WMAP: An R Package for Causal Meta-Analysis by Integrating Multiple Observational Studies
Dartmouth College（达特茅斯学院）；University of Waterloo（滑铁卢大学）；University of California, Los Angeles（加州大学洛杉矶分校）；University of Michigan（密歇根大学）
R包WMAP通过三种加权方法整合多项观察性研究进行因果荟萃分析，填补了数据整合与因果推断的空白，并在统一框架内最大化有效样本量。
2026-10-14 stat.ME
SEMgraph: An R Package for Causal Network Analysis of High-Throughput Data with Structural Equation Models
随着分子生物学和医学中高通量测序（HTS）的出现，对用于建模复杂生物系统的可扩展统计解决方案的需求变得至关重要。越来越多的平台和可能的实验场景提出了整合大量新的异构数据和现有知识的问题，以测试新的假设并提高我们对生理过程和疾病的理解。虽然网络理论提供了一个框架来表示生物系统并研究其隐藏的属性，但不同的算法仍然提供低再现性和鲁棒性，依赖于用户定义的设置，并且可解释性差。在这里，我们讨论R包SEMgraph，结合网络分析和结构方程模型（SEM）的框架内的因果推理。它提供了一个完全自动化的工具包，将复杂的生物系统作为多变量网络进行管理，通过对模型架构和扰动的数据驱动评估来确保鲁棒性和可重复性，这很容易解释系统组件之间的因果关系。此外，SEMgraph还提供了几个函数，用于扰动路径查找，模型简化和并行化选项，用于分析大型交互网络。
2022-01-03 q-bio.MN stat.AP
gfoRmula: An R package for estimating effects of general time-varying treatment interventions via the parametric g-formula
研究人员通常对使用纵向数据来估计假设的随时间变化的治疗干预对未来结果的平均值或风险的因果效应感兴趣。当随时间变化的混杂因素本身受到既往治疗的影响时，用于混杂控制的标准回归/条件处理方法通常无法恢复因果效应。在这种情况下，如果测量了足够的协变量，以控制未测量风险因素的混杂，则从罗宾斯g公式导出的估计值可能恢复随时间变化的处理效应。软件包gfoRmula在R中实现了一个这样的估计：参数g公式。该估计器可轻松适应二元或连续时变治疗，以及由静态或动态、确定性或随机治疗干预定义的对比，以及取决于治疗自然值的干预。该软件包可容纳生存结局以及随访结局的二元或连续结束。对于生存结局，包装有不同的选项来处理竞争事件。本文介绍了gfoRmula包，以及激励背景，功能和示例。
2019-10-29 stat.CO
MR.RGM: An R Package for Fitting Bayesian Multivariate Bidirectional Mendelian Randomization Networks
本文开发了开源R包MR.RGM，基于贝叶斯互逆图模型实现多变量双向孟德尔随机化，克服传统方法仅考虑单一暴露-结果对的局限，构建包含循环/互逆因果的整体因果网络，为复杂生物系统提供全面理解。
2024-10-23 stat.AP
Uplift Regression: The R Package tools4uplift
持续性建模旨在通过考虑对治疗的反应来预测诸如医疗或营销活动等行为对特定个体的因果影响。治疗组包含受某项行动影响的个人;对照组用于比较。非线性建模用于相对于因果效应的值对个体进行排序，例如，积极、中立或消极。虽然有一些计算方法可用于隆升建模，但大多数都排除了统计回归模型。R Package tools 4lift旨在填补这一空白。该软件包包括用于以下的工具：i）量化，ii）可视化，iii）特征选择，iv）参数估计和v）模型验证。
2021-09-10 stat.AP
Identifying Counterfactual Queries with the R Package cfid
本文介绍了 R 包 cfid，它实现了 Shpitser 和 Pearl 提出的 ID* 和 IDC* 算法，用于从观察和实验数据中识别结构因果模型框架下的反事实查询和条件反事实查询。
2023-11-22 stat.ME
SDRcausal: an R package for causal inference based on sufficient dimension reduction
