CausalGuard: Conformal Inference under Graph Uncertainty
Case Western Reserve University（凯斯西储大学）
本文提出CausalGuard，一种结构加权的契合框架，通过聚合图条件双稳健伪结果进行校准，以在图不确定性下提供无分布的有限样本边际覆盖。
2026-05-21 cs.AI cs.LG stat.ME
Confidence Sets for Causal Orderings
本文针对可识别加性误差结构方程模型，提出基于残差自助拟合优度检验构建因果排序置信集的框架，并证明其渐近有效性，可用于祖先关系推断和纳入模型不确定性的因果效应置信区间。
2024-10-05 stat.ME
Estimation of causal CARMA random fields
我们估计模型参数的Lévy驱动的因果CARMA随机场的经验变异函数拟合的理论对应使用加权最小二乘（WLS）方法。在得到变差函数估计量的渐近结果之后，我们证明了参数估计量的强相合性和渐近正态性。此外，我们进行了模拟研究，以评估有限样本的WLS估计的质量。对于模拟，我们利用数值逼近计划的截断和离散的随机积分的基础上，我们详细分析了相关的模拟误差。最后，我们将我们的结果应用于宇宙微波背景的实际数据。
2019-02-13 math.ST stat.TH
Regression Analysis of Unmeasured Confounding
当研究$x$对$y$的因果效应时，研究人员可以进行回归并报告斜率系数$β_{x}$的置信区间。该常用置信区间提供了抽样误差的不确定性评估，但不评估混杂的不确定性。对$x$进行干预可能会在$y$中产生非预期的反应，当存在混杂因素$w$时，我们会对斜率产生误解。当测量$w$时，我们可以进行多元回归，但当未测量$w$时，通常的做法是在报告置信区间时包括预防性声明，警告不要进行不必要的因果解释。如果目标是可靠的因果解释，那么我们可以做更多的信息。三个混杂参数规格的不确定性可以通过公式传播，以产生混杂区间。在这里，我们开发支持的数学理论，并描述一个示例应用程序。我们提出的方法适用于连续反应或罕见结果的研究。它是一种量化模型不确定性误差的通用方法。置信区间用于评估未测量个体的不确定性，而混杂区间可用于评估未测量属性的不确定性。
2019-08-22 stat.ME
Uncertainty Quantification for Inferring Hawkes Networks
Georgia Institute of Technology（佐治亚理工学院）；Duke University（杜克大学）
多变量Hawkes过程通常用于在各种各样的应用中对流式网络事件数据进行建模。然而，它仍然是一个挑战，从复杂的数据集与不确定性量化提取可靠的推理。针对这一点，我们开发了一个统计推断框架，从网络数据中学习节点之间的因果关系，其中底层有向图隐含格兰杰因果关系。我们提供了一个非渐近的置信集的网络多元Hawkes过程的最大似然估计的不确定性量化。主要技术是基于连续时间鞅的集中不等式。我们比较我们的方法，以前推导出的渐近霍克斯过程置信区间，并证明了我们的方法在神经元连接重建的应用中的优势。
2020-10-28 cs.LG math.ST stat.ML
Asymptotic Theory of Rerandomization in Treatment-Control Experiments
尽管完全随机化可确保协变量平均平衡，但随着协变量数量的增加，观察到治疗组和对照组协变量分布之间存在显著差异的机会增加。重新随机化丢弃不满足预定协变量平衡标准的随机化，通常会导致更好的协变量平衡和更精确的因果效应估计。以前的理论推导出有限样本理论的假设下，相等的治疗组大小，高斯协变量和结果分布，或加性因果效应的重新随机化，但不是一般的抽样分布的平均因果效应的均值差估计。为了补充现有的结果，我们开发的渐近理论重新随机化没有这些假设，这揭示了一个非高斯渐近分布的估计，特别是一个线性组合的高斯随机变量和截断高斯随机变量。该分布遵循，因为重新随机化仅影响潜在结果在协变量空间上的投影，但不影响相应的正交残差。我们还证明，完全随机化相比，重新随机化降低了渐近抽样方差和分位数范围的差异，均值估计。此外，我们的工作允许构建准确的大样本置信区间的平均因果效应，从而揭示了进一步的优势，完全随机化的重新随机化。
2017-08-12 math.ST stat.AP stat.TH
HAL-Based Plug-in Estimation with Pointwise Asymptotic Normality of the Causal Dose-Response Curve
本文提出基于高自适应Lasso（HAL）的插件估计器，用于连续处理下因果剂量-反应曲线的估计与推断，并通过全面模拟证明其具有逐点渐近正态性且优于现有方法。
2025-08-27 stat.AP stat.ME
