Ensembled Prediction Intervals for Causal Outcomes Under Hidden Confounding
USC Information Sciences Institute（南加州大学信息科学研究所）
本文提出 Caus-Modens 方法，利用深度集成结构结合因果敏感性模型，在隐藏混杂下获得更紧的因果结果预测区间，并通过三个基准验证其有效性。
2023-11-01 cs.AI cs.LG stat.ME
Causal inference for ordinal outcomes
社会科学和健康科学以及计算社会科学的现代应用和社交媒体平台上的实验中的许多感兴趣的结果都是有序的，没有意义的规模。利用这种类型的数据（称为有序非数字）进行因果分析需要仔细处理，因为大多数经典的潜在结局文献都涉及相对大小定义明确的结局的估计和假设检验。在这里，我们提出了一类有限的人口因果估计，依赖于潜在的结果的条件分布，并提供了一个解释的因果效应时，没有规模的总结。我们制定了一个放松的费舍尔尖锐的原假设的常数效应，适应无标度性质的有序非数值数据。我们开发了一个贝叶斯过程来估计建议的因果被估量，利用秩似然。我们说明这些方法与应用程序的教育成果在综合社会调查。
2015-01-06 stat.ME
Identifiability of causal effects with multiple causes and a binary outcome
未观察到的混杂对观察性研究的因果推断构成了重大威胁。最近，一些作者认为，这个问题可能会克服在一个共享的混杂设置，多个治疗是独立的共同的潜在混杂因素。研究表明，在治疗的线性高斯模型下，如果没有结局模型的参数假设，因果效应是不可识别的。在本文中，我们表明，因果效应确实是可识别的，如果我们假设一个一般的二元选择模型的结果与非概率链接。我们的识别方法是基于治疗和潜在混杂因素的高斯性之间的不一致性，以及潜在结果变量的非高斯性。我们进一步开发了一个两步似然估计过程。
2020-11-24 stat.ME
Apportioning Causal Responsibility of Two Risk Factors for an Adverse Outcome via Counterfactual Attribution
Statistical Laboratory, University of Cambridge（剑桥大学统计实验室）；School of Mathematical Sciences, Peking University（北京大学数学科学学院）
提出一个量化框架，在无混杂和单调性假设下，通过反事实归因分配两个二元风险因素对已发生不良结果的因果责任，并建立非参数识别或推导出尖锐界限。
2026-06-18 stat.ME
The Evaluation of Causal Effects in Studies with an Unobserved Exposure/Outcome Variable: Bounds and Identification
Osaka University（大阪大学）；Kyoto University（京都大学）
本文讨论了在存在未观察到的暴露/结果变量的情况下，当变量之间的因果关系可以描述为有向无环图和联合分布的相应递归因子分解时，使用观察数据评估因果效应的问题。首先，我们提出了因果效应的可识别性标准，当一个未观察到的暴露/结果变量被认为包含两个以上的类别。接下来，当不可测量的变量之间存在一个未观察到的结果变量和它的代理变量，我们提供了最严格的边界的基础上的潜在结果的方法。本文的结果有助于评估因果效应的情况下，它是困难的或昂贵的观察暴露/结果变量在许多实际领域。
2012-06-13 cs.AI stat.ME
Coherent modeling of longitudinal causal effects on binary outcomes
生物医学研究的分析往往需要建模纵向因果效应。目前对个性化医疗和效果异质性的关注使这项任务更具挑战性。为此，结构嵌套均值模型（SNESTs）是研究纵向研究中异质性处理效应的基本工具。然而，当结果是二进制的，目前的方法估计乘法和加法SNMM参数遭受因果参数和非因果滋扰参数之间的变化依赖。这就给解释、估计和计算带来了一系列困难。这些困难阻碍了SNARY在生物医学实践中的应用，在生物医学实践中，二元结果非常常见。我们解决了二进制乘法SNMM的变化依赖性问题，通过重新参数化的非因果滋扰参数。我们的新的滋扰参数的变化独立的因果参数，因此允许连贯的建模的异质性影响的纵向研究与二进制的结果。我们的参数化也提供了一个关键的积木灵活的双重稳健估计的因果参数。一路上，我们证明了一个添加剂SNMM与二进制的结果不承认一个变化独立的参数化，从而证明限制乘法SNMM。
