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 inference for multiple continuous exposures via the multivariate generalized propensity score
广义倾向得分(GPS)是倾向得分的扩展,用于定量或连续暴露(例如,药物剂量或教育年限)。目前的全球定位系统方法允许估计单次连续暴露与结果之间的剂量反应关系。然而,在许多现实世界的环境中,有多个暴露同时发生,可能与结果有因果关系。我们提出了一种多变量GPS方法(mvGPS),允许估计的剂量响应面,涉及多个连续暴露变量的联合分布的结果。该方法涉及在暴露变量的多元正态假设下生成权重。重点放在两个暴露变量的情况下,我们通过模拟表明,mvGPS方法可以实现平衡的混杂因素集,可能不同的暴露变量和减少偏见的处理效应估计在各种数据生成的情况下。我们应用mvGPS方法来分析两种干预策略对降低儿童肥胖率的联合作用。
2020-08-31 stat.ME
A causal exposure response function with local adjustment for confounding: Estimating health effects of exposure to low levels of ambient fine particulate matter
《清洁空气法》规定,必须根据最新科学对国家环境空气质量标准(NAAQS)进行常规评估,以保护人口。因此,研究人员应该继续研究暴露于低于NAAQS的空气污染水平是否对人类健康有害。围绕环境法规的争议性质促使我们将这个问题置于一个因果推断框架内。参数和半参数回归方法已被用来估计环境空气污染和健康结果之间的风险-响应(ER)曲线。大多数这些方法不是在因果框架内制定的,在所有暴露水平上调整相同的协变量,并且不考虑模型的不确定性。我们介绍了一个贝叶斯框架的因果ER曲线称为LERCA(局部暴露反应混杂调整),它允许不同的混杂因素和不同强度的混杂在不同的曝光水平的估计,并传播不确定性的混杂因素的选择和形状的ER。LERCA提供了一种原则性的方法来评估协变量在不同暴露水平下的混杂重要性,为研究人员提供了关于回归模型中要调整的变量的信息。使用模拟,我们表明,国家的最先进的方法在估计的ER曲线在局部混杂的存在下表现不佳。LERCA用于评估美国5,362个邮政编码的环境PM2.5暴露与心血管住院之间的关系,同时调整暴露范围内可能不同的混杂因素。当关注低暴露范围时,环境PM2.5导致心血管住院率增加。我们的研究结果表明,PM2.5对心血管住院的影响没有阈值。
2020-01-08 stat.ME
Homogeneity in the instrument-treatment association is not sufficient for the Wald estimand to equal the average causal effect for a binary instrument and a continuous exposure
工作背景:解释工具变量的结果往往需要进一步的假设,除了相关性,独立性和排除限制的核心假设。研究方法:我们评估是否工具暴露添加剂的同质性,使沃尔德估计等于平均衍生效应(ADE)的情况下,一个二元工具和连续曝光。结果如下:当仪器为二进制、暴露为连续且暴露对结果的影响在加性标度上为非线性时,仪器暴露加性同质性不足以识别ADE。对于二元暴露,确定性-结果效应必然是加性线性的,因此齐性条件是充分的。结论:对于二元仪器,如果暴露也是二元的,则仪器暴露加性均匀性识别ADE。否则,需要额外的假设(如确定性-结果效应的加性线性)。
2022-04-18 stat.ME
Estimating causal quantile exposure response functions via matching
本文提出一种基于广义倾向得分匹配与核分位数回归的两步匹配估计量,用于估计连续处理的因果分位数暴露-反应函数,并应用于PM$_{2.5}$暴露对住院时间影响的评估。
2023-08-03 stat.ME
Bridging Binarization: Causal Inference with Dichotomized Continuous Exposures
University of California, Berkeley(加州大学伯克利分校)
本文提出通过二元化连续暴露变量来估计因果效应的方法,证明二元化ATE与特定治疗政策的平均结果差异等价,并引入新的目标参数以更准确回答因果问题。
2026-02-04 stat.ME
