Doubly Stochastic Variational Inference for Deep Gaussian Processes
高斯过程（GP）是函数逼近的一个很好的选择，因为它们灵活，对过拟合具有鲁棒性，并提供良好校准的预测不确定性。深度高斯过程（DGP）是GP的多层概括，但这些模型中的推理已被证明具有挑战性。现有的DGP模型中的推理方法假设近似后验，迫使层之间的独立性，并没有很好地在实践中工作。我们提出了一个双随机变分推断算法，它不强迫层之间的独立性。通过我们的推理方法，我们证明了DGP模型可以有效地用于大小从数百到十亿个点的数据。我们提供了强有力的经验证据表明，我们的DGP推理方案在分类和回归实践中效果良好。
2017-11-13 stat.ML
Regression analysis of doubly truncated data
在天文学、计量经济学和生存分析文献中发现了双截断数据。当每次观察都被限制在一个区间内时，它们就会出现，即，只有落在它们各自间隔内的那些与间隔一起被观察。与更广泛研究的单侧截断不同，基于计数过程的方法可以有效地处理，双重截断数据更难以处理。在对天文数据集的分析中，Efron和Petrosian（1999）提出了一些非参数方法，包括推广Kendall的tau检验，用于双截断数据。受他们的方法以及Bhattacharya等人（1983）关于右截断数据的工作的启发，我们提出了一种估计因变量服从双截断时回归参数的一般方法。它扩展了Mann-Whitney型秩估计，并且可以通过现有的软件包轻松计算。我们证明了所得到的估计是一致的和渐近正态的。提出了一种近似极限分布的大样本恢复方案。用新方法重新分析了Efron和Petrosian（1999）的类星体数据。仿真结果表明，该方法具有较好的性能.对加权秩估计也作了推广。
2017-01-04 stat.ME
Doubly Robust Sure Screening for Elliptical Copula Regression Model
回归分析一直是统计学研究的热点。我们提出了一种非常灵活的半参数回归模型--椭圆Copula回归（ECR）模型，它涵盖了一大类线性和非线性回归模型，如可加性回归模型、单指标模型等。此外，ECR模型还能捕捉到变量之间的厚尾性和尾部相关性，因此在计量经济学和金融学等领域有着广泛的应用。本文主要研究超高维环境下ECR模型的特征筛选问题。针对ECR模型提出了一种双重稳健的可靠性筛选方法，其中包含两种类型的相关系数：Kendall-tau相关和典型相关.理论分析表明，该方法具有一定的筛选性能，在概率趋于1的情况下，筛选过程选择出所有重要变量，并将维度大大减少到相对于样本量的中等大小。通过数值计算表明，该方法优于现有的确定独立的筛选方法，可以安全地替代现有的方法。最后，将该方法应用于一个基因表达真实数据集，以显示其经验有用性。
2018-08-26 stat.ME
Predictive Density Combination Using a Tree-Based Synthesis Function
本文提出使用回归树对贝叶斯预测综合（BPS）中的合成函数进行非参数化建模，并在两个宏观经济预测应用中验证了该方法能提升预测精度与可解释性。
2023-11-21 econ.EM stat.ML
Doubly Robust Regression Analysis for Data Fusion
本文研究了当数据从两个不同的来源融合时，对结果变量$Y$对协变量$(V,L)$的回归的参数模型进行推断的问题，其中一个来源仅包含关于$(V, Y)$的信息，而另一个来源仅包含关于协变量的信息。该数据融合设置可视为缺失数据的极端形式，其中在任何给定受试者中观察到完整数据$(V,L,Y)$的概率为零。我们发展了一大类融合数据中回归系数的半参数估计，其中包括双稳健估计。所提出的方法是DR，它是一致的和渐近正态的，如果除了感兴趣的模型，我们正确地指定一个模型的数据源过程下的可验证性假设，或未观察到的协变量的分布。我们通过广泛的模拟研究来评估我们的各种估计的性能，并应用所提出的方法来调查1998年美国家庭的净资产价值和总支出之间的关系，同时控制潜在的混杂因素，包括收入和其他人口变量。
2018-09-07 stat.ME
Doubly Robust Bayesian Inference for Non-Stationary Streaming Data with $β$-Divergences
The Alan Turing Institute（艾伦·图灵研究所）；University of Warwick（华威大学）
我们提出了第一个强大的贝叶斯在线变点检测算法，通过一般贝叶斯推断（GBI）与$β$ -分歧。由此产生的推理过程是双重强大的参数和变点（CP）后，线性时间和恒定的空间复杂度。我们提供了一个指数模型的构造，并在贝叶斯线性回归模型上进行了演示。在这样做时，我们做了两个额外的贡献：首先，我们使GBI可扩展的结构变分近似是精确的$β\to 0$。其次，我们给出了一个原则性的方法来选择的分歧参数$β$的期望预测损失最小的在线。将CP的错误发现率从超过90%降低到真实世界数据的0%，这提供了最先进的技术。
2018-11-27 cs.LG stat.ML
Doubly Robust Weighted Regression for Causal Inference under Confounder Missingness
University of Calgary（卡尔加里大学）
本文提出一种双重稳健的加权普通最小二乘估计方法，用于处理观测研究中缺失混杂变量的问题，通过引入倾向分数模型提升估计的稳健性与准确性。
2026-07-22 stat.ME
