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
Causal inference with confounders missing not at random
从观察性研究中得出因果推断是很重要的，但是，如果混杂因素有缺失值，这将变得具有挑战性。一般来说，如果混杂因素是非随机缺失，则无法识别因果效应。我们提出了一个新的框架，以非参数识别因果关系的影响与混杂因素的结果无关的missingness，即缺失数据的机制是独立的结果，给定的治疗和可能的缺失混杂因素。然后，我们提出了一个非参数两阶段最小二乘估计和因果效应的参数估计。
2019-02-01 stat.ME
Multiply robust dose-response estimation for multivalued causal inference problems
针对多值处理的因果推断问题，提出了一种多重稳健（MR）剂量反应估计方法。我们结合了一个家庭的广义倾向得分（GPS）模型和家庭的结果回归（OR）模型，以实现平均潜在的结果估计是一致的，如果在每个家庭中只有一个GPS或OR模型是正确指定的。我们提供的证据和模拟，证明多个鲁棒性的背景下，多值因果推断问题。
2017-05-17 stat.ME
Data Integration in Causal Inference
整合来自多个异质来源的数据已变得越来越流行，以实现大样本量和多样化的研究人群。本文回顾了因果推断方法的发展，该方法结合了从潜在异质性人群中通过潜在不同设计收集的多个数据集。我们总结了随机临床试验与观察性研究或历史对照的外部信息相结合的最新进展，当没有单个样本具有所有相关变量时，将样本组合起来应用于双样本孟德尔随机化，在隐私问题下使用真实世界数据进行比较有效性和安全性研究的分布式数据设置，贝叶斯因果推断和因果发现方法。
2021-10-03 stat.ME
A Causal Lens for Controllable Text Generation
UC San Diego（加州大学圣迭戈分校）；AWS AI, Amazon（亚马逊云科技人工智能）
可控文本生成涉及广泛应用的两个基本任务，即生成给定属性的文本（即，属性条件生成），以及最低限度地编辑现有文本以拥有期望的属性（即，文本属性转移）。大量的先前工作在很大程度上分别研究了这两个问题，并开发了不同的条件模型，然而，这些模型容易产生有偏见的文本（例如，各种性别陈规定型观念）。本文提出了制定可控的文本生成从原则的因果关系的角度来看，模型的两个任务与一个统一的框架。因果公式的一个直接优势是使用丰富的因果关系工具来减轻世代偏差并改善控制。我们把这两个任务的干预和反事实的因果推理的基础上的结构因果模型，分别。然后，我们将该框架应用到具有挑战性的实际环境中，其中混淆因素（引起虚假相关性）仅在一小部分数据上可观察到。实验表明，因果关系的方法比以前的条件模型，提高控制精度和减少偏见显着的优越性。
2022-01-22 cs.AI cs.CL cs.LG
On robust Bayesian causal inference
针对纵向观测数据因果推断中现有方法因结构假设误设易产生估计偏差的问题，本文提出基于广义贝叶斯推断的稳健因果推断框架，通过恰当评分规则调优学习率，经仿真与真实数据验证可提升因果效应估计的校准度、锐度与稳健性。
2025-11-19 stat.ME
Quantifying Sufficient Randomness for Causal Inference
虚假关联来自于治疗倾向和个体结局风险之间的协方差。对于具有随机反事实的敏感性分析，我们引入了一种方法来表征自然实验和准实验中因果推断的不确定性。我们的敏感性参数是倾向和个体风险变化的标准化度量，1减去其几何平均值是数据生成过程中随机性的直观度量。在我们的潜在倾向风险模型中，我们展示了如何从列联表数据计算一个阈值，$T$，足够的随机性因果推断。如果数据生成过程的实际随机性超过该阈值，则保证因果推断。
2021-03-09 stat.ME
The How and Why of Bayesian Nonparametric Causal Inference
受最近因果推断竞赛的成功的鼓舞，贝叶斯非参数（和高维）方法最近在因果推断文献中受到越来越多的关注。在本文中，我们提出了一个全面的概述贝叶斯非参数应用因果推断。我们的目标是（i）介绍基本的贝叶斯非参数工具包;（ii）讨论如何确定哪种工具最适合给定的问题;（iii）展示如何避免在高维环境中应用贝叶斯非参数方法的常见陷阱。不像标准的固定维参数问题，其中单独的结果建模有时是有效的，我们认为，在大多数情况下，它是必要的选择和结果的过程建模。
2022-01-10 stat.ME