Multiply Robust Difference-in-Differences Estimation of Causal Effect Curves for Continuous Exposures
本文针对连续暴露的双重差分设计,提出多重稳健的因果效应曲线估计方法,允许部分模型误设且无需参数化效应曲线,并通过模拟与营养消费税研究验证其有效性。
2024-04-15 stat.ME
Causal Inference with Missing Exposures and Missing Outcomes
University of California Berkeley(加州大学伯克利分校);University of California San Francisco(加州大学旧金山分校);Infectious Diseases Research Collaboration(传染病研究协作组织);Makerere University(马凯雷雷大学)
提出一个扩展的反事实框架,同时处理暴露和基线结局缺失,定义反事实分层效应,并通过TMLE和Super Learner在乌干达农村酒精消费对结核病感染风险的研究中验证。
2026-06-17 stat.ME
Estimating Average Causal Effects with Incomplete Exposure and Confounders
针对暴露和混杂因素缺失时的平均因果效应估计问题,提出了在随机缺失和非随机缺失假设下的双重稳健目标最大似然估计器(TMLE),并通过模拟和NHANES数据验证了其有效性。
2025-06-26 stat.ME
Flexible and Efficient Estimation of Causal Effects with Error-Prone Exposures: A Control Variates Approach for Measurement Error
本文提出一种基于控制变量的框架,利用验证数据和完整数据解决因果推断中的暴露测量误差问题,具有双重稳健性,在模拟和电子健康记录数据中表现优异。
2025-06-26 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
Bayesian Nonparametric Causal Inference for High-Dimensional Nutritional Data via Factor-Based Exposure Mapping
Brown University(布朗大学);La Sapienza University of Rome(罗马第一大学)
本文提出基于因子暴露映射的贝叶斯非参数方法,用于高维营养数据中饮食模式的因果推断,识别六个饮食模式并评估其与健康风险因素的因果联系。
2026-01-23 stat.ME
Unveiling Causal Mediation Pathways in High-Dimensional Mixed Exposures: A Data-Adaptive Target Parameter Strategy
本文提出NOVAPathways框架,通过数据自适应目标参数与随机干预相结合,在高维混合暴露场景中识别暴露-中介路径并估计自然直接和间接效应,为公共政策提供更有效的统计依据。
2023-07-05 stat.ME
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
Robust estimation of causal dose-response relationship using exposure data with dose as an instrumental variable
本文提出一种以剂量为工具变量、无需假设真实暴露-反应模型的稳健估计方法,结合控制变量与ANCOVA调整,在模型误设下仍一致,并应用于Car-T随机剂量试验。
2025-08-06 stat.ME
Bipartite causal inference with interference, time series data, and a random network
Department of Statistics, University of Florida(佛罗里达大学统计学系)
本文研究了在存在干扰的情况下,利用时间序列数据和随机网络进行双图因果推断,定义了即时和滞后因果效应,并提出结合匹配和协变量平衡的算法以估计因果效应。
2026-05-15 stat.ME
Efficient nonparametric causal inference with missing exposure information