SDRcausal是一个软件包，它为因果推断实现了足够的降维方法，如Ghosh，Ma和de Luna（2021）所提出的。该软件包实现了平均处理效应（ATE）参数的（增强的）逆概率加权和结果回归（插补）估计。营养模型，治疗分配概率给定协变量（倾向得分）和结果回归模型，通过使用半参数局部有效降维估计量进行拟合，从而允许大的混杂协变量集。技术，包括线性外推，数值微分，截断已被用来获得一个切实可行的实施的方法。寻找合适的降维映射（中心平均子空间）需要解决一个优化问题，并给出了几种优化算法供用户选择。该软件包还提供了因果效应估计量的渐近方差估计量。提供了打印选项。方法的核心是用C语言实现的，并允许并行化。界面采用友好的免费R语言。这个包可以从Github仓库下载：https://github.com/stat4reg。
2021-05-06 stat.CO stat.ME
ShrinkageTrees: An R Package for Bayesian Tree Ensembles for Survival Analysis and Causal Inference
Department of Mathematics, Vrije Universiteit Amsterdam（阿姆斯特丹自由大学数学系）
ShrinkageTrees是一个R包，通过贝叶斯加性回归树模型处理右删失和区间删失生存数据，支持因果推断中的预后和治疗效应分解，并引入深度惩罚、Dirichlet分裂和马蹄铁先验等正则化策略，适用于高维场景。
2026-06-11 stat.CO stat.ME
shapr: Explaining Machine Learning Models with Conditional Shapley Values in R and Python
Norwegian Computing Center（挪威计算中心）；University of Oslo（奥斯陆大学）；Indicio Technologies（Indicio科技公司）
shapr通过条件Shapley值方法，在R和Python中提供预测模型解释工具，增强模型可解释性。
2026-02-02 cs.LG stat.CO
Evaluation Methods and Measures for Causal Learning Algorithms
City University of Hong Kong（香港城市大学）；Arizona State University（亚利桑那州立大学）
对丰富的多方面数据的方便访问鼓励了机器学习研究人员重新考虑基于相关性的学习，并拥抱基于随机性的学习的机会，即，因果机器学习（因果学习）。因此，近年来在开发因果学习算法方面做出了巨大努力，旨在帮助AI实现人类水平的智能。由于缺乏真实数据，当前因果学习研究的最大挑战之一是算法评估。这在很大程度上阻碍了人工智能和因果推理的交叉授粉，并阻碍了这两个领域从另一个领域的进步中受益。从传统的因果推理（即，基于统计方法）到利用大数据的因果学习（即，因果推理和机器学习的交叉点），在本调查中，我们使用类似于传统机器学习的评估管道，回顾了因果学习的常用数据集、评估方法和度量。我们专注于两个基本的cabinet推理任务和cabinet感知的机器学习任务。目前的评价程序的局限性进行了讨论。然后，我们研究流行的因果推理工具/包，并得出结论，在大数据时代的基准因果学习算法的主要挑战和机遇。该调查旨在将开发公开可用的基准和建立共识标准的紧迫性放在首位，以便利用观测数据进行因果学习评估。通过这样做，我们希望扩大讨论范围，促进合作，以推动因果学习的创新和应用。
2022-02-07 cs.AI cs.LG stat.ME
Identifying Causal Effects with the R Package causaleffect
Do-calculus涉及从给定因果结构中观察到的变量的联合概率分布估计动作的干预分布。所有可识别的因果效应都可以使用do-calculus的规则推导出来，但是这些规则本身并不能直接表明所讨论的效应是否是可识别的。Shpitser和Pearl构造了一种算法，用于识别因果模型中的联合干预分布，其中包含未观察变量并诱导有向无环图。该算法可以被看作是对do-calculus规则和已知概率属性的重复应用，它最终要么导出因果分布的表达式，要么无法识别效果，在这种情况下，效果是不可识别的。本文给出了R包的cathode效果，并给出了该算法的一种实现。并通过实例说明了因果效应的作用。
2018-06-19 stat.ME
Quantitative probing: Validating causal models using quantitative domain knowledge
ams OSRAM Group（ams OSRAM集团）；University of Regensburg（雷根斯堡大学）
本文提出模型无关的 quantitative probing 框架，利用定量领域知识验证因果模型，并通过示例与模拟评估其效果、局限及改进方向。
2022-09-07 cs.LG stat.ME
Structural Intervention Distance (SID) for Evaluating Causal Graphs