Applied Causal Inference Powered by ML and AI
MIT（麻省理工学院）；Chicago Booth（芝加哥大学布斯商学院）；Cornell University（康奈尔大学）；Hamburg University（汉堡大学）；Stanford University（斯坦福大学）
该书聚焦机器学习与因果推断的新兴融合方向，讲解经典结构方程模型及对应的有向无环图、结构因果模型等AI因果框架，介绍双重/去偏机器学习方法以用现代预测工具实现因果推断。
2024-03-04 cs.LG econ.EM stat.ME
Causal inference under mis-specification: adjustment based on the propensity score
我们通过倾向得分回归研究了贝叶斯因果推断方法。大部分关于倾向得分方法的贝叶斯文献都依赖于在传统的“似然时间先验”后验推断的背景下不能被视为完全贝叶斯的方法;此外，大多数方法依赖于参数和分布假设，以及假定的正确规范。我们强调，因果推断通常是在设置错误的规格，并制定战略，充分贝叶斯推断，反映这一点。我们专注于决策理论的参数的基础上的方法，并展示如何推断损失最小化的基础上，可以得到有效的和充分的贝叶斯推断。我们提出了一种计算方法的基础上的贝叶斯自助具有良好的贝叶斯和频率属性的推断。
2022-01-30 stat.ME
A Primer on Deep Learning for Causal Inference
UCLA（加州大学洛杉矶分校）；Northwestern Kellogg School of Management（西北大学凯洛格管理学院）；University of Chicago（芝加哥大学）；Harvard Medical School（哈佛医学院）；Santa Fe Institute（圣塔菲研究所）
本文系统综述了基于深度神经网络的因果推断方法，重点介绍异质性处理效应估计、非线性及文本/网络/图像混杂场景，并提供 TensorFlow 2 实现教程。
2023-11-28 cs.LG econ.EM stat.ME
Causal inference in connected populations with contagion
The Pennsylvania State University（宾夕法尼亚州立大学）
研究在具有传染性的连接群体中，通过闭式表达式揭示传染对因果效应的影响，并讨论模型估计的渐近偏差和设计估计的邻域暴露假设违反问题。
2026-09-01 stat.ME
Bayesian Causal Inference: A Critical Review
本文对基于潜在结果框架的因果推断的贝叶斯观点进行了评述。我们回顾了因果被估量、识别假设、因果效应贝叶斯推断的一般结构和敏感性分析。我们强调的问题是独特的贝叶斯因果推断，包括倾向得分的作用，可识别性的定义，先验的选择，在低维和高维制度。我们指出协变量重叠的核心作用，更一般的设计阶段，贝叶斯因果推断。我们将讨论扩展到两个复杂的分配机制：工具变量和随时间变化的治疗。在整个过程中，我们通过例子来说明关键概念。
2022-10-23 stat.AP stat.ME
A calculus for causal inference with instrumental variables
在因果推理的一般结构方程框架下，我们定义了一个变量X对另一个变量Y的因果效应，并提出了一种通过使用工具变量来估计这种因果效应的方法。
2021-04-23 math.ST stat.ME stat.TH
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
Bayesian Inference and Partial Identification in Multi-Treatment Causal Inference with Unobserved Confounding
在因果估计问题中，感兴趣的参数通常只能部分识别，这意味着即使有无限的数据，参数也不能被精确地恢复。在这里，我们研究贝叶斯推断的部分确定的处理效应在多治疗因果推断问题与未观察到的混杂。原则上，推断部分识别的处理效应在贝叶斯范式下是自然的，但结果可能对参数化和先前规范高度敏感，通常以令人惊讶的方式。因此，理解关于处理效应的结论的哪些方面完全由先前的规范驱动是至关重要的。我们使用了一个所谓的透明参数化的影响，更可解释的科学动机的多重效果的先验规范。我们证明了我们的分析在一个例子中量化基因表达水平对小鼠肥胖的影响。
2022-04-23 stat.ME
Design-based theory for causal inference
本文系统回顾了基于设计的因果推断理论的最新进展，探讨了高维数据、非合规和网络干扰等复杂情境下的方法扩展，并展望了未来的发展方向。