2022-07-22 stat.ME
Causal Inference for Unobservable Multivariate Outcomes, with Applications to Brain Effective Connectivity
Brown University（布朗大学）
本文提出方法用于评估干预对多变量结果的因果效应，通过样本分割和逆概率加权处理大脑区域间方向性关系的估计问题，验证了方法在控制假阳性率和家族错误率方面的有效性。
2026-04-01 stat.ME
Causal Inference for Nonlinear Outcome Models with Possibly Invalid Instrumental Variables
工具变量方法被广泛用于在存在不可测量混杂因素的情况下推断因果效应。现有的非线性产出模型的工具变量方法需要严格的可辨识性条件。本文考虑了一个灵活的半参数潜在的结果模型，允许可能无效的工具。当大多数工具变量有效时，我们提出了新的可识别性条件来识别因果参数。我们设计了一个新的推理过程的一个新的平均结构函数和条件平均处理效应。我们建立了所提出的估计量的渐近正态性，并通过自助法构造了因果被估计量的置信区间。所提出的方法在大规模的模拟研究中得到了证明，并被应用于推断收入对房屋所有权的影响。
2022-06-30 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
Discovering Optimal Scoring Mechanisms in Causal Strategic Prediction
Carnegie Mellon University（卡内基梅隆大学）
面对数据驱动的政策，个人将操纵他们的特征以获得有利的决策。虽然早期的作品将这些操纵视为不受欢迎的游戏，但最近的作品采用了更微妙的因果框架，其中操纵可以改善感兴趣的结果，并且设置连贯的机制需要考虑预测准确性和结果的改善。通常情况下，这些作品集中在已知的因果图，只包括一个结果和它的父母。在本文中，我们介绍了一个一般的框架，其中一个结果和n个观察到的功能是由一个任意的未知图和操纵的限制由一个固定的预算和成本结构。我们开发的算法，利用战略反应，发现在有限数量的步骤的因果图。有了这个图结构，我们就可以推导出在准确性和改进之间进行权衡的机制。总之，我们的工作加深了因果发现和激励设计之间的联系，并提供了一个更细致入微的因果战略预测下的学习观。
2023-02-21 cs.LG stat.ME
Spatial Causal Tensor Completion for Multiple Exposures and Outcomes: An Application to the Health Effects of PFAS Pollution
North Carolina State University（北卡罗来纳州立大学）
本文提出一种空间因果张量补全框架，用于处理多暴露和结果的联合因果效应估计，通过低秩张量结构和谱调整步骤应对空间混杂和缺失数据。
2026-03-17 stat.ME
Causal Modeling of Policy Interventions From Sequences of Treatments and Outcomes
Aalto University（阿尔托大学）；Helsinki University Hospital（赫尔辛基大学医院）；University of Helsinki（赫尔辛基大学）
本研究提出结合高斯过程与点过程的连续时间联合建模方法，从观测序列估计治疗政策并预测干预及反事实结果，在血糖数据上优于现有方法。
2023-06-20 cs.LG stat.ME
Assumption Smuggling in Intermediate Outcome Tests of Causal Mechanisms
本文通过非参数边界分析证明中间结果检验在缺乏额外假设时无法确立或排除因果机制，并提出评估单调性假设合理性的方法，为两个近期实验估计边界。
2024-11-19 stat.AP stat.ME
Design-Based Causal Inference with Missing Outcomes: Missingness Mechanisms, Imputation-Assisted Randomization Tests, and Covariate Adjustment