A Stein Gradient Descent Approach for Doubly Intractable Distributions
针对双重难处理分布，提出蒙特卡洛斯坦因变分梯度下降方法，通过高效梯度近似快速变换参考分布逼近后验，在多个模型上实现显著计算加速且保持推断性能。
2025-08-07 math.ST stat.ML stat.TH
On Doubly Robust Inference for Double Machine Learning in Semiparametric Regression
针对部分线性回归中的因果效应推断，本文提出一种双重稳健的双重机器学习实现，在单一第一阶段预测不一致时仍可降低偏差并改善置信区间覆盖率。
2025-01-07 stat.ME
Robust Doubly Protected Estimators for Quantiles with Missing Data
双重保护估计量被广泛用于估计样本结果Y的总体均值，其中某些个体的响应缺失。为了补偿缺失的响应，在每个个体上观察协变量的向量X，并假设缺失机制与响应无关，以X为条件（随机缺失）。近年来，许多作者已经从均值转移到中位数，更普遍的是，已经提出了分位数的双重保护估计，假设X和Y之间的关系是参数回归模型，倾向得分是参数形式。在这项工作中，我们提出了双重保护估计的分位数，也是强大的，在这个意义上说，他们是抵抗样本中的离群值的存在。我们还灵活的X和Y之间的关系的模型。因此，我们提出了强大的双重保护估计的分位数的响应中存在的缺失观测，假设一个半参数回归模型的响应和协变量之间的关系和参数模型的倾向得分。
2017-11-06 stat.ME
A doubly robust learner for regression and inference with right-censored outcomes
PFA Pension（PFA养老金）；Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系）
本文提出适配右删失数据的双重鲁棒非参数回归框架，推导伪结局条件偏差新表示以建立估计量渐近性质，经模拟验证性能并应用于右删失回归间断设计的因果效应估计。
2026-08-04 math.ST stat.ME stat.TH
Doubly Robust Estimation of Continuous Outcomes under Multiple Treatment Levels via GPS, CBPS, and Penalized Empirical Likelihood
本文提出将GPS、CBPS与结果回归纳入惩罚经验似然框架，实现多处理水平下连续结果的双重稳健估计与变量选择，并通过模拟和与元学习器比较验证其有效性。
2025-09-19 stat.ME
Doubly Robust Quadratic Inference Functions for Causal Inference in Cluster Randomized Trials
University of Michigan（密歇根大学）
提出双重稳健二次推断函数（DR-QIF）估计量，结合倾向得分和结果回归模型，在整群随机试验中处理协变量不平衡，当任一模型正确指定时一致估计平均处理效应，且在错误指定工作相关结构时比双重稳健GEE更有效。
2026-06-26 stat.ME
Bayesian Predictive Decision Synthesis
该研究提出贝叶斯预测决策综合（BPDS）方法，以决策导向视角拓展模型不确定性研究，通过新颖的主观贝叶斯模型加权视角，将决策分析结果整合到多模型评估比较中，并在回归设计、金融预测等场景验证了有效性。
2023-05-05 math.ST stat.ME stat.TH
Model-assisted sensitivity analysis for treatment effects under unmeasured confounding via regularized calibrated estimation
考虑使用敏感性分析估计未测量混杂情况下的平均处理效应，假设满足边际敏感性模型。在人口水平上，我们提供了新的表示尖锐的人口界和双重强大的估计功能，最近来自多恩，郭和Kallus。我们还根据加权线性结果分位数回归推导出新的、宽松的种群界限。在样本水平上，我们开发了新的方法和理论，不仅获得双重稳健的点估计的放松人口界相对于误指定的倾向得分模型或结果均值回归模型，但也模型辅助的置信区间是有效的，如果正确指定的倾向得分模型，但结果分位数和均值回归模型可能被误指定。如果正确指定了结果分位数回归，则放松的总体边界减少到锐边界。对于线性结果均值回归模型，置信区间也具有双重稳健性。我们的方法涉及正则化校准估计，Lasso惩罚，但精心选择的损失函数，拟合倾向得分和结果的平均值和分位数回归模型。我们提出了一个模拟研究和实证应用的观察性研究的影响，右心导管插入术。
2022-09-23 stat.ME
The Synthesis of Regression Slopes in Meta-Analysis
Meta分析（相关研究结果的综合）方法的研究涉及了许多简单的研究指标，但很少关注回归斜率的总结问题。这部分是因为当真实的回归模型集合被累积时，会出现许多复杂的情况。我们概述了合成斜率所涉及的复杂性，描述了现有的分析方法，并提出了一个多元广义最小二乘回归斜率的合成方法。
2008-01-29 stat.ME
Hierarchical Total Variations and Doubly Penalized ANOVA Modeling for Multivariate Nonparametric Regression