因果推断依赖于图的结构，通常是有向无环图（DAG）。不同的图形可能导致不同的因果推断陈述和不同的干预分布。为了量化这种差异，我们提出了一个（前）DAG之间的距离，结构干预距离（SID）。SID仅基于图形标准，并根据其相应的因果推断陈述量化两个DAG之间的接近度。因此，它非常适合评估用于计算干预的图形。代替DAG，也可以比较CPDAG，表示马尔可夫等价类的完全部分有向无环图。由于它与流行的结构汉明距离（SHD）有很大的不同，SID构成了一个有价值的附加测量。我们讨论这个距离的属性，并提供了一个有效的实现与第一作者的主页上提供的软件代码（R包正在建设中）。
2014-04-07 stat.ML
CIMTx: An R package for causal inference with multiple treatments using observational data
CIMTx提供了有效和统一的功能，以实现因果推断的现代方法，使用观察数据进行多种治疗，重点是二元结果。这些方法包括回归调整、治疗加权逆概率、贝叶斯加性回归树、广义倾向得分的多元样条回归调整、向量匹配和目标极大似然估计。此外，CIMTx还说明了用户可以在多种治疗设置中模拟符合复杂数据结构的数据的方法。此外，CIMTx软件包提供了一套独特的功能来解决关键的因果假设：积极性和可解释性。对于阳性假设，CIMTx演示了使用治疗加权的逆概率、贝叶斯加法回归树和向量匹配来识别用于保留推理单元的公共支持区域的技术。为了处理可验证性假设，CIMTx提供了一种灵活的蒙特卡罗敏感性分析方法，以评估因果关系结论如何根据与可验证治疗分配的不同程度偏离而改变。
2022-09-14 stat.AP stat.CO stat.ME
An R package for parametric estimation of causal effects
该研究推出R包CausalModels，整合了Hernan与Robins提出的传统统计因果推断方法，提供无需深厚统计知识即可处理观测数据偏差的工具，搭建了多方法统一建模的易用框架。
2023-07-18 cs.LG cs.MS stat.AP
Causality-based Feature Selection: Methods and Evaluations
Hefei University of Technology（合肥工业大学）；University of South Australia（南澳大学）；Mininglamp Academy of Sciences, Mininglamp Technology（明略科技明略科学院）
特征选择是数据分析和机器学习中至关重要的预处理步骤。经典的特征选择算法基于预测特征和类变量之间的相关性来选择特征，并且不尝试捕获它们之间的因果关系。它已被证明，知识之间的因果关系的功能和类变量有潜在的好处，建立可解释的和强大的预测模型，因为因果关系意味着一个系统的基本机制。因此，基于容差的特征选择逐渐引起人们的关注，并提出了许多算法。在本文中，我们提出了一个全面的审查最近的进展，基于腔的特征选择。为了促进该研究领域新算法的开发，并使新方法与现有方法之间的比较变得容易，我们开发了第一个开源软件包，称为Cairns FS，其中包括大多数代表性的基于计算能力的特征选择算法（可在https：//github.com/kuiy/Cairns FS上获得）。使用CauseFS，我们进行了广泛的实验，比较具有代表性的算法与合成和真实世界的数据集。最后，我们讨论了未来基于容差的特征选择研究中需要解决的一些挑战性问题。
2019-11-17 cs.AI cs.LG 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
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
Ananke: A Python Package For Causal Inference Using Graphical Models
我们实现Ananke：一个面向对象的Python包，用于使用图形模型进行因果推断。在我们的继承结构的顶部是一个易于扩展的Graph类，它提供了一个接口，可以连接到几个非常有用的基于图的算法和可视化方法。我们使用面向对象编程的最佳实践来实现对应于当前文献中流行的因果图类型的Graph超类的子类。这包括用于建模因果充分系统的有向无环图，用于建模不可测混杂的无环有向混合图，以及用于建模数据依赖和干扰的链图。在这些子类中，我们为常见的统计和因果建模任务实现了专门的算法，例如读取条件独立性的分离标准，非参数识别以及模型参数的参数和半参数估计。在这里，我们将为一个无法测量的混淆问题提供一个包和示例使用的广泛概述。最新文档可在\url{https://ananke.readthedocs.io/en/latest/}上获得。
2023-01-27 cs.MS stat.ME