Statistical and Causal Robustness for Causal Null Hypothesis Tests
本文提出将半参数理论与证据因子相结合的方法，构建基于K个半参数估计量联合渐近正态性的因果零假设检验，在至少一个候选因果模型正确时同时实现统计与因果稳健性，并通过模拟和两项纵向研究验证其有效性。
2024-06-30 stat.ME
Hawkes Identification with a Prescribed Causal Basis: Closed-Form Estimators and Asymptotics
the University of Melbourne（墨尔本大学）
本文提出了一种闭式最小二乘方法用于Hawkes过程的识别，提供了在正确和失配情况下的渐近理论分析。
2026-02-24 cs.SY eess.SY stat.ME
Confidence in Causal Inference under Structure Uncertainty in Linear Causal Models with Equal Variances
本文研究等方差线性因果模型中结构不确定性下的因果推断问题，提出基于检验反转的框架，为总因果效应提供同时捕捉因果结构和非零效应数值大小两类不确定性的置信区域。
2023-09-08 math.ST stat.ME stat.TH
Dual Likelihood for Causal Inference under Structure Uncertainty
针对因果结构学习带来的不确定性问题，提出基于对偶似然的方法，可构建同时涵盖结构与效应数值不确定性的总因果效应置信域，在等方差线性因果模型下实现结构可识别与高效计算。
2024-02-13 math.ST stat.ME stat.TH
Robustness Metric for Quantifying Causal Model Confidence and Parameter Uncertainty
许多估计因果模型的方法并不提供结果模型的置信度估计。在这项工作中，提出了一个度量标准，用于验证因果模型拟合的输出;重新采样数据的模型结构的鲁棒性。该度量是为时间序列因果模型开发的，但也适用于非时间序列数据。可以利用所提出的度量，而不管选择用于拟合因果模型的方法。我们发现，对于综合生成的数据，该指标在大多数情况下能够成功识别真正的数据生成模型。此外，该指标提供了由稳健性水平表示的模型置信度的定性测量以及模型系数中不确定性的准确估计，这对于解释模型结果很重要。使用此度量的数值模拟数据和现有的因果模型文献的案例研究证明。
2016-02-06 stat.AP stat.ME
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
Interventional Processes for Causal Uncertainty Quantification
Gatsby Unit, University College London, London, United Kingdom（伦敦大学学院Gatsby单元）
本文提出一种基于高斯过程的方法，通过将干预函数表示为再生核希尔伯特空间中观测函数的内积，实现干预函数的不确定性量化，并给出闭式后验矩和可处理的训练推理过程。
2026-06-01 cs.LG stat.ME stat.ML
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
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
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
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
Finite sample-optimal adjustment sets in linear Gaussian causal models
本文研究线性高斯因果模型中的有限样本协变量调整问题，提出 MSE-optimal adjustment set 及样本量与图形准则，证明其在小样本下可优于渐近最优调整集。
2025-06-15 math.ST stat.ME stat.TH
Posterior Uncertainty for Targeted Parameters in Bayesian Bootstrap Procedures
McGill University（麦吉尔大学）
本文提出了一种广义的链接贝叶斯抽样方法，用于处理贝叶斯抽样中目标参数的后验不确定性，具有良好的频繁性质和可信区间覆盖性。
2026-02-02 math.ST stat.CO stat.ME
Note on the Delta Method for Finite Population Inference with Applications to Causal Inference