对于多元非参数回归，函数方差分析（ANOVA）建模旨在通过将未知函数分解为各种分量，表示主效应，双向相互作用等来捕获响应和协变量之间的关系。这种方法已在平滑样条ANOVA建模中明确追求，并在各种贪婪方法（如MARS）中隐含追求。我们开发了一种新的方法功能方差分析建模，基于双惩罚估计使用全变差和随机范数的惩罚，实现稀疏选择的组件功能和他们的结。为此，我们制定了一个新的类的层次总的变化，它测量总的变化在不同的水平，包括主效应和多方式的相互作用，可能经过一定的分化。此外，我们推导出合适的基函数的多元样条，使层次总变差可以表示为一个定期的Lasso惩罚，因此，我们扩展了以前的回拟合算法来处理双惩罚估计方差分析建模。我们提出了广泛的模拟和真实数据的数值实验，比较我们的方法与现有的方法，包括MARS，树提升，和随机森林。结果是非常令人鼓舞的，并展示了相当大的收益，从我们的方法在预测或分类精度和简单的拟合函数。
2019-06-16 stat.CO stat.ME
Doubly Robust Estimation of Local Average Treatment Effects Using Inverse Probability Weighted Regression Adjustment
我们重新审视的问题，估计的局部平均处理效应（LATE）和局部平均处理效应的治疗（LATT）时，控制变量是可用的，要么使工具变量（IV）适当的外源性或提高精度。与以前的方法不同，我们的双重鲁棒（DR）估计程序使用准似然方法加权的IV倾向得分的倒数-所谓的逆概率加权回归调整（IPWRA）估计。通过正确选择倾向评分和结果模型的模型，确保拟合值在由响应变量确定的逻辑范围内，从而产生具有吸引人的小样本性质的LATE和LATT的DR估计量。无论是分析还是使用非参数自助法，推断都相对简单。我们的DR LATE和DR LATT估计器在模拟中运行良好。我们还提出了一个DR版本的Hausman检验，可用于评估unconfoundedness假设，通过比较不同的估计值的平均处理效应的治疗（ATT）在单侧不遵守。与比较OLS和IV估计值的常用检验不同，该程序对处理效应异质性具有稳健性。
2022-11-15 econ.EM stat.ME
Doubly-Unlinked Regression for Dependent Data
Johns Hopkins University（约翰斯·霍普金斯大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Texas A&M University（德克萨斯农工大学）
本文研究了在依赖数据中同时丢失变量对应关系的回归问题，提出双重解离回归模型，通过块结构排列模型开发REPAIR方法，实现高效估计。
2026-03-19 math.ST stat.ME stat.TH
Entropy balancing is doubly robust
协变量平衡是用于估计观察性研究因果效应的方法的传统关键诊断。最近，有一个新兴的兴趣，直接将协变量平衡的估计。我们研究了最近提出的熵最大化方法称为熵平衡（EB），它完全匹配的协变量矩为不同的实验组在其优化问题。我们发现EB是双重强大的线性结果回归和逻辑倾向得分回归，它达到了渐近半参数方差界时，这两个回归是正确的。这让我们感到惊讶，因为在EB的原始提案中没有尝试对结果或治疗分配进行建模。我们的理论结果和模拟表明，EB是一个非常有吸引力的替代传统的加权估计，估计的倾向得分的极大似然。
2017-02-11 stat.AP stat.ME
Simultaneously detecting spatiotemporal changes with penalized Poisson regression models
本研究提出基于Poisson回归模型的双重融合惩罚方法，通过迭代收缩阈值算法同时检测时空计数数据的变点与空间聚类，并验证了其统计一致性与优越性能。
2025-05-01 stat.ME
Doubly Robust Estimation of Causal Excursion Effects in Micro-Randomized Trials with Missing Longitudinal Outcomes
针对微随机试验中纵向结果随机缺失导致因果偏移效应估计偏差的问题，提出两阶段双重稳健估计器，支持多种结果类型与建模方式，在缺失或结果模型任一正确时保持一致性与渐近正态性，并通过模拟和 HeartSteps 验证。
2024-11-15 stat.ME
Win-Ratio Regression for Prioritized Composite Outcomes in Observational Studies: Doubly Robust and Efficient Estimation with Future-Score Correction
University of Florida（佛罗里达大学）；University of California San Diego（加州大学圣地亚哥分校）；Stanford University School of Medicine（斯坦福大学医学院）；University of Rochester Medical Center（罗切斯特大学医学中心）
针对观察性研究中优先复合结局的删失估计问题，提出带未来评分校正的胜比回归框架，结合处理加权与基线增强实现双重稳健高效估计，模拟与OneFlorida数据应用验证了其有效性。
2026-09-25 stat.ME
A Note on Doubly Robust Estimator in Regression Discontinuity Designs