暴露信息缺失是许多观察性研究的一个非常常见的特征。在这里,我们研究的可识别性和有效的估计向量结果的因果关系的影响,在这种情况下,治疗是无混淆的,但部分失踪。我们考虑一个随机缺失的设置,其中治疗中的缺失不仅取决于复杂的协变量,而且还取决于治疗后的结果。我们给出了一个新的识别表达式平均处理效应在这种情况下,随着有效的影响函数,这个参数在非参数模型中,这产生了一个非参数的效率界。我们使用后一个结果来构造对维数灾难不像通常那样敏感的非参数估计,例如,通过具有更快的收敛速度比复杂的滋扰估计,他们依赖。进一步,我们表明,这些估计可以根-n一致的和渐近正常的弱非参数条件下,即使使用灵活的机器学习。最后,我们将这些结果应用到部分缺失工具变量的因果推断问题。
2020-02-02 stat.ME
Weighted Euclidean balancing for a matrix exposure in estimating causal effect
在许多科学领域,如生物学,心理学和社会学,有越来越多的兴趣,估计因果关系的矩阵暴露的结果。协变量平衡是因果推断中的关键问题,精确平衡和近似平衡方法在过去的几十年中已经被提出。然而,由于大量的约束条件,它是难以实现精确的平衡或选择阈值参数的近似平衡方法时,处理是一个矩阵。为了应对这些挑战,我们提出了加权欧氏平衡方法,从整体的角度近似平衡协变量。该方法同样适用于高维协变量的情形。提出了估计矩阵处理因果效应的参数和非参数方法,并给出了这两种估计的理论性质。仿真结果表明,该方法在各种情况下都优于其他方法。最后,将此方法应用于调查儿童参加各种训练课程与其智商之间的因果关系。结果表明,6-9岁儿童参加实践课程的时间对儿童的智商有显著的积极影响。
2023-03-13 stat.ME
Causal Inference on Missing Exposure via Robust Estimation
针对暴露随机缺失下的因果推断问题,提出基于加权估计方程的IPW与三重稳健估计量,降低极端权重影响并防范模型误设。
2024-06-12 stat.ME
Causal exposure-response curve estimation with surrogate confounders: a study of air pollution and children's health in Medicaid claims data
针对Medicaid儿童健康数据中社会经济地位未测量、数据聚类等挑战,提出基于广义倾向得分匹配的MedMatch方法,结合代理变量估计PM2.5与呼吸住院的因果暴露-反应曲线,验证了其性能优势并得到正相关的非线性关系。
2024-07-11 stat.ME
Causal Selection of Covariates in Regression Calibration for Mismeasured Continuous Exposure
Harvard School of Public Health(哈佛大学公共卫生学院);Yale School of Public Health(耶鲁大学公共卫生学院)
本文提出在回归校正中选择协变量的方法,以校正连续暴露测量误差导致的偏差,并探讨了在因果推断框架下如何选择最小和最高效的协变量调整集。
2023-09-18 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
Context-stratified Mendelian randomization: exploiting regional exposure variation to explore causal effect heterogeneity and non-linearity
提出情境分层孟德尔随机化方法,利用亚组间暴露的外生变异研究因果效应异质性与非线性,该方法易于实现且对碰撞偏倚稳健,但有效性依赖于情境间暴露分布的有意义外生变异。
2025-07-15 stat.ME
Formulating causal questions and principled statistical answers
虽然关于因果推断方法的综述论文现在已经有了,但缺乏对它们能提供什么以及选择一种特定方法的指导标准的介绍性概述。本教程概述了在所选基线(“点确定”)上设定感兴趣的暴露,并在稍后的时间点上产生目标结果的情况。我们首先提出相关的因果问题,并具体说明可能涉及的暴露水平和问题相关的人群。使用潜在结果框架,我们描述了因果效应和估计方法的原则性定义,根据它们是否调用无不可测量的混杂假设(包括基于结果回归和倾向得分的方法)或添加假设的工具变量进行分类。我们讨论的挑战和潜在的陷阱,并说明应用程序使用“模拟学习者”,模仿各种母乳喂养干预措施对儿童的后期发展的影响。这涉及一个典型的模拟组件,其中包含模拟观察性或随机干预研究的暴露量、协变量和结局数据。模拟学习器还生成具有每个观察单元的一组可能值的各种(链接的)暴露类型,从中生成观察到的以及潜在的结果数据。因此,它提供了几个因果效应的真实值。用于数据生成和分析的R代码可在www.ofcaus.org上获得,其中还提供了SAS和Stata分析代码。
