2020-10-17 cs.IR cs.LG stat.ME
Falsification of Internal and External Validity in Observational Studies via Conditional Moment Restrictions
MIT（麻省理工学院）；National Dong Hwa University（国立东华大学）
随机对照试验（RCT）被用来评估新的治疗方法，但在指导个性化治疗决策方面却受到限制。另一方面，观察（即，非实验性）研究有大量不同的人群，但容易出现各种偏倚（如残留混杂）。为了安全地利用观察性研究的优势，我们专注于证伪问题，即RCT用于验证从观察性数据中学习到的因果效应估计。特别是，我们表明，从随机对照试验和观察性研究的数据，假设的内部和外部有效性有一个可观察的，可检验的影响，在一组条件矩限制（CMR）的形式。此外，我们表明，表达这些CMR的因果效应，或“因果对比”，而不是个人的反事实手段，提供了一个更可靠的证伪测试。除了保证我们的测试的渐近性质，我们证明了优越的权力和第一类错误的方法，半合成和真实世界的数据集。我们的方法是可解释的，允许从业者可视化人群中的哪些亚组导致观察性研究的伪造。
2023-03-06 cs.LG stat.ME
Dynamic models for estimating the effect of HAART on CD4 in observational studies: application to the Aquitaine Cohort study and the Swiss HIV Cohort Study
在许多随机临床试验中，高效抗逆转录病毒治疗（HAART）已被证明在增加CD 4计数方面有效。因为随机试验有一些局限性（例如，持续时间短，高度选择的受试者），使用观察性研究来评估它是很有趣的。这是具有挑战性的，因为治疗优先在患有重度疾病的受试者中开始，特别是在具有低CD 4计数的受试者中。这个一般性问题已经用依赖于反事实表述的边际结构模型（MSM）来处理。因果关系的另一种方法是基于动态模型。首先，我们提出了三个离散时间动态模型的基础上线性增量（LIM）：最简单的模型是由一个差分方程CD 4计数;第二个有一个平衡点;第三个模型是基于一个系统的两个差分方程，允许联合建模CD 4计数和病毒载量。然后，我们考虑连续时间模型的基础上常微分方程的随机效应（ODE-NLME）。这些机制模型允许在可用时并入生物学知识，这导致用于检测处理效应的能力增加。然而，在ODE-NLME模型中的推断从数值的角度来看是具有挑战性的，并且需要特定的方法和软件。LIM在一致性、精确性和复杂性方面是一个有价值的中间选择。不同的方法进行了比较，在模拟和适用于艾滋病毒队列（ANRS CO 3阿基坦队列和瑞士艾滋病毒队列研究）。
2015-11-20 stat.ME
Systematically Missing Data in Causally Interpretable Meta-Analysis
因果关系可解释荟萃分析结合了来自随机对照试验集合的信息，以估计目标人群中的处理效应，其中可能无法进行实验，但可以从简单的随机样本中收集协变量信息。在这些分析中，一个关键的实际挑战是系统性的缺失数据，当一些基线协变量没有在所有试验中收集时。在此，我们提供了在荟萃分析中某些试验的协变量数据系统性缺失时，目标人群中潜在（反事实）结局平均值和平均处理效应的识别结果。我们提出了三个估计的平均处理效应在目标人群中，检查他们的渐近性质，并表明，他们有良好的有限样本性能的模拟研究。我们使用估计器来分析来自两个大型肺癌筛查试验的数据和来自国家健康和营养检查调查（NHANES）的目标人群数据。为了适应复杂的调查设计的NHANES，我们修改的方法，将调查抽样权重，并允许聚类。
2022-05-02 stat.ME
Enhancing Counterfactual Classification via Self-Training
IBM Research（IBM研究院）
与传统的监督学习不同，在许多情况下，只有部分反馈可用。我们可能只会观察到所选行为的结果，而不会观察到与其他选择相关的反事实结果。这种设置涵盖了各种各样的应用，包括定价，在线营销和精准医疗。一个关键的挑战是，观测数据受到系统中部署的历史政策的影响，产生有偏见的数据分布。我们将此任务视为一个领域自适应问题，并提出了一种自训练算法，该算法将观察数据中有限的不可见行为的分类值归为结果，通过伪标签模拟随机试验，我们称之为反事实自训练（CST）。CST迭代地估算伪标记并重新训练模型。此外，我们表明输入一致性损失可以进一步提高CST性能，这是在最近的伪标记的理论分析。我们证明了所提出的算法在合成和真实数据集上的有效性。
2021-12-08 cs.LG stat.ML
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
Cycle-Balanced Representation Learning For Counterfactual Inference
University of New South Wales（新南威尔士大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）
随着观测数据的广泛积累，研究人员在许多领域（例如，医疗保健和计算机广告），而没有随机对照试验（RCT）。然而，观察数据存在固有的缺失反事实结果，以及由于行为偏好导致的治疗组和对照组之间的分布差异。基于表示学习在领域自适应领域的最新进展，本文提出了一个基于循环平衡的反事实表示学习框架（CBRE），以解决上述问题。具体而言，我们通过对抗训练实现了不同群体的鲁棒均衡表示，同时构建了一个信息循环，使得原始数据属性循环保存，从而减少了将数据转换到潜在表示空间时的信息丢失。在三个真实数据集上的实验结果表明，CBRE匹配/优于现有方法，它在反事实推理中有很大的应用潜力。