Department of Basic Science, The University of Tokyo（东京大学基础科学系）
本文提出了用于断点回归设计的双稳健估计量（DR-RD），通过结合两个条件期望结果估计量，在至少一个估计量一致时即可保证处理效应估计的一致性，从而增强了估计的稳健性。
2025-01-27 cs.LG econ.EM math.ST
Nonparametric methods for doubly robust estimation of continuous treatment effects
连续处理（例如，剂量）在实践中经常出现，但许多可用的因果效应估计量受到限制，要么需要效应曲线的参数模型，要么不允许双重稳健的协变量调整。我们开发了一种新的内核平滑的方法，只需要温和的平滑假设的效果曲线，仍然允许误指定的治疗密度或结果回归。我们推导出渐近性质，并给出了一个程序的数据驱动的带宽选择。该方法通过模拟和护士人员对医院再入院处罚的影响的研究说明。
2016-08-11 stat.ME
Doubly robust estimation of marginal cumulative incidence curves for competing risk analysis
针对竞争风险分析中治疗组协变量不平衡问题，提出一种仅需倾向评分或结果回归模型之一正确设定的双稳健边际累积发生率估计量，并通过模拟和乳腺癌队列验证比较。
2024-12-02 stat.ME
An efficient and doubly robust empirical likelihood approach for estimating equations with missing data
本文考虑了当数据随机缺失时，由一般估计方程定义的参数的经验似然推断。现有的估计的效率关键取决于正确指定的条件期望的估计函数给定的随机观测值的观测分量。当条件期望没有被正确指定时，即使（缺失的）倾向函数被正确指定，估计的效率也会严重受损。我们提出了一个有效的估计，它具有双重鲁棒性，并且可以在估计方程的估计函数所生成的估计函数类内达到半参数有效界，如果正确指定倾向模型和回归模型（条件期望）。此外，如果正确地指定了倾向模型，但错误地指定了回归模型，所提出的估计仍然实现了半参数效率下界内更一般的估计函数类。仿真结果表明，所提出的估计是强大的对误设定的倾向模型或回归模型，并优于许多现有的竞争对手的意义上有较小的均方误差。此外，使用我们的方法进行统计推断，既不需要重采样，也不需要核平滑。一个真实数据的例子来说明所提出的方法。
2016-12-03 stat.ME
Doubly robust tests of exposure effects under high-dimensional confounding
在变量选择之后，回归参数的标准推断程序可能不是一致有效的;没有有限的样本量来保证标准检验近似达到其标称量。这个问题在高维环境中更加严重，变量选择变得不可避免。这促使了一系列的活动，为高维模型中的低维回归参数（例如，暴露A对结果Y的因果影响）开发一致有效的假设检验。到目前为止，对模型误指定的关注有限，尽管这在高维环境中是不可避免的。我们提出了测试的空，稀疏性条件下，弱于通常在文献中调用的一致有效，假设工作模型的曝光和结果都正确指定。当其中一个模型被错误指定时，通过修改估计滋扰参数的程序，我们的测试仍然有效，因此它们具有双重鲁棒性。我们的建议是直接使用现有的软件惩罚极大似然估计，不需要样本分裂。我们说明他们在模拟和分析从根特大学重症监护病房获得的数据。
2020-07-06 stat.ME
Adaptive Penalized Doubly Robust Regression for Longitudinal Data
Wisdom Lake Academy of Pharmacy, Xi’an Jiaotong-Liverpool University（西交利物浦大学智慧药学院）
本文提出了一种双重适应性稳健回归方法，用于纵向数据中的稳健估计和变量选择，通过结合稳健拟合、双重适应性权重和折叠凹惩罚，提高了估计精度和预测稳定性。
2026-02-25 math.ST stat.AP stat.CO
Doubly Robust Inference for Targeted Minimum Loss Based Estimation in Randomized Trials with Missing Outcome Data
缺失的结果数据是随机试验处理效应估计有效性的主要威胁之一。缺失数据和观察数据的参与者的结果分布通常是不同的，这增加了偏倚的风险。因果推断方法可通过将基线变量纳入分析来帮助减少偏倚并提高效率。特别是，双稳健估计纳入两个滋扰参数的估计：结果回归和缺失机制，以调整观察到的和未观察到的组中的差异，可以解释观察到的协变量。传统上使用参数模型来估计这样的干扰参数，这通常排除一致的估计，特别是在中到高维中。最近对缺失数据的研究主要集中在数据自适应估计的滋扰参数，以达到一致性，但大样本的性质，这样的估计知之甚少。在本文中，我们讨论了双稳健估计，是一致的和渐近正态（CAN）下的数据自适应一致估计的结果回归或缺失机制。我们提供了一个公式的渐近有效的置信区间在最小的假设。我们表明，我们提出的估计有较小的有限样本偏差相比，标准的双稳健估计。我们提出了一个模拟研究，证明了我们的估计在偏倚，效率和覆盖范围的置信区间的增强性能。我们提出了一个说明性的例子的结果：一个随机的，双盲的II/III期抗逆转录病毒治疗HIV感染者的试验，并提供R代码实现我们提出的估计。
2017-04-05 stat.ME