针对基于设计因果推断中的结果缺失问题，提出灵活缺失机制与“插补与再插补”框架，实现精确随机化检验、协变量调整及置信区间构建，并经模拟和大规模实验验证。
2025-05-24 stat.ME
Semiparametric Inference of the Complier Average Causal Effect with Nonignorable Missing Outcomes
随机试验中经常出现不依从和缺失数据，使因果效应的推断复杂化。当不合规和缺失数据同时存在时，以往的文献提出了二进制和正态分布连续结果的矩和极大似然估计在潜在的可消除的缺失数据机制下.然而，在实践中可能违反潜在的可识别缺失数据机制，因为缺失数据机制可能直接取决于缺失结果本身。在不依从和结果依赖的不可解释的缺失数据机制下，以往的研究表明，对于离散的结果，依从者的平均因果效应是可识别的。本文研究了具有全或无不依从和结果依赖的不可重复缺失连续结果的随机临床试验中依从者平均因果效应的半参数可辨识性和估计，并提出了两步极大似然估计，以消除无穷维干扰参数。我们的方法不需要为缺失数据机制指定参数形式。我们还通过广泛的模拟研究和敏感性分析评估了我们的方法的有限样本属性，并将其应用于双盲精神病临床试验。
2014-09-02 stat.ME
Exact parametric causal mediation analysis for a binary outcome with a binary mediator
一个参数表达式的因果自然的直接和间接的影响，推导出设置一个二元结果与二元中介。建议的效果分解不需要结果是罕见的，并概括了现有的，允许暴露和中介和混杂协变量之间的相互作用。此外，它概述了因果关系和相应的路径特定的逻辑斯谛回归参数之间的关系，在平行的结果下，罕见的结果假设。还给出了通过δ方法获得的标准误的公式。一个模拟研究的实施，比较这些估计的一些竞争。作为一个例子，说明了从小额信贷实验在波斯尼亚和黑塞哥维那来的数据的实证应用。
2020-08-26 stat.ME
Linking a predictive model to causal effect estimation
University of South Australia（南澳大学）
本文解决了估计任意特征对给定实例结果的因果效应问题，证明满足特定条件的预测模型可进行因果可解释估计，且准确性与先进因果方法相当，适用于鲁棒预测与个性化决策。
2023-04-10 cs.AI cs.LG stat.ME
Flexible Doubly Robust Proximal Causal Inference for Censored Outcomes
Duke University（杜克大学）
针对未观测混杂下右删失时间-事件结局的因果效应估计难题，提出灵活双重鲁棒近端框架PSB，含两种学习器，在多基准研究中表现出良好性能与鲁棒性。
2026-10-16 cs.LG stat.ME stat.ML
Causal Effect Estimation Methods
讨论了从观测数据中进行因果推断的两种流行建模框架--因果图模型和潜在结果因果模型之间的关系。一些流行的因果效应估计发现在潜在结果因果模型的应用，如治疗加权估计和双稳健估计的逆概率，可以通过使用因果图模型得到。我们仅限于简单的情况下，二进制的结果和治疗变量与离散混杂因素，它是如何推广的结果，连续变量的情况下。
2014-10-31 stat.ME
Benchmarking Framework for Performance-Evaluation of Causal Inference Analysis
IBM Research - Haifa（IBM研究 - 海法）
因果推断分析是对行为对结果影响的估计。在医疗保健数据的背景下，这意味着估计反事实治疗（即包括未观察到的治疗）对患者结局的影响。与经典的机器学习方法相比，因果推断分析的评估和验证更具挑战性，因为在任何真实世界的场景中都无法获得反事实结果的基础事实数据。在这里，我们提出了一个全面的基准算法，估计因果关系的框架。该框架包括用于预测的未标记数据，用于验证的标记数据，以及使用已建立的和新的指标自动评估算法预测的代码。数据基于真实世界的协变量，治疗分配和结局基于模拟，这为验证提供了基础。在这个框架中，我们解决了两个问题：一个是缩放，另一个是数据审查。该框架可以在https://github.com/IBM-HRL-MLHLS/IBM-Causal-Inference-Benchmarking-Framework上以开放源代码的形式获得