2021-10-29 cs.AI cs.LG
A Nonparametric Likelihood Approach for Inference in Instrumental Variable Models
工具变量方法允许通过控制不依从随机实验中的未测量混杂来推断处理效应。然而，许多研究没有考虑在测试过程中观察到的顺应性行为，这可能导致功率损失。在本文中，我们提出了一种新的非参数似然方法，称为二项式似然（BL）方法，它结合了信息的遵守行为，同时克服了以前的技术的几个限制，并利用似然方法的优点。我们所提出的方法产生适当的估计的反事实的分布函数通过最大化的二项似然空间的分布函数。利用这一点，我们提出了两个版本的二项似然比检验的原假设没有处理效应。我们表明，这两个版本是更强大的检测任何分布的变化比现有的方法在有限样本的情况下，渐近等价于两个样本的安德森-达林测试。我们还开发了一个有效的算法来计算我们的估计，并应用二项式似然方法的研究医疗补助覆盖范围对心理健康的影响，使用俄勒冈州健康保险实验。
2020-06-11 math.ST stat.AP stat.ME
Sequential causal inference in a single world of connected units
我们考虑自适应设计的试验涉及N个人，我们沿着T的时间步长。我们允许一个个体的变量依赖于它的过去和其他个体的过去。我们的目标是学习一个平均结果，在N个个体中取平均值，如果我们从某个给定的初态开始，并在$τ$时间步长内执行一系列给定的反事实干预，我们将观察到这个平均结果。我们将展示如何识别一个统计参数，等于这个平均反事实的结果，以及如何执行此参数的推断，同时自适应学习的Oracle设计定义为一个参数的真实数据生成分布。目标Oracle设计包括使目标统计参数的效率最大化的设计，或将最佳处理规则与特定探索分布混合的设计。我们还展示了如何设计自适应停止规则的顺序假设检验。这种设置提出了独特的技术挑战。与通常的统计设置不同，在通常的统计设置中，数据由多个独立的观测组成，由于网络和时间依赖性，数据减少到一个具有依赖分量的单个观测。特别是，这排除了使用样本分裂技术。因此，我们不得不开发一个新的等度连续性的结果和保证估计适合依赖的数据。下面两个问题促使我们研究这个问题。(1)在K个治疗组的序贯适应性试验背景下，如何设计程序以在尽可能少的轮次内确定具有最佳最终结局的治疗组？(2)在城市规模的序贯随机疾病检测背景下，如何估计和推断最佳检测和隔离策略的价值？
2021-01-18 math.ST stat.TH
Estimating average treatment effects when treatment data are absent in a target study
本文针对观察数据缺乏治疗信息而外部数据无结果测量的场景，提出利用数据整合表征后治疗暴露分布，以估计治疗干预的反事实平均效果，并讨论所需假设与估计策略。
2025-09-26 stat.AP stat.ME
Causal Transfer Random Forest: Combining Logged Data and Randomized Experiments for Robust Prediction
Duke University（杜克大学）；Microsoft（微软）
预测模型对训练数据和测试数据之间的分布变化具有鲁棒性通常至关重要。从因果关系的角度来看，挑战是区分稳定的因果关系和不稳定的虚假相关性。我们描述了一个因果转移随机森林（CTRF），结合现有的训练数据与少量的数据，从一个随机化的实验训练的模型，这是强大的功能转变，因此转移到一个新的目标分布。从理论上讲，我们证明的鲁棒性的方法对功能的变化与因果学习的知识。从经验上讲，我们使用Bing Ads平台中的合成数据实验和真实世界实验来评估CTRF，包括点击预测任务和端到端反事实优化系统。建议的CTRF产生强大的预测和性能优于大多数基线方法相比，存在的功能转变。
2021-01-14 cs.LG stat.ML
COSTAR: Improved Temporal Counterfactual Estimation with Self-Supervised Learning
University of Southern California（南加州大学）；Google Cloud AI Research（谷歌云人工智能研究）
本文提出COSTAR模型，通过集成自监督学习和逐分量对比损失改进历史表征，有效解决了时间反事实结果估计中时间依赖混杂因素的建模难题，在估计精度和分布外泛化上表现优异。
2024-02-12 cs.LG
On the Fairness of Randomized Trials for Recommendation with Heterogeneous Demographics and Beyond
推荐中的观测事件是决策的结果，因此通常被选择性地标记，即数据为非随机缺失（MNAR），这往往会对真实结果风险的估计产生较大的偏差。纠正MNAR偏倚的一般方法是进行小型随机对照试验（RCT），其中采用额外的统一政策将项目随机分配给每个用户。在这项工作中，我们专注于公平的随机对照试验在同质和异质人口统计学，特别是分析偏见的最不利的组在后者设置。考虑到随机对照试验的局限性，本文提出了一种新的无需昂贵随机对照试验的反事实稳健风险最小化（CRRM）框架，并推导了其理论泛化误差界。最后，在合成任务和真实数据集上进行了实验，验证了该方法在公平性和泛化能力上的优越性。
2021-10-04 cs.LG stat.ML