N$^2$: A Unified Python Package and Test Bench for Nearest Neighbor-Based Matrix Completion
Cornell University（康奈尔大学）；Columbia University（哥伦比亚大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出N²，一种统一的Python包和测试平台，用于基于最近邻的矩阵补全，展示了新的NN变体和现实世界数据集的基准测试，证明NN方法在现实应用中的优越性。
2026-09-15 cs.LG stat.CO stat.ML
genriesz: A Python Package for Automatic Debiased Machine Learning with Generalized Riesz Regression
genriesz是一个基于广义里斯茨回归的Python包，通过自动去偏机器学习实现因果参数的高效估计。
2026-02-19 cs.LG econ.EM math.ST
BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs
Università Cattolica del Sacro Cuore（天主教圣心大学）；Università degli Studi di Milano-Bicocca（米兰比可卡大学）
有向无环图（DAG）提供了一个强大的框架来模拟多变量环境中变量之间的因果关系;此外，通过do-calculus理论，它们允许从纯观测数据中识别和估计变量之间的因果关系。在这种情况下，从数据中推断DAG结构的过程被称为因果结构学习或因果发现。我们介绍了BCDAG，一个用于贝叶斯因果发现和高斯观测数据因果效应估计的R包，实现了Castelletti和Mascaro（2021）提出的马尔可夫链蒙特卡罗（MCMC）方案。我们的实现可以有效地扩展观测的数量，并且只要DAG足够稀疏，就可以扩展数据集中的变量数量。该软件包还提供了收敛诊断和可视化和总结后验推理的功能。在本文中，我们提出了基本方法的主要特点，以及其在BCDAG中的实现。然后，我们说明了真实和模拟数据集上的主要功能和算法。
2022-01-28 cs.LG stat.ME stat.ML
Model-based causal feature selection for general response types
本文提出基于变换模型的 ICP 方法，通过 TRAM-GCM 和 TRAM-Wald 不变性检验，将因果特征选择扩展到连续、分类、计数及删失响应，并提供 R 包 tramicp 验证其有效性。
2024-07-08 math.ST stat.ME stat.ML
TrialEmulation: An R Package to Emulate Target Trials for Causal Analysis of Observational Time-to-event Data
本文开发了R包TrialEmulation，利用观察性生存时间数据模拟一系列目标试验，通过计算逆概率权重、拟合边际结构模型来估计治疗的因果效应，并支持在R内存限制内处理大型EHR数据集。
2024-02-19 stat.CO stat.ME
A note on efficient minimum cost adjustment sets in causal graphical models
Glovo（Glovo公司）；Universidad Torcuato Di Tella（托尔夸托迪特利亚大学）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
我们研究了调整集的选择，估计干预下的个性化治疗规则的平均值。我们假设一个非参数的因果图模型，可能，隐藏变量和至少一个调整集组成的可观察变量。此外，我们假设可观察变量具有与之相关的正成本。我们定义的可观察调整集的成本作为组成它的变量的成本之和。我们表明，在这种设置中存在的调整集是最小成本最优的，在这个意义上说，他们产生的干预平均值的非参数估计与最小的渐近方差之间的控制可观察调整集，具有最小的成本。我们的结果是基于一个特殊的流网络与原始的因果图的建设。我们证明，可以通过计算网络上的最大流来找到最小成本最优调整集，然后通过增加路径来找到从源可到达的顶点集。optimaladj Python包实现了本文介绍的算法。
2022-01-06 cs.LG math.ST stat.ML
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
Towards Causal Deep Learning for Vulnerability Detection
Iowa State University（爱荷华州立大学）；Columbia University（哥伦比亚大学）；Microsoft Research（微软研究院）