2018-03-20 cs.LG stat.ME stat.ML
Causal Inference with Unstructured Outcomes
University of Michigan（密歇根大学）
本文针对非结构化结果提出因果查询，通过学习最大对比特征（MCF）解决传统平均处理效应不适用于非结构化结果的问题，经文本、图像实证验证算法可恢复处理改变的结果显著方面。
2026-08-05 cs.LG stat.ML
DiffPO: A causal diffusion model for learning distributions of potential outcomes
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文提出新型因果扩散模型DiffPO，通过定制条件去噪扩散模型与正交扩散损失学习潜在结果分布并解决选择偏差，在医学决策推断中实现最先进性能且高度灵活。
2024-10-11 cs.LG
From controlled to undisciplined data: estimating causal effects in the era of data science using a potential outcome framework
本文讨论了因果推断的基本原则-统计学领域，估计特定事件，治疗，干预和暴露对实验和观察数据的给定结果的影响。我们解释了识别因果效应所需的关键假设，并强调了与使用观测数据相关的挑战。我们强调，实验思维是至关重要的因果推断。数据的质量（不一定是数量）、研究设计、假设的满足程度以及统计分析的严谨性使我们能够合理地推断因果效应。尽管我们提倡利用大数据和机器学习（ML）算法来估计因果效应，但它们不能替代深思熟虑的研究设计。概念通过例子来说明。
2020-12-12 stat.AP stat.ME
Causal Inference with Unmeasured Confounding from Nonignorable Missing Outcomes
本文针对存在不可观测混杂和非随机缺失结局的观察性研究，提出利用同时作为影子变量和工具变量的辅助变量，实现依从者平均因果效应的非参数识别与估计，并通过模拟和真实数据验证。
2023-05-12 stat.ME
Causal inference from $2^k$ factorial designs using the potential outcomes model
本文提出了一个从两水平析因设计中进行因果推断的框架。该框架利用的概念，潜在的结果，在于在中心阶段的因果推断和扩展奈曼的重复抽样方法的因果效应估计和随机化测试的基础上，费舍尔的尖锐的原假设的情况下，2-水平析因实验。该框架允许从有限的人口统计推断，允许定义和估计的被估量以外的“平均因子效应”，并导致更灵活的推理程序比那些基于普通最小二乘估计从线性模型。
2012-11-16 math.ST stat.AP stat.ME
Identification and Estimation of Causal Effects with Outcomes Truncated by Death
在医学研究中，关注的结局因死亡而截断是常见的，这意味着受试者在结局可测量之前已经死亡。在这种情况下，对幸存者的限制性分析可能会受到选择偏倚的影响。因此，估计存活者平均因果效应是有意义的，定义为在任一暴露条件下存活的受试者组成的亚组中的平均因果效应。本文研究了生存者平均因果效应的识别和估计问题。我们建议使用一个替代变量的地方的潜在的成员在总是幸存者组。替代变量所需的识别条件在概念上类似于条件工具变量的条件，可适用于随机化和观察性研究。我们发现，幸存者的平均因果效应是可识别的使用这样一个替代变量，并提出新的模型参数估计幸存者的平均因果效应，根据我们的识别假设。我们的方法说明通过模拟研究和数据分析。
2018-04-24 stat.ME
Temporal Causal Mediation through a Point Process: Direct and Indirect Effects of Healthcare Interventions
Aalto University（阿尔托大学）；Helsinki University Hospital（赫尔辛基大学医院）；University of Helsinki（赫尔辛基大学）
针对现有动态因果中介分析的局限，提出基于时间点过程的非参数中介-结局模型，可准确估计医疗干预的直接与间接效应轨迹，在半合成和真实医疗数据上均验证有效。
2023-06-16 cs.LG stat.ME