2025-11-27 stat.ME
Causal inference of Plackett-Burman designs in applications
College of Mathematics and System Science, Xinjiang University（新疆大学数学与系统科学学院）
针对Plackett-Burman设计的四个应用，提出基于潜在结果的因果推断框架，定义有限总体下的因果效应，给出Neyman估计量及方差协方差估计，并进行Fisher精确检验和区间构造。
2026-06-05 stat.ME
Challenges in Statistics: A Dozen Challenges in Causality and Causal Inference
本文指出因果关系与因果推断是统计学与多领域交叉的核心研究方向，虽过去三十年取得进展但仍有诸多开放问题，提出需从理论、方法、工具及跨领域合作等多方面推进该领域未来研究。
2025-08-23 stat.ME
DoWhy: An End-to-End Library for Causal Inference
Microsoft Research（微软研究院）
除了有效的治疗效果的统计估计，因果推断的成功应用需要指定的机制，观察数据和测试他们是否是有效的，在何种程度上的假设。然而，大多数用于因果推断的库仅关注于提供强大的统计估计器的任务。我们描述了DoWhy，一个开源Python库，它是以因果假设作为一等公民构建的，基于因果图的正式框架来指定和测试因果假设。DoWhy提供了一个API，用于任何因果分析常见的四个步骤--1）使用因果图和结构假设对数据进行建模，2）确定在因果模型下是否可以估计期望的效果，3）使用统计估计器估计效果，最后4）通过稳健性检查和敏感性分析反驳所获得的估计。特别是，DoWhy实现了许多鲁棒性检查，包括安慰剂测试，bootstrap测试和未观察到的混淆测试。DoWhy是一个可扩展的库，支持与其他实现的互操作性，例如用于估计步骤的EconML和CauseML。该库可在https://github.com/microsoft/dowhy上获得
2020-11-09 cs.AI cs.MS econ.EM
Causal Inference Under Network Interference
The Pennsylvania State University（宾夕法尼亚州立大学）
该论文综述多领域干扰下因果推断的最新进展，涵盖干扰检测、因果效应识别与估计等，经模拟发现干扰图变异性高时条件化会限制因果结论，还总结了开放问题。
2026-10-23 stat.ME
Causal Inference on Distribution Functions
理解因果关系是现代科学最重要的目标之一。到目前为止，因果推断文献几乎完全集中在来自欧几里得空间$\mathbb{R}^p$的结果。然而，复杂数据集最好总结为非线性空间中的数据点，这一点越来越普遍。在本文中，我们提出了一个新的框架的因果效应的结果从Wasserstein空间的累积分布函数，这与欧几里德空间，是非线性的。我们开发了双稳健估计和相关的渐近理论，这些因果关系的影响。作为一个例子，我们使用我们的框架来量化婚姻对身体活动模式的因果影响，使用通过国家健康和营养检查调查收集的可穿戴设备数据。
2022-10-24 stat.ME
Bayesian Weighted Mendelian Randomization for Causal Inference based on Summary Statistics
全基因组关联研究（GWAS）对数千种表型的研究结果为推断一种表型（暴露）对另一种表型（结果）的因果影响提供了前所未有的机会。孟德尔随机化（MR），一个工具变量（IV）的方法，已被引入使用GWAS数据的因果推断。然而，由于复杂性状/疾病的多基因结构和多效性的普遍存在，与常规IV方法相比，MR具有许多独特的挑战。我们提出了一个贝叶斯加权孟德尔随机化（BWMR）的因果推断，以解决这些挑战。在我们的BWMR模型中，弱效应的不确定性，由于多基因性已被考虑和违反IV假设，由于多效性已通过贝叶斯加权离群值检测解决。为了使基于BWMR的因果推断具有计算稳定性和高效性，我们提出了一种变分期望最大化（VEM）算法。此外，我们还导出了一个精确的封闭式公式，以纠正变分推断中经常被低估的后验协方差。通过全面的仿真研究，我们评估了BWMR的性能，证明了BWMR相对于其竞争对手的优势。然后，我们应用BWMR对130种代谢物和93种复杂的人类特征进行了因果推断，揭示了暴露与结果特征之间的新因果关系。BWMR软件可在https://github.com/jiazhao97/BWMR上获得。