本文提出CausalVul方法，通过扰动发现虚假特征并结合do演算因果学习，在深度学习漏洞检测中提升模型准确率、鲁棒性与分布外泛化能力。
2024-01-15 cs.CR cs.LG cs.SE
BNPqte: A Bayesian Nonparametric Approach to Causal Inference on Quantiles in R
在本文中，我们介绍了BNPqte R包，该包实现了Xu，Daniels和Winterstein（2018）的贝叶斯非参数方法，用于估计观察性研究中的分位数处理效应。该方法提供了潜在结局分布的灵活建模，因此能够捕获结局、治疗和混杂因素之间的各种潜在关系，并同时估计多个分位数处理效应。具体而言，该方法使用贝叶斯加性回归树（BART）模型来估计倾向得分，并且使用多变量正态模型的狄利克雷过程混合（Dirichlet process mixture，DNR）来估计潜在结果的条件分布，给出估计的倾向得分。BNPqte R软件包通过设计有效的R函数用于联合和条件密度估计中的多元正态模型的拟合，为这种方法提供了快速实现。与流行的DP包相比，这些R函数极大地提高了密度估计中的RMM模型的效率。BNPqte R包中与BART相关的R函数继承自BART R包，并对变量重要性和分裂概率进行了两次修改。为了最大限度地提高计算效率，每个模型的实际采样和计算都在C++代码中进行。Armadillo C++库还用于快速线性代数计算。
2021-06-28 stat.CO stat.ME
Framework for inferring empirical causal graphs from binary data to support multidimensional poverty analysis
National Electronics and Computer Technology Center (NECTEC)（国家电子与计算机技术中心（NECTEC））；NSTDA（泰国国家科学技术发展局）
提出一个从二元数据推断经验因果图的框架，用于多维贫困分析，在模拟和真实数据中表现优于基线，并发现吸烟与饮酒的因果关系。
2023-04-27 cs.CY cs.LG cs.SI
Temporal orders and causal vector for physiological data analysis
除了全球参数和时间序列为基础的方法，生理分析应构成一个本地的时间，特别是当分析数据的协议段。因此，我们介绍了R包实现时间顺序的因果向量（CV）的估计。它可以使用线性建模或时间序列距离。该算法进行了测试的心肺数据，包括潮气量和速度描记图曲线，从优秀运动员（仰卧和站立，在静态条件下）和对照组（不同的速率和呼吸深度，而仰卧）。我们检查了CV与体位或呼吸方式之间的关系。呼吸频率对CV的影响大于深度。当呼吸减慢时，血流速度描记图曲线相对更早于潮气量。临床相关性-该方法可以评估（1）两个信号之间的关系，两个信号中的一个在给定范围内时移，（2）最佳信号间偏移的曲线，以及（c）它们随时间的稳定性;也用于其他生理研究。
2020-04-27 stat.AP
Navigated Weighting to Improve Inverse Probability Weighting for Missing Data Problems and Causal Inference
逆概率加权（IPW）被广泛用于解决包括因果推断的缺失数据问题，但是由于倾向得分模型误指定，可能遭受大的方差和偏差。为了解决这些问题，我提出了一种称为导航加权（NAWT）的估计方法，该方法利用适合于特定的预先指定的感兴趣参数（例如，对被处理者的平均处理效应）。由于这些预先指定的参数将每个单元的相对重要性确定为倾向得分的函数，因此NAWT在倾向得分估计中优先考虑重要单元，以提高效率和对模型错误指定的鲁棒性。我调查其大样本特性，并通过模拟研究和实证例子证明其有限样本的改进。一个实现NAWT的R包nawtilus已经开发出来，可以从Comprehensive R Archive Network（http：//cran.r-project.org/package=nawtilus）获得。
2020-08-04 stat.ME
A unified framework for estimating direct causal effect under spatial confounding and interference, with the R package spaci
University of Manchester（曼彻斯特大学）；Federal University of Agriculture, Abeokuta（阿贝奥库塔联邦农业大学）
提出统一框架同时处理空间混杂和干扰，通过iDAPS匹配和recoverU+双重稳健估计器估计直接因果效应，并验证于SCR/SNCR臭氧影响。
2026-09-25 stat.ME