Non-Existent Outcomes in Research on Inequality: A Causal Approach
针对社会分层研究中因删除非存在性结果导致因果效应被低估的问题，基于主分层方法研究处理对结果存在性及潜在亚组结果值的平均效应，并开发回归与模拟框架调整混杂因素，以父母身份对劳动力市场结果影响为例进行说明。
2025-08-20 stat.AP stat.ME
Learning Causally Predictable Outcomes from Psychiatric Longitudinal Data
Departments of Biomedical Informatics \& Psychiatry, University of Pittsburgh, Pittsburgh, Pennsylvania 15206, United States of America
提出 DEBIAS 算法，通过学习临床可解释的非负结局聚合权重并利用既往治疗的限时直接效应，提升精神科纵向数据中治疗效应的因果可识别性。
2025-07-25 cs.LG q-bio.QM stat.ML
Causal Diagrams for Interference
术语“干扰”用于描述一个受试者的暴露可能影响另一个受试者结果的任何情况。我们使用因果图来区分三个因果机制，引起干扰。第一个因果机制，其中干预可以运作是一个人的治疗对另一个人的结果的直接因果关系的影响，我们称之为直接干预。当一个人的结果可能影响到与他接触的其他人的结果时，传染的干扰就存在了。然后，对第一个人进行治疗可能会通过被治疗者的结果对其他人产生间接影响。第三种干扰方式是分配干扰。在这种情况下，治疗将个人分配给群体;通过群体内的互动，个人可能以任何方式影响彼此的结果。在许多环境中，将同时存在一种以上类型的干扰。利益的因果效应根据存在的干扰类型而不同，因果效应可识别的条件也不同。使用因果图的干扰，我们描述了这些差异，给出了重要的因果效应的识别标准，并讨论了应用传染病。
2015-03-10 stat.ME
Causal Inference on Outcomes Learned from Text
Graduate School of Business, Stanford University（斯坦福大学商学院）；Stanford University（斯坦福大学）
提出一种基于机器学习的工具，利用LLMs在随机试验中对文本进行因果推断，通过样本拆分和人工标注验证，揭示文本处理效应并确保推断有效性。
2025-03-02 cs.CL cs.LG econ.EM
Sharpening randomization-based causal inference for $2^2$ factorial designs with binary outcomes
在医学研究中，经常考虑的情况是具有二元结果的随机对照$2^2$析因设计。通过利用潜在结果的概念，Dasgupta et al.（2015）提出了一个基于随机化的因果推断框架，允许对因子效应进行灵活和同时的估计和推断。然而，Dasgupta等人（2015）提出的方法面临的一个根本挑战是，基于随机化的因子效应估计量的抽样方差是不可识别的，使得相应的经典“Neymanian”方差估计量遭受高估。为了解决这个问题，随机对照$2^2$析因设计与二进制的结果，我们推导出尖锐的下限的抽样方差的析因效应估计，这导致了一个新的方差估计，锐化有限人口Neymanian因果推断。我们通过一系列模拟研究证明了新方差估计的优势，并将我们新提出的方法应用于随机临床试验的两个真实数据集，在那里我们获得了新的见解。
2017-11-13 stat.ME
Rejoinder to Causal Inference Through Potential Outcomes and Principal Stratification: Application to Studies with "Censoring" Due to Death
通过潜在结果和主要分层进行因果推断的反驳：应用于因D死亡而进行“删失”的研究。B. Rubin [math.ST/0612783]
2006-12-27 math.ST stat.TH
Semiparametric causal mediation analysis with unmeasured mediator-outcome confounding