2019-04-29 stat.ME
Balancing Method for High Dimensional Causal Inference
因果推断在经济学、统计学、教育、医学、机器学习等不同领域都受到了极大的关注。在这一领域，在观察性研究中推断个体水平的因果效应已成为一项重要任务，特别是在高维环境中。在本文中，我们提出了一个框架，估计个性化的处理效应在高维非实验数据。我们提供了理论和经验的理由，后者通过比较我们的框架与目前表现最好的方法。我们提出的框架在大多数情况下可以与最先进的方法相媲美，甚至比它们更简单，更容易实现。
2017-02-15 stat.ME
Causal inference for binary non-independent outcomes
对多个非独立结果的因果推断提出了严峻的挑战，因为需要考虑正确解释结果依赖结构的多变量技术。我们专注于二元结果的情况下，我们的讨论框架中的潜在结果的方法因果推断。我们定义的因果关系的治疗对联合结果引入产品结果的概念。我们还讨论了产品结果的因果效应分解为内在和外在的因果效应，分别提供产品结果的内在（产品）结构和结果的依赖结构的处理效应的信息。我们提出了一个对数均值线性回归的方法来模拟潜在的结果，这是特别有吸引力的，因为所有的因果被估量的利益和分解成内在和外在的因果效应可以很容易地从模型参数的分布。该方法在两个随机实验中进行了说明，涉及（i）手术前口服吗啡对手术后疼痛强度的影响;以及（ii）蜂蜜对与儿童上呼吸道感染相关的夜间咳嗽和睡眠困难的影响。
2018-05-10 stat.ME
A Topological Perspective on Causal Inference
Stanford University（斯坦福大学）
本文提出了一个拓扑学习理论的因果推理的角度，通过引入一系列的拓扑定义的一般空间的结构因果模型（SCM）。作为一个说明的框架，我们证明了拓扑因果层次定理，表明实质性的无约束因果推理是可能的，只有在一个微薄的SCM集。由于一个已知的弱拓扑和统计上可验证的假设之间的对应关系，我们的研究结果表明，归纳假设足以许可有效的因果推理是统计上不可验证的原则。类似于统计推断的无免费午餐定理，本研究结果澄清了因果推断的实质性假设的必然性。我们的拓扑方法的另一个好处是，它很容易容纳SCM无限多个变量。最后，我们建议，该框架可能有助于积极的项目，探索和评估替代的因果关系归纳假设。
2022-05-31 cs.AI cs.LG stat.ME
On randomization-based causal inference for matched-pair factorial designs
在潜在结果框架下，我们引入了配对析因设计，并给出了析因效应的配对估计。我们还计算了匹配对估计的基于随机化的协方差阵，并给出了协方差阵的“Neymanian”估计。
2017-02-03 stat.ME
A novel framework extending cause-effect inference methods to multivariate causal discovery
本文提出一个辅助框架，将任意双变量因果推断方法系统扩展到多变量场景，通过可识别的局部图结构迭代发现完整因果结构，并从理论与实验上验证其有效性。
2023-05-26 stat.ME
Causal inference for temporal patterns
复杂动力系统在许多科学学科中都很普遍。在分析这类系统时，有两个方面特别令人感兴趣：1）它们演变的时间模式和2）潜在的因果机制。离散傅立叶变换和小波变换等时间序列表示方法已被广泛应用，以便深入了解复杂动力系统的时间结构。因果问题可以在因果推断框架中形式化。我们提出了一个基本的和系统的方法来结合时间序列表示与因果推断。我们的方法是基于一个因果关系的概念，从一个原因的影响过程中的一对时间模式。特别是，我们的框架可以用来研究频域中的因果效应。我们将看到我们的方法与频域中众所周知的Granger因果关系相比如何。此外，使用奇异值分解，我们建立了一个表示一个过程如何驱动另一个在指定长度的时间窗口的时间脉冲响应模式。对于这些，我们将称为因果正交函数（COF），这是基于协方差的多变量奇异谱分析（mSSA）得出的时间模式的因果模拟。
2022-05-30 stat.ME
Valid Inference After Causal Discovery
University of California, Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
本研究针对因果发现后估计效应时的“双重 dipping”问题，提出有效推断工具，在保证覆盖率的同时提升因果发现准确性。
2024-08-19 cs.LG stat.ME stat.ML