2019-06-28 stat.ME
Estimating Population Average Causal Effects in the Presence of Non-Overlap: The Effect of Natural Gas Compressor Station Exposure on Cancer Mortality
大多数因果推断研究依赖于重叠的假设来估计总体或样本平均因果效应。当数据表现出不重叠,估计这些被估量需要依赖于模型规格,由于数据支持差。所有现有的方法来解决非重叠,如修剪或降低支持差的区域中的数据的权重,改变被估量。在环境健康研究中,研究结果往往旨在影响政策,被估量的变化可能会削弱研究的影响,因为估计数可能无法代表决策者感兴趣的人群中的影响。研究人员可能愿意做出额外的、最小的建模假设,以保持估计群体平均因果效应的能力。我们试图在这个问题上做出两点贡献。首先,我们提出了一个灵活的,数据驱动的定义倾向得分重叠和非重叠区域。其次,我们开发了一个新的贝叶斯框架来估计人口平均因果效应与较小的模型依赖性和适当的大的不确定性存在的非重叠。在这种方法中,估计重叠和非重叠区域的因果效应的任务被委托给两个不同的模型,适合于每个区域的数据支持的程度。树系综用于非参数估计重叠区域中的个体因果效应,其中数据可以为自己说话。在非重叠区域,数据支持不足意味着需要依赖模型规范,通过样条模型从重叠区域外推趋势来估计个体因果效应。我们的方法表现出良好的性能在模拟中。最后,我们利用我们的方法进行了一个新的调查天然气压缩机站暴露的因果关系对癌症的结果。
2018-09-13 stat.ME
Causal inference with multi-state models - estimands and estimators of the population-attributable fraction
人群归因分数(PAF)是一种流行病学指标,用于衡量人群中有害暴露的负担。它通常被解释为消除暴露后可预防病例的比例。最初,PAF定义为具有基线暴露的固定长度队列研究或横断面研究。将定义扩展到复杂的事件发生时间数据并不简单。我们修改了文献中提出的方法,并为这些数据情况提供了一个清晰的PAF概念。概念化是通过恰当区分被估量和估计量以及因果效应测度和关联测度来实现的。
2019-03-25 stat.ME
Causal mediation with instrumental variables
中介分析是一种理解治疗或干预影响后期结果的机制的策略。中介分析经常应用于随机试验环境,但通常假设:a)随机分配是关注的暴露,而不是实际接受干预,b)没有未观察到的中介-结果关系的混杂。与关于估计非随机化暴露总效应的工具变量(IV)方法的丰富文献相反,几乎没有研究将IV用作存在确定结果和中介结果未观察到混杂的识别策略。作为回应,我们定义并确定了新的被估量--复杂的干预直接和间接效应(即,IV中介效应)在两种情况下:1)单一IV暴露,2)两个IV,一个暴露,另一个中介,这可能是相关的。我们提出了非参数的,强大的,有效的估计,并将其应用到住房券实验。
2021-12-27 stat.ME
Causal inference with misspecified exposure mappings: separating definitions and assumptions
曝光映射有利于调查复杂的因果关系时,单位在实验中相互作用。目前的方法要求实验者使用相同的曝光映射来定义感兴趣的效果并对干涉结构施加假设。然而,这两个角色在实践中很少重合,实验者被迫做出经常令人质疑的假设,即他们的暴露量是正确指定的。本文认为,这两个角色暴露映射目前服务可以,通常应该,是分开的,这样的曝光被用来定义的影响,而不必假设他们捕捉完整的因果结构的实验。该文件表明,这种方法是实际可行的,提供条件下,曝光效果可以精确估计时,曝光是错误的。一些重要的问题仍然悬而未决。
2023-03-13 econ.EM math.ST stat.ME
Towards more plausible point-identifying assumptions in two-sample Mendelian randomization
Federal University of Pelotas(佩洛塔斯联邦大学);University of Bristol(布里斯托大学);University College London(伦敦大学学院);Norwegian University of Science and Technology(挪威科技大学)