虽然在中介效应的研究中可以随机分配暴露，但对中介者进行任何形式的直接干预往往是不可行的。因此，无法测量的中介结果混淆很少可以排除。我们提出了半参数识别自然的直接和间接影响的存在下，未测量的中介结果混淆利用异方差性的限制所观察到的数据法。对于推理，我们开发半参数估计，保持一致的部分误指定的观测数据模型。我们通过模拟和应用程序来说明所提出的估计量，以评估COVID-19爆发期间自我效能对医护人员疲劳的影响。
2021-09-29 stat.ME
A confounding bridge approach for double negative control inference on causal effects
本文提出一种利用阴性对照结局和阴性对照暴露构建混杂桥函数的方法，用于在未测量混杂下识别平均因果效应，并通过模拟和空气污染对死亡率影响的研究验证其有效性。
2024-09-06 stat.ME
Causal inference with a functional outcome
该研究提出观测数据下二元处理对函数型结果的因果推断方法，定义函数型平均处理效应并开发结果回归估计量，通过同时置信带实现有效推断，经仿真验证后用于分析瑞典出生队列成年早期居住地对收入发展的影响。
2023-11-10 stat.AP stat.ME
Causal Inference With Outcome-Dependent Missingness And Self-Censoring
针对因果推断中结果自删失导致估计偏差、现有阴影变量法假设难验证的问题，提出基于随机激励变量的检验方法验证识别假设，证明以处理为阴影变量可识别因果效应并给出对应逆概率加权估计量，通过模拟验证了有效性。
2023-06-08 stat.ME
Causal Inference for All: Marginal Estimands for Outcomes Truncated by Death
University of Toronto Scarborough（多伦多大学士嘉堡校区）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；University of Toronto（多伦多大学）
针对死亡截断结果，提出一类新的因果估计量，兼顾全人群可解释性与因果性，并利用纵向数据实现识别与估计。
2026-11-10 math.ST stat.ME stat.TH
On estimating causal controlled direct and mediator effects for count outcomes without assuming sequential ignorability
因果中介分析是社会和医学研究中的一种重要统计方法，因为它可以提供关于干预措施为何有效的见解，并为未来干预措施的发展提供信息。目前，大多数因果调解方法集中在平均尺度上定义的调解效果。然而，在健康风险研究中，如酒精或危险性行为，结果通常是计数数据和严重倾斜。因此，在这些设置中的中介效应在率比尺度上是自然的，例如在泊松和负二项回归方法中。现有的方法也主要依赖于假设没有不可测量的中介和结果之间的混杂。为了允许潜在的混杂因素之间的中介和结果，我们定义了一个新的规模上的直接和中介的影响，并提出了一个乘法结构平均模型的中介分析计数结果。估计量进行了比较，泊松和负二项回归方法，假设连续可扩展性使用模拟研究和现实世界的例子，酒精相关的干预研究。使用新方法的中介分析证实了研究假设，即干预通过减少个体对酒精使用的规范性认知来减少饮酒。
2016-01-25 stat.ME
Nonparametric Identification and Estimation of Causal Effects on Latent Outcomes
Duke University（杜克大学）；Columbia University（哥伦比亚大学）
本文提出非参数框架，解决潜在结果测量不完美时的因果推断问题，通过非参数桥函数实现估计和识别，克服跨研究和跨指标的非可比性挑战。
2026-10-21 econ.EM stat.AP stat.ME
Causal Inference for Latent Outcomes Learned with Factor Models
研究高维观测数据下基于非负矩阵分解的潜在结果因果推断，提出缓解学习诱导干扰的算法并验证其有效性与实用性。
2025-06-26 stat.ME
Proximal Causal Inference for Hidden Outcomes
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）；Boston University（波士顿大学）；Johns Hopkins Whiting School of Engineering（约翰霍普金斯大学惠廷工程学院）