R packages for the statistical analysis of doubly truncated data: a review
随机双截断是指只有当感兴趣的变量落在两个随机限值内时才能观察到的情况。这种现象发生在生存分析和流行病学等许多领域的许多应用中。有几个R软件包用于分析双截尾数据，例如，累积分布的估计值，竞争风险的累积发生率，或Cox模型中的回归系数。在本文中，这些软件包的主要特点进行审查。通过对模拟数据和实际数据的分析，说明了这些库的相对优点。这包括研究所实施的技术的统计准确性以及它们的计算速度。提出了切实可行的建议。
2020-04-19 stat.ME
Doubly robust inference via calibration
University of Washington（华盛顿大学）；Stanford University（斯坦福大学）；Harvard Medical School（哈佛医学院）；Harvard University（哈佛大学）
该研究针对双重稳健推断中渐近正态性对两个干扰函数收敛速度的要求不匹配问题，提出校准去偏机器学习（DML）方法，结合 isotonic 回归调整，实现双重稳健渐近正态性，在半合成基准数据中表现更优。
2026-08-24 math.ST stat.ME stat.ML
Robust propensity score weighting estimation under missing at random
针对缺失数据下倾向得分加权估计的模型误设问题，本文基于信息投影与内部偏差校准提出一种高效、双重稳健且抗离群值的估计方法，理论性质与模拟均验证了其优越性。
2024-03-27 stat.ME
Doubly robust target inference for generalized linear regression with completely missing covariates
School of Mathematics and Statistics, Huazhong University of Science and Technology（华中科技大学数学与统计学院）；Department of Statistics and Data Science, Tsinghua University（清华大学统计与数据科学系）
针对目标数据协变量完全缺失的广义线性回归，提出双重稳健迁移学习框架，结合重要性加权与插补，实现一致且有效的目标总体推断。
2026-09-22 math.ST stat.ME stat.ML
Sequential Double Robustness in Right-Censored Longitudinal Models
考虑在纵向研究中，在给定的治疗方案下，估计反事实平均结果的G公式。Bang和Robins提供了这个数量的估计量，它依赖于这个参数的序贯回归公式。这种方法是双重稳健的，因为如果结果回归或治疗机制被一致地估计，则它是一致的。我们定义了一个更强的双稳健性的概念，称为序贯双稳健性，纵向G-公式的估计。这个定义自然地出现在结果回归估计量的序贯双稳健性的更一般的定义中。如果在每个后续时间点，结果回归或治疗机制被一致地估计，则结果回归估计器是顺序双稳健的（SDR）。这种形式的鲁棒性正是人们通过研究G公式参数的一阶展开式的余项所预期的。我们表明，一个特定的实现现有的程序是SDR。我们还介绍了一种新的SDR估计，其发展涉及到一个新的翻译的想法，在有针对性的最小损失为基础的估计无限维设置。
2018-05-17 stat.ME
Doubly Debiased Lasso: High-Dimensional Inference under Hidden Confounding
从观察数据中推断因果关系或相关关联可能因隐藏混杂因素的存在而无效。我们专注于一个高维线性回归设置，其中测得的协变量受到隐藏混杂的影响，并提出了{ \em Doubly Debiased Lasso}估计的回归系数向量的各个组成部分。我们所提倡的方法同时纠正由于估计高维参数以及隐藏的混杂所造成的偏差。我们建立了它的渐近正态性，也证明了它是有效的高斯-马尔可夫意义。我们的方法的有效性依赖于一个密集的混杂假设，即每个混杂变量影响许多协变量。有限样本的性能说明了广泛的模拟研究和基因组的应用。
2021-07-20 math.ST stat.ME stat.TH
Doubly Robust Goodness-of-Fit Test of Coarse Structural Nested Mean Models with Application to Initiating combination antiretroviral treatment in HIV-Positive Patients
粗结构嵌套均值模型（SNEML）为从具有时间依赖性混杂因素的纵向观察数据中估计处理效应提供了有用的工具。粗SNARY产生了一大类估计量，其中可以在处理效应、处理开始和滋扰回归结果的良好指定模型的条件下导出最佳估计量（Lok & Griner，2015）。关键假设在于处理效应的明确指定模型;然而，没有指定处理效应模型的现有指南，模型错误指定导致估计值偏倚，妨碍有效推断。为了检验处理效应模型是否与数据匹配良好，我们基于过度识别限制检验推导出拟合优度（GOF）检验程序（Sargan，1958; Hansen，1982）。我们表明，我们的GOF统计是双重强大的意义上说，一个正确的处理效应模型，如果治疗启动模型或滋扰回归结果模型被正确指定，GOF统计有卡方限制分布的自由度等于数量的过度识别的限制。我们使用基于实际数据集的模拟设计来证明我们的方法的经验相关性。此外，我们应用GOF测试程序来研究感染后高效抗逆转录病毒治疗（HAART）的开始时间如何预测急性和早期感染的HIV阳性患者的一年处理效应。