本文证明两样本孟德尔随机化的点识别假设比先前认为的更弱,即汇总水平同质性可由加性线性因果效应及异质性不相关性隐含,从而支持将方法解释为估计平均因果效应。
2026-10-28 stat.ME
Causal mediation analysis for stochastic interventions
传统上,因果推断中的中介分析主要关注二元暴露和确定性干预,以及直接和间接效应方面的平均处理效应分解。在本文中,我们提出了一个类似的分解的\textit{population intervention effect},定义通过随机干预的曝光。人口干预效应提供了一个广义的框架,其中可以定义各种有趣的因果对比,包括连续和分类暴露的影响。我们发现,在没有受暴露影响的中介-结果混杂因素的假设下,识别群体干预效应的直接和间接效应需要比其对应的平均处理效应更弱的假设。特别是,在随机化暴露和介质的实验中,直接影响的识别是有保证的。我们讨论各种估计的直接和间接的影响,包括替代,重新加权,和有效的估计的基础上灵活的回归技术,允许多变量介质。我们的有效估计是渐近线性的条件下,要求$n^{1/4}$ -某些回归函数的一致性。我们进行了模拟研究,我们评估我们提出的估计的有限样本属性。我们提出了一项说明性研究的结果,在该研究中,我们评估了参加运动队对儿童BMI的影响,使用了运动习惯、每日零食摄入量和超重状况等中介因素。
2019-06-24 stat.ME
Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework
Munich Center for Machine Learning(慕尼黑机器学习中心);Cornell University(康奈尔大学)
本文提出了一种部分识别框架,用于在暴露映射误设定情况下评估网络中治疗效应的稳健性,通过推导直接和溢出效应的界限并开发正交估计器,提高了因果推断的可靠性。
2026-02-03 cs.LG stat.ME
A General Exposure-Mapping-Agnostic Framework for Causal Inference under Interference
该研究为集群实验中干扰下的基于设计的因果推断开发通用框架,刻画线性加权估计量,给出新估计量,建立中心极限定理和保守方差估计量,通过模拟提供实用指导。
2026-08-03 stat.ME
Individual causal effects from observational longitudinal studies with time-varying exposures
因果效应可能因个体而异,甚至可能是相反的迹象。当存在显著的效应异质性时,群体平均因果效应可能对个体无意义。由于因果关系的基本问题,个体因果效应(ICE)不能从横截面数据中检索。然而,在交叉研究中,人们普遍认为ICE可以在无遗留效应和潜在结果的时间不变性的假设下进行估计。一个通用的潜在结果公式与适当的统计假设,以确定ICE是缺乏其他纵向数据随时间变化的曝光。我们提出了一个因果效应异质性的一般框架,其中个体特异性效应修改参数化的潜在变量,接受性因素。如果暴露随时间变化,则重复测量包含关于个体的这种接受性因素水平的信息。因此,我们研究的条件分布的ICE给定的所有个人的事实信息。这种新的条件随机变量被称为跨世界因果效应(CWCE)。对于已知的因果结构和随时间变化的曝光,CWCE的可变性随着重复测量次数的增加而降低。在个体效应修正的跨世界相似性的因果假设下,CWCE可以从观察数据中识别出来(即存在一种暴露策略,其效应受到所有潜在原因的影响)。我们用例子说明了理论,在这些例子中,因果关系可以被参数化为广义线性混合分配。
2022-12-09 math.ST stat.ME stat.TH
Universal Difference-in-Differences for Causal Inference in Epidemiology
针对传统双重差分法依赖平行趋势假设、难以适用于非线性结局的问题,提出基于比值比等混杂假设的 UDiD,可识别多种非线性因果效应,并给出参数与半参数估计量。
2023-08-17 stat.ME
Comparing Causal Inference Methods for Point Exposures with Missing Confounders: A Simulation Study
本研究通过受EHR减重手术研究启发的模拟,评估Levis等人的ATE估计量与先插补后回归或IPW等方法,发现没有单一估计量一致最优,并给出缺失混杂下的实践建议。
2025-07-25 stat.ME
A causal inference framework for spatial confounding