本文探讨Delta方法与有限总体中心极限定理结合，以推导因果估计量的渐近分布和方差，并通过因果比率估计量示例展示其应用。
2022-06-01 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
Covariate adjustment in randomization-based causal inference for 2K factorial designs
本文建立了2K析因设计中基于随机化的因果推断中协变量调整的有限总体渐近理论。特别是，我们证实了因子效应的未调整和协变量调整估计量都是渐近正态的，并且后者比前者更精确。
2016-07-12 stat.ME
Unbiased estimation and asymptotically valid inference in multivariable Mendelian randomization with many weak instrumental variables
本文针对多变量孟德尔随机化中许多弱工具变量导致IVW估计有偏的问题，提出MRBEE方法，证明其能提供无偏估计和渐近有效推断，并应用于近视研究揭示教育与户外活动的因果作用。
2024-02-10 econ.EM math.ST stat.ME
Asymptotic causal inference with observational studies trimmed by the estimated propensity scores
观察性研究的因果推断通常依赖于不同治疗组中协变量分布的不混淆和重叠假设。当某些单元的倾向得分接近0或1时，就违反了重叠假设，因此实践和理论研究人员都建议放弃具有极端估计倾向得分的单元。然而，现有的修剪方法忽略了在这个设计阶段的不确定性和限制的推断只修剪样本，由于非光滑的修剪。我们提出了一个平滑加权，它近似于现有的样本修剪，但具有更好的渐近性质。新的平滑加权估计量的一个优点是它的渐近线性，这确保了自助法可以用来对目标人群进行推断，并结合了设计和分析阶段产生的不确定性。我们还将理论扩展到对治疗的平均处理效应，建议修剪估计倾向得分接近1的样本。
2022-07-15 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
Bayesian Causal Effect Estimation for Categorical Data using Staged Tree Models
School of Science and Technology, IE University（IE大学科学与技术学院）；Department of Statistics and Operational Research, University of Valencia（瓦伦西亚大学统计与运筹学系）
本文提出基于分阶段树模型的完全贝叶斯因果推断方法，通过灵活先验和分裂-合并MCMC算法处理多变量分类数据中的结构与参数不确定性，并推导平均处理效应及不确定性度量。
2025-11-05 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
Quantifying uncertainty of individualized treatment effects in right-censored survival data: A comparison of Bayesian additive regression trees and causal survival forest
本文通过广泛的模拟研究，比较了在右删失生存数据中量化个体化处理效应不确定性时，贝叶斯加性回归树（BART）和因果生存森林（CSF）的区间估计覆盖率，发现BART在三种设置下均优于CSF。
2025-04-06 stat.AP 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
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
Non-Asymptotic Guarantees for Reliable Identification of Granger Causality via the LASSO
针对有限时长与相关噪声下 Granger 因果检验不可靠的问题，提出基于 LASSO 的统计量及数据驱动阈值法，给出非渐近识别极限、错误概率与功效保证。
2023-07-14 cs.IT math.IT stat.ME
Generalized coarsened confounding for causal effects: a large-sample framework
本文提出广义粗化混杂框架，将混杂变量聚类后估计处理效应与方差，建立一般渐近理论、一致性条件及偏差校正方法，并应用于两项观察性研究。