2015-12-10 stat.ME
Calibrated regression estimation using empirical likelihood under data fusion
在经济和生物医学研究中，基于多个来源的信息进行数据分析是常见的。这种设置通常被称为数据融合问题，它不同于传统的缺失数据问题，因为没有观察到任何受试者的完整数据。当结果变量和协变量从两个不同的来源收集时，我们考虑回归分析。通过利用在两个数据集中观察到的共同变量，文献中提出了双重稳健估计程序，以防止可能的模型误指定。然而，他们只采用一个单一的倾向得分模型的数据融合过程和一个单一的插补模型的协变量在一个数据集。假设这两种模型在实践中都是正确的，这可能是有问题的。因此，我们提出了一种方法，校准多个倾向得分和插补模型，以获得更多的保护的基础上的经验似然方法。当这些模型中的任何一个被正确指定时，得到的估计量是一致的，并且对拟合的倾向得分的极值是稳健的。我们还建立了它的渐近正态性，并讨论了半参数估计的有效性。仿真研究表明，所提出的估计有显着的优势，现有的双重稳健估计，并组装美国家庭支出数据的例子用于说明。
2022-04-06 stat.ME
Improved inference for doubly robust estimators of heterogeneous treatment effects
我们提出了一种双重稳健的方法来表征观察性研究中的处理效应异质性。我们开发了一个频率主义的推理程序，利用后验分布的倾向得分和结果回归模型提供有效的推理条件平均处理效应，即使当使用高维或非参数模型。我们表明，我们的方法会导致保守的推断在有限样本或模型误指定，并提供了一个一致的方差估计时，这两个模型都被正确指定。在模拟中，我们说明了这些结果在困难的设置，如高维协变量空间或高度灵活的模型的倾向得分和结果回归的效用。最后，我们分析了NHANES的环境暴露数据，以确定这些暴露的影响如何因受试者级别的特征而异。
2022-07-19 math.ST stat.AP stat.ME
Doubly Robust Adaptive LASSO for Effect Modifier Discovery
当治疗对结果的影响根据第三变量（效应修饰符，EM）的水平而不同时，发生效应修饰。评估效应修正的一种自然方法是通过亚组分析或在结果回归中包括治疗和协变量之间的相互作用项。然而，后者并不针对边际结构模型（MSM）的参数，除非指定了正确指定的结果模型。我们的目的是开发一种数据自适应的方法来选择一个单一的时间点曝光的MSM的效果修改变量。提出了一个两阶段程序。首先，我们估计条件结果期望和倾向得分，并将其插入到一个双重鲁棒损失函数中。其次，我们使用自适应LASSO选择EM和估计MSM系数。然后使用选择后推断来获得对所选择的EM的覆盖。仿真研究进行，以验证所提出的方法的性能。
2021-12-21 stat.ME
Double Cross-fit Doubly Robust Estimators: Beyond Series Regression
本文研究双重交叉拟合双稳健（DCDR）估计量，在Hölder光滑条件下通过欠光滑化冗余函数估计，证明其具有$\sqrt{n}$一致性与渐近正态性，并提出极小极大速率最优的核回归DCDR估计量，支持非$\sqrt{n}$情形下的推断。
2025-05-07 math.ST stat.ME stat.ML
A unifying approach for doubly-robust $\ell_1$ regularized estimation of causal contrasts
We consider inference about a scalar parameter under a non-parametric model based on a one-step estimator computed as a plug in estimator plus the empirical mean of an estimator of the parameter's influence function . We focus on a class of parameters that have influence function which depends on two infinite dimensional nuisance functions and such that the bias of the one-step estimator of the parameter of interest is the expectation of the product of the estimation errors of the two nuisance functions. Our class includes many important treatment effect contrasts of interest in causal inferen…
2019-06-05 math.ST stat.ME stat.ML
A Bayesian view of doubly robust causal inference