本文提出与分析模型无关的空间混杂定义及因果推断框架,利用双重机器学习非参数识别连续暴露的因果效应,并应用于加州孕期细颗粒物暴露对出生体重影响的研究。
2024-10-11 stat.ME
Model Selection for Causal Modeling in Missing Exposure Problems
针对暴露随机缺失下因果推断的模型选择研究空白,提出同时选择插补与PS模型的思路及“秩得分”评估准则,模拟验证其能选出最小RMSE的模型组合,并应用于量化CVD对新冠患者死亡率的因果效应。
2024-12-13 stat.AP stat.ME
Causal inference under over-simplified longitudinal causal models
流行病学中的许多因果模型涉及纵向暴露、混杂因素和介质。然而,重复测量并不总是可用或在实践中使用,导致分析师忽视了暴露的时变性质,并在过于简化的因果模型下工作。我们的目标是评估是否-以及如何-在这种错误指定的因果模型下确定的因果效应与真正的因果效应相关。我们得到充分的条件,确保在实践中估计的数量在过于简化的因果模型可以表示为加权平均的纵向因果效应的利益。毫不奇怪,这些充分条件是非常严格的,我们的结果表明,在实践中估计的数量一般应谨慎解释,因为它们通常不涉及任何纵向因果效应的利益。我们的模拟进一步说明,在实践中估计的数量和感兴趣的纵向因果效应的加权平均值之间的偏差可能是巨大的。总体而言,我们的结果证实,需要重复测量,以进行适当的分析和/或敏感性分析的发展,当他们不可用。
2023-02-18 stat.ME
Measurement Error-Robust Causal Inference via Constructed Instrumental Variables
Columbia Mailman School of Public Health(哥伦比亚大学麦金农公共卫生学院);Department of Biostatistics, Columbia University(哥伦比亚大学生物统计系);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院)
本文提出无需外部误差信息的构造工具变量法,可在结果回归线性时一致估计含测量误差的平均处理效应与自然间接效应,并将其应用于孟加拉国母婴队列的铅暴露与出生身长研究。
2026-08-20 stat.ME
Causal inference in the context of an error prone exposure: air pollution and mortality
我们提出了一种新的方法来估计因果效应时,暴露测量误差和混杂调整是通过广义倾向评分(GPS)。使用验证数据,我们提出了一个回归校准(RC)为基础的调整与GPS相结合的连续易出错的曝光调整混杂(RC-GPS)。将校正的连续暴露转换为分类暴露后进行结局分析。我们认为混杂调整的背景下,GPS子分类,逆概率处理加权(IPTW)和匹配。在具有不同程度的暴露误差和混杂偏差的模拟中,与依赖于易出错暴露的标准方法相比,RC-GPS消除了来自暴露误差和混杂的偏差。我们将RC-GPS应用于丰富的数据平台,以估计2000年至2012年期间长期暴露于细颗粒物($PM_{2.5}$)对新英格兰死亡率的因果影响。主要研究包括$217,660$ 1 km $\times$ 1 km网格单元覆盖的$2,202$邮政编码、年死亡率、根据时空模型(易出错暴露)估计的年$PM_{2.5}$平均值和几个潜在混杂因素。内部确认研究包括来自主研究的75个邮政编码内的83个1 km $\times$ 1 km网格单元的子集,其具有从监测站获得的无误差年度$PM_{2.5}$暴露。在无干扰和弱不混淆的假设下,使用匹配,我们发现暴露于中等水平的$PM_{2.5}$($8 <$ $PM_{2.5}$ $\leq 10\ {\rm μg/m^3}$)导致$2.8\%$($95\%$ CI:$0.6\%, 3.6\%$)与低暴露($PM_…
2018-06-28 stat.AP stat.ME
CausalGPS: An R Package for Causal Inference With Continuous Exposures
本文介绍 CausalGPS R 包,其以广义倾向得分为核心,支持连续暴露下的 GPS 估计、加权或匹配去混杂及暴露-反应函数估计,并用 PM2.5 与教育成就数据示范应用。
2023-10-01 cs.MS econ.EM stat.CO
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