2025-07-03 math.ST stat.AP stat.ME
Asymptotically Efficient Data-adaptive Penalized Shrinkage Estimation with Application to Causal Inference
本文提出一种数据自适应 L1/L2 惩罚收缩后处理方法，在保持非参数估计量渐近效率的同时降低有限样本 MSE，并通过模拟和透析提供者质量因果估计验证。
2025-05-12 stat.ME
Causal Mediation Analysis: Selection with Asymptotically Valid Inference
研究人员不仅对治疗对结果的影响感兴趣，而且还对这些影响的作用途径感兴趣。中介是一个变量，它受治疗的影响，并随后影响结果。现有的惩罚性中介分析方法可能会导致忽略重要的中介，或者假设有限维线性模型足以消除混杂偏倚，或者根本不执行混杂控制。实际上，这些假设可能并不成立。我们提出了一种方法，认为混杂函数作为滋扰参数估计使用数据自适应方法。然后，我们使用一种新的正则化方法应用到这个目标函数，以确定一组重要的调解人。在一定的假设下，我们得到了估计量的渐近性质，并建立了预言性质。渐近结果也提出了在一个本地设置的对比建议与标准的自适应套索。我们还提出了一个扰动引导技术，提供渐近有效的选择后推理的介导的影响。这些方法的性能将通过模拟研究进行讨论和论证。
2021-12-20 stat.ME
Addressing Positivity Violations in Causal Effect Estimation using Gaussian Process Priors
在观察性研究中，因果推断依赖于几个关键的识别假设。一个可识别性条件是积极性假设，它要求治疗的概率远离0和1。也就是说，对于每个协变量组合，应该可以观察到治疗和对照受试者，即，治疗组之间的协变量分布应该重叠。如果违反了正性假设，那么总体水平的因果推断必然涉及一些外推。理想情况下，在这种情况下，应该反映出因果效应估计的更大不确定性。考虑到这一目标，我们构建了一个高斯过程模型，用于在实际违反阳性的情况下估计处理效应。我们的方法的优点包括最小的分布假设，用于估计处理效应的内聚模型，以及与协变量空间中重叠较少的区域相关的更多不确定性。我们评估我们的方法的性能方面的偏见和效率，使用模拟研究。然后，该方法被应用到一项研究中的危重女性患者进行右心导管插入术检查的效果。
2022-02-17 stat.ME
Towards a unified approach to formal risk of bias assessments for causal and descriptive inference
UK Centre for Ecology & Hydrology（英国生态与水文中心）；University of Newcastle（纽卡斯尔大学）
本文探讨了统一评估因果和描述推断中偏差风险的方法，强调了系统误差对研究结论的严重影响，并呼吁发展和强制实施偏差报告框架以提高研究可信度。
2026-02-13 stat.ME
Presenting the Probabilities of Different Effect Sizes: Towards a Better Understanding and Communication of Statistical Uncertainty
社会科学家应该如何理解和沟通统计估计因果效应的不确定性？我建议我们利用因果效应的后验分布，并给出该效应大于（绝对值）不同最小效应量的概率。概率是对理解和沟通的不确定性的直观度量。此外，所提出的方法不需要决定阈值的不确定性措施或效果大小，不像传统的方法。我将所提出的方法应用于以前的社会科学研究，表明它可以比重要性更丰富的推理。原始研究所采取的无意义方法。随附的R包使我的方法易于实现。
2022-11-13 stat.AP stat.ME stat.OT
Identification and Inference for Causal Effects in Extremes under General Conditions
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；Heidelberg Institute for Theoretical Studies (HITS)（海德堡理论研究所）
本文针对一般条件下的极端事件因果效应，提出基于因果尾系数的估计与推断方法，解决重尾混杂等问题，可识别平均依赖方法无法检测的因果关系。
2026-08-25 econ.EM stat.AP stat.ME
Posterior Predictive Treatment Assignment for Estimating Causal Effects with Limited Overlap