PanelMatch: Matching Methods for Causal Inference with Time-Series Cross-Section Data
本文介绍 R 包 PanelMatch，为时间序列截面数据提供参数假设更少、诊断更丰富的匹配式因果推断方法及可视化工具。
2025-08-16 stat.AP stat.ME
The mbsts package: Multivariate Bayesian Structural Time Series Models in R
多变量贝叶斯结构时间序列（MBSTS）模型是处理多个相关时间序列的推断和预测的通用机器学习模型，其中还可以选择对每个目标序列使用不同的候选池的同期预测器。MBSTS模型具有广泛的应用，是特征选择、时间序列预测、临近预报、因果影响推断等的理想模型。本文介绍了如何使用R包MBSTS进行MBSTS建模，在包中的用户友好功能和开发人员友好功能之间建立桥梁，以及相应的方法。软件包中的面向对象功能以使用户能够灵活地添加或减少某些组件以及简化或复杂某些设置的方式进行解释。
2023-02-06 cs.LG cs.MS stat.AP
D'ya like DAGs? A Survey on Structure Learning and Causal Discovery
University of Surrey（萨里大学）
因果推理是科学和人类智力的重要组成部分。为了从数据中发现因果关系，我们需要结构发现方法。我们提供了一个背景理论和结构发现方法的调查审查。我们主要关注现代的、持续的优化方法，并为基准数据集和软件包等进一步的资源提供参考。最后，我们讨论了从结构到因果关系所需的跳跃性。
2021-03-04 cs.LG stat.ME stat.ML
Causal Estimation and Inference in Nonlinear Mendelian Randomization Studies
针对现有孟德尔随机化方法多假设线性因果、非线性场景易有偏的问题，提出无需先验设定因果函数的半参数方法，扩展至二分类结局，经模拟和UK Biobank数据验证有效并提供R包实现。
2025-08-04 stat.ME
Sensitivity Analysis of Causal Treatment Effect Estimation for Clustered Observational Data with Unmeasured Confounding
在观察性研究中识别因果治疗（或暴露）效应需要数据满足不可用观察数据检验的无混淆性假设。通过敏感性分析，人们可以确定如果假设被违反到一定程度，结论可能会如何变化。在本文中，我们提出了一种新的技术适用于集群观测数据的正态分布或二元结果的敏感性分析。所提出的方法旨在评估单个研究以及多个研究中估计的处理效应的稳健性，即，荟萃分析，针对不可测量的混杂因素。进行了各种基本场景的模拟，以评估我们的方法的性能。与其他现有的敏感性分析方法不同，我们的方法对未测量混杂因素的数量或测量和未测量混杂因素之间的关系没有限制性假设，并且不排除测量混杂因素和治疗之间可能的相互作用。我们的方法很容易使用标准的统计软件包实现。
2023-01-29 stat.ME
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
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
tteICE: An R Package for Estimating Treatment Effects on Time-to-Event Outcomes with Intercurrent Events in Two-Arm Trials
Kobe University（神户大学）；Shanghai University of International Business and Economics（上海对外经贸大学）；Chinese Academy of Medical Sciences & Peking Union Medical College（中国医学科学院 北京协和医学院）
本文介绍R包tteICE，用于在存在并发事件（如治疗中断或竞争事件）的双臂试验中，通过五种策略估计生存时间结局的治疗效果，支持非参数和半参数估计，并提供绘图和Shiny界面。
2026-09-22 stat.AP stat.ME
Partially Specified Causal Simulations
Technical University of Munich（慕尼黑工业大学）；School of Computer, Information and Technology（计算机与信息技术学院）；Fraunhofer IKS（弗劳恩霍夫智能感知与系统研究所）