本文提出基于影响函数的估计器，用于在存在隐藏结果的情况下识别因果效应，无需依赖无偏代理测量或部分观察，具有多重鲁棒性和高效性。
2026-08-27 stat.ME
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
Inverse regression for causal inference with multiple outcomes
State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
本文针对多结局因果推断中权重选择主观的问题，提出逆回归策略，其可等价检验处理效应、提供最优复合结局权重，且适用于多种研究设计，已在R包invreg中实现。
2026-08-21 stat.ME
A Bayesian Analysis of Two-Stage Randomized Experiments in the Presence of Interference, Treatment Nonadherence, and Missing Outcomes
针对现代复杂实验中同时存在的干扰、治疗不依从和结果缺失问题，提出一种基于贝叶斯方法的因果推断框架，扩展两阶段随机化实验和主分层框架，通过灵活分布模型实现主因果效应的弱可识别，从而提供更具信息量的分析。
2023-04-05 stat.ME
Causal bounds for outcome-dependent sampling in observational studies
结果依赖型抽样设计在流行病学、生态学和经济学等许多不同的科学领域都很常见。与所有的观察性研究一样，这种设计经常受到无法测量的混杂因素的影响，这通常会排除因果效应的非参数识别。非参数边界可以提供一种方法来缩小不可识别因果效应的可能值范围，而无需进行额外的不可检验假设。非参数界文献几乎完全集中在随机抽样的设置，和边界往往是由一个特定的线性规划方法。我们推导了因果风险差异的新界限，通常称为平均处理效应，在六种情况下，采用结果依赖性抽样和未测量的混杂因素，用于二进制结果和暴露。我们的推导的界限说明了两种方法，可能适用于其他设置的边界问题不能直接表示为一个系统的线性约束。我们说明了我们推导出的边界在一个真实的数据例子，涉及维生素D浓度对死亡率的影响。
2020-10-11 math.ST stat.ME stat.TH
On Instrumental Variables Estimation of Causal Odds Ratios
因果效应的推断可以受益于工具变量（IV）的可用性，根据定义，工具变量（IV）与给定的暴露相关，但与感兴趣的结果无关，除非通过因果暴露效应。工具变量的估计方法现在已经很好地建立了连续的结果，但对二分法的结果要少得多。在这篇文章中，我们回顾了IV估计的所谓的条件因果比值比表示的效果，任意暴露的二分结果的暴露水平，工具变量和测量的协变量的条件。此外，我们提出了所谓的边际因果比值比的IV估计，表示在人口水平上的二分结果的任意暴露的影响，因此更大的公共卫生相关性。我们探索不同的估计之间的相互联系，并支持广泛的模拟研究和三个应用程序的结果。
2012-01-12 stat.ME
A Transfer Learning Causal Approach to Evaluate Racial/Ethnic and Geographic Variation in Outcomes Following Congenital Heart Surgery
针对先天性心脏手术结果评估中种族/民族差异的难题，提出结合迁移学习的因果推断框架，利用STS-CHSD数据发现非西班牙裔黑人患者在不同地区的30天死亡率存在显著差异。
2024-03-21 stat.AP stat.ME stat.ML
causalBETA: An R Package for Bayesian Semiparametric Causal Inference with Event-Time Outcomes
本文开发了开源 R 包 causalBETA，通过贝叶斯半参数模型估计事件时间结果的因果效应，后端连接 Stan 进行高效计算，前端语法兼容 survival 包，并提供可视化与总结功能，填补了用户友好型贝叶斯因果推断软件的空白。
2023-10-20 stat.AP stat.ME
Topological Causal Effects
Department of Statistics, Korea University（韩国大学统计系）