Probabilistic Modelling is Sufficient for Causal Inference
University of Cambridge（剑桥大学）
本文表明，概率建模足以回答因果推断问题，无需专门的因果工具或符号。
2025-12-29 cs.LG stat.ME stat.ML
Statistical causal inference methods for observational research in PER: a primer
本文针对物理教育研究（PER）中观察数据的因果推断问题，介绍了统计因果推断的基本原理与方法，并通过模拟数据阐明混杂因素与中介变量的控制原则，最终提出观察研究应致力于为未来干预研究提供预测。
2023-05-23 physics.ed-ph stat.ME
Atlantic Causal Inference Conference (ACIC) Data Analysis Challenge 2017
本简要说明记录了与大西洋因果推断会议（ACIC）相关的2017年数据分析挑战中使用的数据生成过程。挑战的重点是在存在靶向选择的情况下对条件平均处理效应（CATE）的估计和推断，这会导致强混杂。相关的数据文件和进一步的图表可以在第一作者的网页上找到。
2019-05-23 stat.ME stat.OT
Fairness in Algorithmic Decision Making: An Excursion Through the Lens of Causality
Pennsylvania State University（宾夕法尼亚州立大学）；Purdue University（普渡大学）
由于我们生活的几乎所有方面都越来越受到算法决策系统的影响，作为一个社会，我们有责任确保这些系统不会成为基于性别，种族，民族，宗教等的不公平歧视的工具。我们介绍了基于因果关系的群体公平性的两个定义：公平的平均因果效应（FACE）和公平的平均因果效应的治疗（FACT）。我们使用Rubin-Neyman潜在结果框架来分析因果关系，以稳健地估计FACE和FACT。我们证明了我们提出的方法的有效性合成数据。我们对两个真实世界数据集的分析，来自UCI存储库的成人收入数据集（以性别为受保护属性），以及NYC Stop和Frisk数据集（以种族为受保护属性），表明FACE和FACT获得的歧视证据，或缺乏歧视，通常与其他研究的结果一致。我们进一步表明，事实，是有点更微妙的脸相比，可以产生的歧视，从那些使用脸不同的结果。
2019-03-27 cs.LG stat.ML
Computational Causal Inference
Netflix
我们介绍计算因果推断作为一个跨学科领域的因果推断，算法设计和数值计算。该领域旨在开发专门从事因果推断的软件，这些软件可以以高性能，通用和鲁棒的方式分析具有各种因果效应的海量数据集。对软件的关注提高了研究的灵活性，并使因果推断能够容易地集成到大型工程系统中。特别是，我们使用计算因果推断来加深因果推断、在线实验和算法决策之间的关系。本文描述了新的领域，需求，可扩展性的机会，开放的挑战，并开始讨论社区如何能够团结起来，以解决扩展因果推断和决策的挑战。
2020-07-21 cs.LG stat.CO
Causality, Causal Discovery, and Causal Inference in Structural Engineering
本文从土木与结构工程视角系统阐述因果发现与因果推断的基本原理、常用算法及软件包，并通过案例展示其相对于传统机器学习方法的优势与应用方式。
2022-08-08 cs.LG stat.ME
On Measurement Bias in Causal Inference
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文讨论了因果推断中的测量误差问题，并着重介绍了几种消除这种误差引起的系统偏差的代数和图解方法。特别地，本文讨论了参数和非参数模型中部分可观测混杂因素的控制以及在这类模型中获得无偏效应估计的计算问题。
2012-03-15 cs.AI stat.ME
Rethinking recidivism through a causal lens
University of Oxford（牛津大学）；Stevens Institute of Technology（史蒂文斯理工学院）
本文以北卡罗来纳州数据为基础，采用DAG调整、DML及敏感性分析评估监禁对累犯的因果效应，发现更长刑期会增加再犯罪可能。
2024-05-08 cs.CY cs.LG stat.AP
Non-parametric causal inference for bivariate time series