在因果推断中，混杂可以通过结果模型中的回归调整或通过倾向得分调整或治疗加权的逆概率或两者来控制。后者的方法，这是基于建模的治疗分配机制和他们的双重强大的扩展已经很难激励使用正式的贝叶斯参数，在原则上，基于似然性的推断，治疗分配模型可以发挥任何作用的推断有关的预期结果，如果模型被假定为正确指定。另一方面，通过允许错误指定结果和治疗分配模型来强制结果和治疗分配模型之间的依赖性，导致倾向得分的平衡属性的损失和任何双重稳健性的损失。在本文中，我们解释的框架中的错误指定的模型，为什么双重强大的推理不能产生纯粹的基于似然的参数，并通过模拟证明这一点。作为一种替代贝叶斯倾向得分分析，我们提出了一个贝叶斯后验预测方法构建双重稳健估计程序。我们的方法通过将贝叶斯因果推断中的逆治疗分配概率作为蒙特卡罗积分中的重要性抽样权重，适当地简化了结果和治疗分配模型。
2017-01-15 stat.ME
Multilevel network meta-regression for general likelihoods: synthesis of individual and aggregate data with applications to survival analysis
University of Bristol（布里斯托大学）；University of York（约克大学）
本研究将多层网络Meta回归（ML-NMR）扩展至任意形式的个体层面似然，通过积分AgD协变量分布得到边际似然，解决了原方法无法应用于时间-事件结局的问题，验证了其精度表现并提供了开源实现。
2024-01-24 stat.ME
Improved Methods for Moment Restriction Models with Marginally Incompatible Data Combination and an Application to Two-sample Instrumental Variable Estimation
在生物医学和经济学研究中，经常需要将来自多个样本的信息结合起来，但在分析结合数据时必须适当考虑这些样本之间的差异。研究了两个样本数据组合的矩约束模型的参数估计问题，其中假设两个样本的公共变量的边缘分布不同，且两个样本的数据组合是可分型的.假设指定了结果回归模型和倾向得分模型。利用半参数有效性理论，我们得到了一个增广逆概率加权（AIPW）估计，是局部有效的和双稳健的结果回归和倾向得分模型。此外，我们开发校准的回归和似然估计，不仅是本地有效的和双重强大的，但也本质上是有效的，在实现更小的方差比AIPW估计时，正确指定的倾向得分模型，但结果回归模型可能被误指定。作为一个重要的应用，我们研究了两个样本的工具变量问题，并得到相应的估计，同时允许两个样本之间的共同变量的不相容分布。最后，我们提供了一个模拟研究和计量经济学应用公共住房项目，以证明我们的改进估计的优越性能。
2018-08-11 stat.ME
Spatial Resolution Enhancement of Oversampled Images Using Regression Decomposition and Synthesis
提出了一种新的稀疏设计矩阵回归分析统计模型。该模型利用设计矩阵中有限个非零元素的位置，将回归模型分解为子回归模型。进一步对这些有限的非零元素的值进行统计推断，为合成这些子回归模型提供参考。利用这种回归分解和合成的概念，设计矩阵的结构信息可以被结合到回归分析中，以提供更可靠的估计。该模型被应用于解决空间过采样图像的空间分辨率增强问题。为了系统地评估所提出的模型在提高空间分辨率的性能，所提出的方法被施加到通过随机场仿真再现的过采样图像。基于不同场景的应用结果验证了该方法在提高空间过采样图像空间分辨率方面的有效性和可行性。
2020-12-29 stat.AP stat.ME
Doubly Robust Estimation in Observational Studies with Partial Interference
当一个人的治疗（或暴露）影响到其他人的结果时，就会发生干扰。在一些设置中，假设个体可以被划分成集群，使得不同集群中的个体之间没有干扰，即，存在部分干扰。在部分干扰的观察性研究中，已提出了不同可能处理效应的逆概率加权（IPW）估计。然而，IPW估计的有效性取决于倾向得分是已知的或正确建模。或者，可以使用结果回归模型来估计处理效应。在本文中，我们提出了双稳健（DR）估计，利用这两个模型，是一致的和渐近正态的，如果任何一个模型，但不一定都是正确的指定。实证结果表明，DR属性的估计，以及效率增益的DR IPW估计时，这两个模型被正确指定。不同的估计说明使用的数据从研究在孟加拉国的霍乱疫苗接种的影响。
2018-06-19 stat.ME
Doubly robust estimators for the average treatment effect under positivity violations: introducing the $e$-score
从观察数据中估计因果参数需要完全的混杂因素调整，以及每个治疗组的倾向得分的阳性，这两个假设之间通常存在权衡：混杂偏倚可能通过调整大量的治疗前协变量来减少，但阳性在分析中不太可能与治疗无关的预测因子，如工具变量。在经验正性违背下，倾向得分权重是高度可变的，双稳健估计具有高方差和大的有限样本偏差。为了解决这个问题，我们引入了$e$分数，它是通过倾向得分的降维定义的。这种降维是基于一个被称为协作双重稳健性的结果，该结果粗略地指出，仅以结果回归估计量的偏差为条件的倾向得分足以获得双重稳健性。我们提出了基于$e$ -score的双稳健估计的构造方法，并讨论了它们的性质，如一致性、有效性和渐近分布。这允许构造渐近有效的Wald型置信区间和假设检验。我们提出了一个说明性的应用估计吸烟对骨矿物质含量的影响，在青春期女孩和合成数据模拟说明我们提出的估计实现的偏差和方差减少和渐近正态性。
2019-02-27 stat.ME
How Much Weak Overlap Can Doubly Robust T-Statistics Handle?