使用倾向得分估计因果效应依赖于在估计的每个倾向得分值下观察到的经处理和未经处理单位的可用性。在强混杂的环境中，倾向得分分布中有限的所谓“重叠”可能会破坏估计因果效应的经验基础，并产生现有估计量的不稳定的有限样本性能。我们提出了一个贝叶斯过程，旨在估计因果效应的设置有有限的重叠倾向得分分布。我们的方法依赖于后验预测治疗分配（PPTA），这是一个来自倾向得分的量，但在估计因果关系中起着不同的作用。我们使用PPTA来估计因果效应，通过边缘化每个观察是否是未知子集的成员的不确定性，可以假设治疗分配无混淆。由此产生的后验分布取决于估计每个观察结果的因果效应的经验基础，并且与Li et al.（2016）最近提出的“重叠权重”具有共性。我们发现，PPTA方法可以被解释为现有的ad-hoc方法，如修剪的基础上的倾向得分或截断的治疗权重的逆概率的随机版本，并突出几个实际的优势，包括不确定性量化和改进的有限样本性能。我们说明了在美国的发电厂减少有害污染排放的技术的有效性评估的方法。
2017-10-24 stat.ME
SLOACI: Surrogate-Leveraged Online Adaptive Causal Inference
University of Southern California（南加州大学）；Tsinghua University（清华大学）
SLOACI通过整合预测代理结果提升自适应因果推断效率，提供理论保障和实用工具，展示在有限样本下的优越性能。
2025-12-07 stat.ME
Uncertainty Quantification in Synthetic Controls with Staggered Treatment Adoption
本文提出了一种针对交错处理采用设置下合成控制预测的置信度量化方法，通过提供非渐近覆盖概率保证、支持非线性约束、引入稳健锥优化及数据驱动调参，实现了跨处理后时期的有效一致推断。
2025-02-01 econ.EM stat.AP stat.CO
Uncertainty in the Design Stage of Two-Stage Bayesian Propensity Score Analysis
倾向评分分析（PSA）的两阶段过程包括设计阶段和分析阶段，在设计阶段，估计并实施倾向得分以近似随机化实验，在分析阶段，根据设计条件估计处理效应。本文考虑如何与设计阶段的不确定性影响因果效应的估计在分析阶段。这样的设计不确定性可以源自倾向得分本身是估计量的事实，但是也可以源自与倾向得分实现的选择相关的设计阶段的其他特征。本文提供了一个程序，获得后验分布的因果效应边缘化后的分布设计阶段的输出，贷款的形式化程度的贝叶斯方法PSA（BPSA），在最近的文献中得到了关注。设计阶段输出的概率分布公式取决于在设计阶段如何实施倾向得分，而不确定性传播到因果估计值取决于在分析阶段如何估计处理效应。我们在常用倾向得分实施（分位数分层、最近邻匹配、卡尺匹配、治疗加权的逆概率和双重稳健估计）的样本中探索这些差异，并在模拟研究中调查PS模型和实施中统计学家选择对估计处理效应的设计间和设计内变异程度的影响。然后，这些方法被部署在细颗粒物空气污染水平与燃煤电厂排放量升高之间的关联的调查中。
2019-07-15 stat.ME
Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation
Texas A&M University（德克萨斯农工大学）；Shell USA Inc（壳牌美国公司）
针对空间观测研究中处理效应随空间变化且受空间混杂影响的问题，提出图分裂贝叶斯因果森林（GSBCF），融合GS-BART与贝叶斯因果森林框架，通过图引导分裂规则建模空间结构，实现更精确的HTE估计与不确定性量化。
2026-09-30 stat.ME stat.ML
Active Bayesian Causal Inference
TU Graz（格拉茨技术大学）；ETH Zürich（苏黎世联邦理工学院）；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Cambridge（剑桥大学）
因果发现和因果推理通常被视为独立和连续的任务：首先推断因果图，然后使用它来估计干预措施的因果效应。然而，这种两阶段方法是不经济的，特别是在主动收集的介入数据方面，因为感兴趣的因果查询可能不需要完全指定的因果模型。从贝叶斯的角度来看，这也是不自然的，因为因果查询（例如，因果图或某种因果效应）可以被视为经受后验推理的潜在量--不直接感兴趣的其它未观察到的量（例如，完整的因果模型）应该在这个过程中被边缘化，并助长我们认识上的不确定性。在这项工作中，我们提出了主动贝叶斯因果推理（ABCI），一个完整的贝叶斯主动学习框架集成的因果发现和推理，共同推断后的因果模型和查询的兴趣。在我们的方法ABCI，我们专注于类因果充分，非线性加性噪声模型，我们使用高斯过程建模。我们依次设计实验，最大限度地提供有关目标因果查询的信息，收集相应的干预数据，并更新我们的信念以选择下一个实验。通过模拟，我们证明了我们的方法比只专注于学习完整因果图的几个基线更有效。这使我们能够从更少的样本中准确地学习下游因果查询，同时为感兴趣的数量提供校准良好的不确定性估计。