我们引入了新的量，探索性的因果关系推断之间的二元时间序列。这些量被称为倾向和倾向，在计算上很容易应用，直接遵循概率因果关系的假设，不依赖于时间序列生成过程的任何假设模型，也不依赖于任何嵌入程序;这些功能可以提供比现有时间序列因果关系工具更清晰的结果解释。偏好和倾向是基于用于计算概率的结构化方法来计算的。
2016-01-27 physics.data-an stat.ME
CausalImages: An R Package for Causal Inference with Earth Observation, Bio-medical, and Social Science Images
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Linköping University（林雪平大学）
该R包causalimages支持利用图像和图像序列数据进行因果推断，提供分解处理效应异质性、控制混杂因素及生成嵌入等功能，并包含加速大规模图像分析的设施，为R中因果推断开辟新能力。
2023-11-09 cs.LG stat.ME
A Forecaster's Review of Judea Pearl's Causality: Models, Reasoning and Inference, Second Edition, 2009
Central University of Finance and Economics（中央财经大学）
本文从预测者视角评述 Pearl《因果论》第二版，展示预测场景中的因果推断策略，并探讨时间序列预测中反事实建模、不确定性估计与先验知识融合的益处和挑战。
2023-08-10 cs.LG stat.AP stat.ME
Inference of Causal Effects when Control Variables are Unknown
Uppsala University（乌普萨拉大学）
因果效应推理的传统方法通常依赖于指定一组有效的控制变量。当这个集合是未知的或错误指定的时候，推论就会出错。我们提出了一种方法来推断平均因果效应时，所有潜在的混淆观察，但控制变量是未知的。当数据生成过程属于非循环线性结构因果模型类时，我们证明了该方法产生渐近有效的置信区间。我们的结果建立在一个光滑的线性有向无环图的特征。我们验证了该方法的能力，以产生有效的置信区间的平均因果效应，使用合成数据，即使当控制变量的适当规格是未知的。
2021-06-11 cs.LG stat.ME stat.ML
Probabilistic Matching: Causal Inference under Measurement Errors
每天从各种各样的来源产生的丰富的数据，促进了对从观测数据进行因果推断分析的新方法的需求。观测数据通常包含噪声或缺失的条目。此外，因果推断研究可能需要未观察到的高级信息，这些信息需要从其他观察到的属性中推断出来。在这种情况下，所应用的推理方法的不准确性将导致噪声输出。在这项研究中，我们提出了一种新的方法，当一个或多个关键变量是嘈杂的因果推断。我们的方法利用知识的不确定性的实际值的关键变量，以减少由噪声测量引起的偏差。我们评估我们的方法与现有的方法相比，模拟和真实的情况下，我们表明，我们的方法减少了偏见，避免在大多数情况下错误的因果推断结论。
2017-03-13 stat.CO stat.ME stat.ML
The role of exchangeability in causal inference
该研究提出概率性组间可交换性作为因果效应识别条件，将其与贝叶斯因果推断中的因果模型、混杂及因果对比关联，还探讨了该思路在纵向场景的延伸。
2022-12-16 math.ST stat.ME stat.TH
A First Course in Causal Inference
本研究基于加州大学伯克利分校七年的因果推断课程教学经验，编写了面向本科生、仅需基础统计与回归知识的入门课程讲义。
2023-10-03 stat.AP 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
Discussion on "Bayesian Regression Tree Models for Causal Inference: Regularization, Confounding, and Heterogeneous Effects" by Hahn, Murray and Carvalho