本文证明阈值化双重稳健估计量在弱重叠性下仍渐近正态，并揭示其代价与最优回归率，为实践提供阈值化经验法则。
2026-10-26 econ.EM math.ST stat.ME
Benchmarking Estimators for Natural Experiments: A Novel Dataset and a Doubly Robust Algorithm
New York University（纽约大学）
针对自然实验处理效应估计在真实非营利数据上结果不一致的问题，本文构建专家指导的合成结果基准，验证双重稳健估计量显著更优，并提出带新损失函数的估计量及可扩展Python工具包。
2024-09-06 cs.LG stat.ME stat.ML
Doubly robust estimators of the restricted mean time in favor estimands in individual- and cluster-randomized trials
Yale School of Public Health（耶鲁大学公共卫生学院）；University of Michigan（密歇根大学）；Rutgers School of Public Health（罗格斯大学公共卫生学院）
本文提出了一种适用于个体和集群随机试验的双重稳健估计方法，用于估计受限治疗时间在治疗有利方面的估计量，解决了传统方法在处理集群数据时的局限性。
2026-01-20 stat.ME
Ultra-high Dimensional Variable Selection for Doubly Robust Causal Inference
因果推断越来越依赖于具有丰富协变量信息的观察性研究。为了建立易于处理的因果过程，如双稳健估计，必须首先从高维甚至超高维数据中提取重要特征。在本文中，我们提出了因果球筛选混杂选择从现代超高维数据集。与常见的预测建模变量选择任务不同，我们的混杂因素选择程序旨在控制混杂因素，同时提高因果效应估计的效率。以往的经验和理论研究建议排除治疗的原因，不是混杂因素。受这些结果的启发，我们的目标是在倾向得分和结果回归模型中保留所有结果的预测因子。我们的建议的一个显着特点是，我们使用一个结果模型的自由程序的倾向得分模型选择，从而保持双重稳健性的因果效应估计。理论分析表明，该方法具有模型选择一致性和逐点正态性等性质。合成和真实数据分析表明，我们的建议表现良好，与现有的方法在一系列现实的设置。本文所用的数据来自阿尔茨海默病神经影像学倡议（ADNI）数据库。
2022-02-06 stat.ME
Propensity weighting plus adjustment in proportional hazards model is not doubly robust
本研究证明在比例风险模型中结合倾向性评分加权与调整无法实现双重稳健估计，仅在无因果效应零假设下一致，并提出两种对生存差异及一种对完整生存曲线的双重稳健替代估计方法。
2025-05-30 stat.ME
On the implied weights of linear regression for causal inference
观察性研究设计的一个基本原则是近似于在受控环境下进行的随机实验。目前，线性回归模型常用于分析观测数据和估计因果效应。观察性研究中的线性回归调整如何模拟随机化实验的关键特征，如协变量平衡、自加权抽样和研究代表性？在本文中，我们通过分析线性回归方法的隐含（个体水平数据）权重来回答这个问题和相关问题。我们推导出新的封闭形式的权重表达式，并在有限和渐近制度检查其属性。我们证明了一般回归问题的隐含权可以等价地通过求解一个凸优化问题得到。其中，我们研究了双重和多重稳健性回归估计的角度来看，其隐含的权重。这种等价性使我们能够从回归建模和因果推断文献中桥接思想。因此，我们提出了新的回归诊断的因果推断的一部分，设计阶段的观察性研究。作为特殊情况，我们分析了在常见的设置，如多值处理和匹配后的回归调整隐含的权重。我们在R的新lmw包中实现了权重和诊断。
2022-07-07 stat.ME