Unbiased estimation for additive exposure models
因果推断方法已被应用于研究人员希望估计处理效应的各个领域。在传统的因果推断设置中,人们假设一个单元的结果不依赖于其他单元的处理。然而,随着因果推断方法被扩展到更多的应用,有一个更大的需求,一般的因果效应的估计。我们使用暴露映射框架[Aronow和Samii,2017]来映射治疗分配与潜在结局之间的关系。在暴露模型下,我们提出了一般因果效应的线性无偏估计量(LUE),假设处理效应是加性的。可加性提供了统计学上的优势,其中暴露的对比度现在是相等的,因此所考虑的估计量的集合增长。我们确定了一个子集的LUE,形成一个仿射基础的LUE,我们通过定义条件的支持下的估计的最小综合方差的最佳LUE的特征。我们表明,通过模拟,我们提出的估计是相当强大的违反加性假设,并在一般情况下,有好处,利用所有曝光的信息。
2022-09-02 math.ST stat.ME stat.TH
GAUGER: Generalized Regression Adjustment via Graph-Weighted Exposure-Level Residualization for Design-Based Inference Under Interference
Adobe Research(Adobe研究院);UC Berkeley(加州大学伯克利分校)
针对干扰下因果效应估计问题,提出GAUGER框架,采用两步法,先利用强预测模型学习结果模式,再用图加权暴露水平残差化校准,所得估计器一致且方差可减,数值研究显示其比现有方法效率更高。
2026-07-24 stat.ME
Network Structural Equation Models for Causal Mediation and Spillover Effects
University of Michigan(密歇根大学)
本文提出了一种基于网络结构方程模型的方法,用于分析因果中介和溢出效应,通过理论框架和实证研究验证了其在复杂网络数据中的有效性。
2026-02-28 stat.ME
Robust inference on population indirect causal effects: the generalized front-door criterion
关于直接和间接效应的标准推断方法需要严格的无未测量混杂假设,这些假设在实践中往往不成立,特别是在观察性研究中。本文的目的是介绍一种新形式的间接效应,人口干预间接效应(PIIE),它可以在暴露和结果的不可测量的共同原因的存在下,非参数识别。这种新型的间接效应捕捉了在干预措施下,暴露的影响在多大程度上是由中间变量介导的,干预措施将直接影响结果的暴露成分保持在其观察值。PIIE实际上是Hubbard和Van der Laan(2008)引入的人口干预效应的间接组成部分。有趣的是,我们的识别标准概括了朱迪亚珍珠的前门标准,因为它不需要没有直接影响的曝光不介导的中间变量。对于推理,我们开发了参数和半参数的方法,包括一种新的双鲁棒半参数局部有效估计,在模拟研究中表现非常好。最后,所提出的方法被用来衡量在坦桑尼亚的孕产妇健康计划中注册的妇女之间的货币储蓄建议的有效性。
2019-09-23 stat.ME
The causal effects of modified treatment policies under network interference
Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院)
提出诱导修正治疗策略以识别网络干扰下的因果效应,并开发半参数有效估计器,通过加州零排放车辆对空气污染的影响验证。
2025-12-10 stat.ME
Measurement bias: a structural perspective
测量偏差(MB)的因果结构仍然存在争议。借助有向无环图(DAG),本文提出了一种新的结构,用于测量一个单例变量,其MB出现在一个不完美的I/O设备类测量系统的选择。然而,对于效果估计,额外的甲基溴来源来自于测量的接触和测量的结果之间的任何冗余关联。对于共同结局,错误分类将是双向差异的,对于因果关系,错误分类将是单向差异的,而对于测量暴露和测量结局之间的共同原因或无效效应,错误分类将是无差异的。测量的暴露实际上会影响测量的结果,反之亦然。反向因果关系是一个定义在测量层面的概念。我们新的DAG已经阐明了MB的结构和机制。
2020-12-23 stat.ME
Characterizing the Effects of Environmental Exposures on Social Mobility: Bayesian Semi-parametrics for Principal Stratification