Hahn等人（2020）提供了一项广泛的研究，以解释和评估BCF模型在不同环境中的性能，并详细讨论了其在因果推断中的效用。这是一个受欢迎的除了因果机器学习文献。我将通过两个主题的讨论来强调BCF模型对因果推断领域的贡献：1）BCF模型中的PS和贝叶斯更新方法中的贝叶斯PS之间的差异，2）基于因果效应估计方法的结果建模中PS的作用的另一种阐述。最后，我将对未来涉及BCF的研究途径发表评论，这在大数据时代将是重要的和急需的。
2021-08-05 stat.ME stat.OT
RobustIV and controlfunctionIV: Causal Inference for Linear and Nonlinear Models with Invalid Instrumental Variables
本文介绍两个R软件包RobustIV和controlfunctionIV，分别用于线性与非线性模型下存在无效工具变量时的因果推断，并提供了经济数据和弗拉明汉心脏研究的应用示例。
2023-06-20 stat.CO stat.ME
Causal Inference Isn't Special: Why It's Just Another Prediction Problem
Hong Kong University of Science and Technology（香港理工大学）
本文提出因果推断本质上是分布偏移下的预测问题，通过重加权和域适应等预测技术可直接应用，从而简化其逻辑并提升可及性。
2025-07-09 cs.LG stat.ME stat.ML
Causal Inference in the Time of Covid-19
在本文中，我们开发了流行病的因果推断的统计方法。我们的重点是估计社会流动性对新型冠状病毒肺炎（COVID-19，即2019冠状病毒病）疫情中死亡人数的影响。我们提出了一个边际结构模型的基本流行病模型的修改版本的动机。我们估计在流动性干预下死亡的反事实时间序列。我们进行几种类型的敏感性分析。我们发现数据支持流动性减少导致死亡减少的观点，但结论是有警告的。有证据表明对模型误设和未测量混杂的敏感性，这意味着需要谨慎解释因果效应的大小。虽然毫无疑问，这种影响是真实的，但我们的工作突出了从大流行数据中得出因果推断的挑战。
2021-08-24 stat.AP stat.ME
Causal Inference Using Tractable Circuits
University of California, Los Angeles（加州大学洛杉矶分校）
本文的目的是讨论最近的一个结果表明，概率推理（未知）的因果机制的存在下，传统上被视为棘手的模型可以是易处理的。这一结果最近被报道，以促进基于模型的监督学习，但它可以解释在因果关系的上下文中如下。人们可以将非参数因果图编译成算术电路，该算术电路支持在电路大小中时间线性的推断。该电路也是非参数的，因此它可以用于从数据中估计参数，并进一步推理（在线性时间内）由这些估计参数化的因果图。此外，电路的大小有时可以是有界的，甚至当因果图的树宽不是，导致在模型上的易处理的推理，以前被认为是棘手的。这已经通过一种新技术实现，该技术可以在计算上利用因果机制，但不需要知道它们的身份（因果推理中的经典设置）。我们的目标是提供一个以因果关系为导向的暴露这些新的结果，并推测它们如何可能有助于更可扩展和通用的因果推理。
2022-02-07 cs.AI cs.CC cs.LG
A conceptual synthesis of causal assumptions for causal discovery and inference
本文综合多个因果发现与推断框架，梳理因果充分性、忠实性和马尔可夫条件等基础假设，提供贯穿研究设计全阶段的实用指导，以支持跨领域严谨因果推理。
2025-04-21 q-bio.QM stat.AP stat.ME
Extended Conditional Independence and Applications in Causal Inference
本文的目标是将随机条件独立性和变异条件独立性的概念整合到一个更一般的扩展条件独立性的概念之下。我们表明，在适当的假设下，分别适用于这两种情况（公理的分离体）的微积分仍然适用于扩展的情况。这些结果提供了一个严格的基础，广泛的统计概念，包括辅助性和充分性，特别是决策理论框架的统计因果关系，它使用的语言和演算的条件独立性，以表达因果属性，并作出因果推断。
2015-12-01 math.ST stat.ME stat.TH
An Overview of Causal Inference using Kernel Embeddings
University of Adelaide（阿德莱德大学）
本文综述了核嵌入方法在因果推断领域的应用，介绍其通过将概率测度映射到RKHS实现灵活分布表示，为解决观测数据的因果识别与效应估计等问题提供鲁棒非参数框架。
2024-10-30 cs.LG stat.ME stat.ML