针对因果推断方法验证中模拟设计不当的问题，提出满足多项必备特性的部分随机因果模拟框架PARCS，可基于图因果模型生成合规数据生成过程，复现拓展研究证明其价值，并以Python包形式发布供研究者使用。
2023-10-05 cs.AI stat.ME
IncomeSCM: From tabular data set to time-series simulator and causal estimation benchmark
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）
本文提出将观察性表格数据转化为序列结构因果模型的通用策略，并基于 Adult income 构建 IncomeSCM 模拟器与因果估计基准，揭示事实预测性能相近时因果效应估计质量仍可能显著不同。
2024-10-28 cs.LG stat.ME
Instrumental Variables Estimation with Some Invalid Instruments and its Application to Mendelian Randomization
工具变量已被广泛用于估计暴露和结果之间的因果关系。传统的估计方法需要完全了解所有工具的有效性;有效的工具必须对结果没有直接影响，并且与不可测量的混杂因素无关。通常，这是不切实际的，如孟德尔随机化研究所强调的，其中遗传标记被用作工具，并且关于工具有效性的完整知识等同于关于所涉及的基因功能的完整知识。在本文中，我们提出了一种方法估计因果关系时，这种完整的知识是缺席。结果表明，因果关系的影响是确定的，可以估计，只要不到$50$ %的工具是无效的，而不知道哪些工具是无效的。我们还介绍了当50%的阈值被违反的识别条件。介绍了一种快速惩罚$\ell_1$估计方法，称为sisVIVE，用于在不知道哪些工具有效的情况下估计因果效应，其性能具有理论保证。模拟数据和一个真正的孟德尔随机化研究，身体质量指数对健康相关的生活质量指数的影响，所提出的方法被证明。R软件包\emph{sisVIVE}可在线获得。
2014-09-21 stat.ME
Causal inference with ordinal outcomes: copula-based identification, estimation and sensitivity analysis
Duke University（杜克大学）
本文提出基于copula的方法，通过参数化copula关联参数进行有序结果的因果推断，实现估计量的可识别性和敏感性分析，达到半参数效率下界。
2026-05-12 stat.ME
Estimating hypothetical estimands with causal inference and missing data estimators in a diabetes trial
本文在2型糖尿病试验中应用假设性策略处理补救治疗与治疗中断，比较混合模型、多重填补、逆概率加权、G公式和G估计等方法，发现估计结果相似，并总结了方法选择的关键考虑因素。
2023-09-22 stat.AP stat.ME
What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work?
本文统一因果森林与基于模型的森林，在L2加性模型框架下剖析其计算要素，并通过随机与观察性基准发现处理指标的倾向评分局部中心化是抗混杂性能关键。
2023-12-20 stat.ME stat.ML
Estimating Heterogeneous Causal Effects of High-Dimensional Treatments: Application to Conjoint Analysis
提出一种基于正则化逻辑回归贝叶斯混合的方法估计高维处理的异质性因果效应，识别具有相似处理效应模式的群体，并应用于联合分析揭示受访者偏见对移民歧视的影响。
2025-01-20 stat.AP stat.ME
Combining T-learning and DR-learning: a framework for oracle-efficient estimation of causal contrasts
本文提出EP学习框架，用于高效估计异质因果对比，如条件平均处理效应和条件相对风险，克服传统方法的不足，提升稳定性与效率。
2026-03-19 cs.LG stat.ME stat.ML
Average Causal Effect Estimation in DAGs with Hidden Variables: Beyond Back-Door and Front-Door Criteria
Emory University（埃默里大学）
本文针对含隐变量且超越后门与前门准则的DAG，提出一步修正插件和基于目标的最小损失估计器，利用数据自适应机器学习实现双重稳健、有效、有界且渐近线性的平均因果效应估计，并提供R包flexCausal。
2025-09-11 cs.LG stat.ME stat.ML