Brown University(布朗大学);Bocconi University(博科尼大学);Harvard School of Public Health(哈佛公共卫生学院);University of California, Los Angeles(加州大学洛杉矶分校)
针对PM2.5、教育程度与社会流动性的因果路径问题,提出基于无限混合的贝叶斯半参数主分层方法,发现高PM2.5通过降低教育程度使社会流动性下降约5%。
2025-11-03 stat.AP stat.ME
Estimating causal effects of time-dependent exposures on a binary endpoint in a high-dimensional setting
最近,当DAG不存在时的干预演算(IDA)方法被开发用于从观察的高维数据估计因果效应的下限。最初引入它是为了评估不随时间变化的基线生物标志物的影响。然而,在许多临床环境中,在治疗暴露期间的固定时间点重复测量生物标志物,因此,需要扩展该方法。本文的目的是,然后扩展的IDA,彼得克拉克(PC)算法的第一步,一个时间依赖性的曝光的情况下,一个二进制的结果。我们概括的PC算法,考虑到时间顺序的重复测量的曝光,并建议应用IDA与我们的新版本,按时间顺序排列的PC算法(COPC算法)。在应用用于估计时间依赖性免疫生物标志物对转移性黑色素瘤患者的毒性、死亡和进展的因果效应的方法之前,已经进行了模拟研究。仿真研究表明,使用COPC算法得到的完全部分有向无环图(CPDAG)在结构上比使用PC算法得到的CPDAG更接近真实的CPDAG。此外,因果效应更准确时,他们估计的基础上获得的CPDAG使用COPC算法。此外,通过COPC算法获得的CPDAG允许去除非时序箭头,其中在时间t测量的变量指向在时间t'测量的变量,其中t'<t。双向边缘在使用COPC算法获得的CPDAG中较少,这支持了从这些CPDAG估计的因果效应的变异性较小的事实。COPC算法提供了保持数据中存在的时序结构的CPDAG,从而允许估计时间依赖性生物标志物的因果效应的下限。
2018-03-29 stat.ME stat.ML
When Screening Misleads: A Robust Mendelian Randomization Test for Reliable Causal Discovery
School of Statistics and Data Science, LPMC and KLMDASR, Nankai University(南开大学统计与数据科学学院)
研究旨在解决孟德尔随机化中先筛选关联再评估因果效应导致的I型错误膨胀问题,提出新颖稳健MR检验,该检验能保持正确I型错误率且可利用先前汇总统计量提高功效,模拟研究显示其优于经典方法。
2026-07-14 stat.ME
A Latent Factor Panel Approach to Spatiotemporal Causal Inference
University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文提出一种基于潜在因子模型的方法,用于处理时空观测数据中的未测量混杂因素,通过面板数据模型和多变量因果推断方法,减少遗漏变量偏差。
2026-04-28 stat.ME
Causal Inference with Multiple Misclassified Exposures: A Control Variate-Adjusted Calibration Weighting Approach
Colorado School of Public Health(科罗拉多公共卫生学院);Johns Hopkins Bloomberg School of Public Health(约翰斯·霍普金斯大学彭博公共卫生学院);University of Colorado School of Medicine(科罗拉多大学医学院);Colorado State University(科罗拉多州立大学)
针对多重错误分类二元暴露和聚类观测数据,提出校准加权与控制变量调整的因果推断方法,实现一致估计并降低方差,应用于囊性纤维化患者队列发现咽拭子低估铜绿假单胞菌感染效应。
2026-07-28 stat.AP stat.ME
Network-aware IV Regression for Causal Node Discovery and Estimation
本文提出一种两阶段回归框架,结合工具变量和图正则化,以发现网络结构中稀疏的因果效应。方法在存在潜在混杂时有效恢复因果支持,并在脑成像和遗传数据中验证了其有效性。
2026-06-29 stat.ME