2022-10-15 cs.AI cs.LG stat.ME
Bayesian Causal Inference with Gaussian Process Networks
University of Basel（巴塞尔大学）；ETH Zurich（苏黎世联邦理工学院）；University College London（伦敦大学学院）
本文提出在Gaussian Process Network模型中进行贝叶斯因果推断，通过模拟干预效应传播及局部变量近似方法，结合MCMC处理结构不确定性，能准确识别非线性数据中的干预效应。
2024-02-01 cs.LG stat.ME stat.ML
Bayesian hierarchical bootstrap framework for causal subgroup estimation with a time-to-event outcome
Dalla Lana School of Public Health, University of Toronto（多伦多大学达拉·兰纳公共卫生学院）；Division of Gastroenterology, Hepatology Nutrition, The Hospital for Sick Children（多伦多加急儿童医院胃肠病、肝病与营养科）；University of Utah and Intermountain Healthcare Primary Children’s Hospital（犹他大学和盐湖城初级儿童医院）；Institute of Health Policy, Management and Evaluation, University of Toronto（多伦多大学卫生政策、管理与评估研究所）
该研究针对含时间-事件结局的因果亚组估计问题，提出分层贝叶斯自助法框架，可稳定稀疏亚组的生存估计，模拟研究显示其性能优于贝叶斯加法回归树。
2026-08-04 stat.ME
A Bayesian Gaussian Process for Estimating a Causal Exposure Response Curve in Environmental Epidemiology
出于环境政策问题，我们解决的挑战，估计，变点检测和不确定性量化的因果关系的确定性响应函数（CERF）。在潜在结果框架下，CERF描述了连续变化的暴露（或治疗）及其对结果的因果影响之间的关系。我们提出了一种新的贝叶斯方法，依赖于一个高斯过程（GP）模型来估计非参数的CERF。为了实现所需的分离设计和分析阶段，我们参数化的协方差（核）函数的GP模拟匹配通过广义倾向得分（GPS）。超参数以及GP的核函数的形式被选择以优化协变量平衡。我们的方法实现了自动不确定性评估的CERF与高的计算效率，并使变点检测通过推断CERF的衍生物。我们提供的理论结果表明，我们的贝叶斯GP框架和传统的方法之间的对应关系，在因果推断估计连续曝光的因果影响。我们将这些方法应用于520，711个ZIP代码水平的观察，以估计长期暴露于PM2.5，臭氧和NO2对美国医疗保险参保者全因死亡率的因果影响。GPCERF R包中提供了建议的GP模型的计算效率实现，该包可在CRAN上获得。
2023-01-25 stat.AP stat.ME
Hierarchical Causal Uplift Modeling in Overlapping Customer Journeys
Despegar；Marketing Science, Despegar（Despegar市场营销科学）
本文提出层级因果提升模型，用于处理客户旅程重叠带来的偏差，通过分解纯效应和全局效应，量化潜在协同或抵消效应，提升提升估计的准确性。
2026-04-27 stat.ME
Causal health impacts of power plant emission controls under modeled and uncertain physical process interference
针对空间环境数据因果推断中的干扰问题，提出结合贝叶斯空间机理干扰模型与非参数结果模型的方法，估算得州燃煤电厂减排的健康效应，发现存在不确定性时结果尚无定论。
2024-05-14 stat.AP stat.ME
Estimating Causal Impacts of Scaling a Voluntary Policy Intervention
针对自愿性政策干预规模化推广的因果效应估计难题，提出可适配BART、BCF等灵活估计器的新方法，纳入处理状态不确定性优化后验可信区间，经模拟验证性能优于参数回归估计器，并用于医疗支付模式的规模化影响评估。
2023-12-11 stat.AP stat.ME