本文提出了一种基于拓扑结构的因果推断框架，通过持续图的加权轮廓函数估计治疗效应，并构建了检验无拓扑效应的正式检验。
2026-03-02 cs.LG stat.ME stat.ML
The Promises of Parallel Outcomes
从观察性研究中进行因果推断的一个关键挑战是在存在不可测量的混杂因素的情况下识别和估计因果效应。在本文中，我们介绍了一种新的因果推断方法，利用多个结果中的信息来处理不可测量的混杂。在我们的方法中的关键假设是多个结果之间的条件独立性。与文献中现有的建议相反，在我们的关键识别假设中，多个结果的作用是对称的，因此命名为平行结果。我们展示了至少有三个平行结果的非参数可识别性，并在一组线性结构方程模型下提供了参数估计工具。我们的建议是通过一组合成和真实的数据分析进行评估。
2022-10-14 stat.ME
Auto-G-Computation of Causal Effects on a Network
推断平均因果效应的方法传统上依赖于两个关键假设：（i）一个单位接受的干预不能对另一个单位的结果产生因果影响;（ii）单位可以被组织成非重叠的组，使得单独组中单位的结果是独立的。在本文中，我们开发了新的统计方法，因果推断的基础上，一个单一的实现网络的连接单元，既不假设（i）和（ii）举行。所提出的方法允许任意形式的干扰，由此单元的结果可以取决于通过连接单元的网络路径与其存在的其他单元接收的干预;以及长距离依赖性，由此同样通过网络中的路径连接的任何两个单元的结果可以是依赖的。在网络版本的一致性和没有未观察到的混淆，推理是通过假设网络的结果，治疗和协变量向量是一个单一的实现一定的链图模型。该假设允许通过自动g计算算法来推断各种网络因果效应，自动g计算算法是先前针对假设（i）和（ii）下的因果推断描述的Robins的众所周知的g计算算法的网络推广。
2019-08-22 stat.ME
A Bayesian Nonparametric Model for Zero-Inflated Outcomes: Prediction, Clustering, and Causal Estimation
研究人员通常对预测结果感兴趣，进行聚类分析以检测其数据的不同亚组，或计算因果处理效应。表现出偏态和零膨胀的病理数据分布使这些任务复杂化-需要高度灵活的数据自适应建模。在本文中，我们提出了一个完全非参数贝叶斯生成模型，连续，零膨胀的结果，同时预测结构零，捕获偏度，并聚类患者相似的联合数据分布。我们的方法的灵活性产生的预测，捕捉联合数据分布比常用的零膨胀的方法。此外，我们证明，我们的模型可以连贯地纳入一个标准化程序，用于计算因果效应估计，这些数据病理是强大的。该模型所有级别的不确定性都流向感兴趣的因果效应估计-允许简单的点估计、区间估计和验证阳性的后验预测检查，这是一个必需的因果识别假设。我们的模拟结果表明，在复杂的数据设置下，点估计有低偏差和区间估计有接近名义覆盖。在更简单的设置下，这些结果保持不变，同时比比较方法产生更低的效率损失。最后，我们使用我们提出的方法来分析零膨胀的住院医疗费用子宫内膜癌患者接受化疗和放疗的SEER医疗数据库。
2019-03-09 stat.ME
Estimating Potential Outcome Distributions with Collaborating Causal Networks
Duke University（杜克大学）
传统的因果推断方法利用观察性研究数据来估计潜在治疗的观察结果和未观察结果的差异，称为条件性平均处理效应（CATE）。然而，CATE仅对应于第一时刻的比较，因此可能不足以反映处理效应的全貌。作为替代方案，估计全部潜在结果分布可以提供更深入的见解。然而，用于估计处理效应潜在结果分布的现有方法通常对这些分布强加限制性或简单化的假设。在这里，我们提出了协作因果网络（CCN），这是一种新的方法，通过学习完整的潜在结果分布，超越了单独估计CATE。通过CCN框架估计结果分布不需要对基础数据生成过程进行限制性假设。此外，CCN有助于估计每种可能治疗的效用，并允许通过效用函数进行个体特异性变化。CCN不仅将结果估计扩展到传统的风险差异之外，而且还通过定义灵活的比较来实现更全面的决策过程。在因果文献中常见的假设下，我们证明了CCN学习渐近捕获真实潜在结果分布的分布。此外，我们提出了一种调整方法，在经验上有效地缓解观察数据中治疗组之间的样本不平衡。最后，我们在多个合成和半合成实验中评估了CCN的性能。我们证明，与现有的贝叶斯和深度生成方法相比，CCN学习到了改进的分布估计，以及改进了各种效用函数的决策。
2022-09-21 cs.LG stat.ML
