On variance of the treatment effect in the treated using inverse probability weighting
在观察性研究的分析中，逆概率加权（IPW）通常用于一致地估计平均处理效应（ATE）或治疗患者的平均处理效应（ATT）。IPW ATE估计量的方差通常通过假设权重已知然后使用所谓的“稳健”（Huber-White）三明治估计量来估计，这导致保守的标准误（SE）估计。在这里，它表明，使用这种方法时，估计的方差的IPW ATT估计不一定会导致保守的SE估计。也就是说，假设权重是已知的，稳健三明治估计量可以是保守的或反保守的。因此，使用稳健SE估计的ATT的置信区间通常无效。相反，考虑权重估计的堆叠估计方程可以用于计算IPW ATT估计器的一致的封闭形式方差估计器。通过模拟研究和吸烟对基因表达的影响的数据分析，这两个方差估计进行了比较。
2020-11-24 stat.AP stat.ME
Variance-based sensitivity analysis for weighting estimators result in more informative bounds
加权方法是估计因果效应的常用工具;在未观察到的混杂情况下评估其稳健性在实践中很重要。在下面的论文中，我们将介绍一组新的敏感性模型，称为“基于方差的敏感性模型”。基于方差的敏感性模型通过限制因忽略混杂因素而在权重中产生的分布差异来表征因忽略混杂因素而产生的偏倚，与现有方法相比具有几个显着的创新。首先，基于方差的灵敏度模型可以相对于标准化和有界的简单$R^2$参数进行参数化。我们引入了一个正式的基准测试程序，允许研究人员使用观察到的协变量的原因合理的参数值在一个可解释的和透明的方式。其次，我们表明，研究人员可以估计有效的置信区间下的一组基于方差的敏感性模型，并提供扩展研究人员将他们的实质性知识的混杂因素，以帮助收紧的间隔。最后，我们强调我们提出的方法和现有的敏感性分析之间的联系，并证明，经验和理论上，基于方差的敏感性模型可以提供改进的稳定性和紧密性的估计置信区间超过现有的方法。我们说明了我们提出的方法研究使用国家健康和营养检查调查（NHANES）检查血汞水平。
2023-03-13 stat.ME
Kernel Balancing: A flexible non-parametric weighting procedure for estimating causal effects
在不存在未观察到的混杂因素的情况下，匹配和加权方法被广泛用于估计因果量，包括对治疗者的平均处理效应（ATT）。不幸的是，这些方法不一定能实现其目标，即使对照组的协变量的多变量分布与治疗组的协变量分布相同，使两组之间的协变量的一些（潜在的多变量）函数具有不同的平均值。当这些“不平衡”的功能影响非治疗的潜在结果时，对观察到的协变量的调节失败，ATT估计可能有偏差。本文介绍的核平衡针对无偏ATT估计的较弱要求，特别是治疗组和对照组的预期非治疗潜在结局相等。假设非治疗潜在结果的条件期望落在与内核选择相关的函数空间中，这意味着一组基函数，其中该回归曲面是线性的。然后在对照单位上选择权重，使得处理组和对照组在这些基函数上具有相等的平均值。因此，在加权后，治疗组和对照组的非治疗潜在结局的预期也必须相等，允许通过随后的平均值差异或使用这些权重的结局模型进行无偏ATT估计。此外，所产生的权重是（1）精确地均衡治疗组和对照组协变量的多变量分布的特定基于核的近似值的权重，以及（2）等同于一种形式的稳定化反向倾向得分加权，尽管它不需要假设任何治疗分配机制模型。提供了一个R包KBAL来实现这种方法。
2016-04-30 math.ST stat.AP stat.ME
Stable Probability Weighting: Large-Sample and Finite-Sample Estimation and Inference Methods for Heterogeneous Causal Effects of Multivalued Treatments Under Limited Overlap
在本文中，我试图驯服“巴苏的大象”（极端选择的观察数据）。我提出了新的实用的大样本和有限样本的方法来估计和推断异质因果效应（unconfoundedness下）的经验相关的背景下，有限的重叠。我开发了一个通用的原则，称为“稳定概率加权”（SPW），可以作为替代广泛使用的逆概率加权（IPW）技术，它依赖于强重叠。我表明，IPW（或其增强版本），有效时，是一个特殊的情况下，更一般的SPW（或其双重强大的版本），它调整治疗状态的条件概率的极值。SPW原理可以使用几种现有的条件矩模型的大样本参数、半参数和非参数程序来实现。此外，我提供了新的有限样本的结果，适用于当unconfoundedness是合理的细地层。由于IPW估计依赖于估计的倾向得分的有问题的倒数，我开发了一个“样本稳定概率加权”（FPW）的集合估计，在某种意义上是无偏的。我还提出了新的有限样本推断方法来检验一般类弱零假设。相关的计算方便的方法，可以用来构建有效的置信集和有限样本的置信分布，是独立的利益。我的大样本和有限样本框架扩展到多值处理的设置。
2023-01-19 econ.EM math.ST stat.AP
Kernel Optimal Orthogonality Weighting: A Balancing Approach to Estimating Effects of Continuous Treatments
许多科学问题需要估计连续治疗的效果。结果建模和基于广义倾向得分的加权回归是评价连续效应最常用的方法。然而，这些技术可能对模型错误指定、极端权重或两者敏感。在本文中，我们提出了核最优连续性加权（KOOW），凸优化为基础的方法，估计连续治疗的效果。KOOW找到使连续治疗和混杂因素之间的最差情况惩罚函数协方差最小化的权重。通过最小化该数量，KOOW成功地提供了使混杂因素和连续治疗正交化的权重，从而提供了最佳协变量平衡，同时控制了极端权重。我们评估其比较性能的模拟研究。使用来自妇女健康倡议观察性研究的数据，我们应用KOOW来评估红肉消费对血压的影响。
2019-10-26 stat.AP stat.ME stat.ML
On Flexible Inverse Probability of Treatment and Intensity Weighting: Informative Censoring, Variable Inclusion, and Weight Trimming
本文研究灵活逆处理概率和强度加权方法，探讨信息性删失、变量纳入及权重截断的影响，并应用于家庭水源对疟疾诊断的实证分析。
2024-05-24 stat.AP stat.ME
Adjusted Nelson--Aalen estimators by inverse treatment probability weighting with an estimated propensity score
本文在竞争风险框架下研究基于估计倾向评分的逆概率加权调整Nelson–Aalen估计量，推导其影响函数与渐近性质，并证明倾向评分估计带来的额外变异通常较小。
2025-05-11 stat.ME
Propensity Score Weighting for Causal Inference with Multiple Treatments
在观察性研究中，多组之间的因果或无混杂的描述性比较很常见。从卫生服务研究中的种族差异研究的动机，我们提出了一个统一的倾向得分加权框架，平衡权重，估计因果关系的影响与多种治疗。这些权重包括广义倾向得分，以平衡每个治疗组的加权协变量分布，所有权重均朝向共同的预先指定的目标人群。这类平衡权包括几种现有的方法，如逆概率权和修剪权作为特殊情况。在这个框架内，我们提出了一套基于线性对比的目标被估量。我们进一步发展了广义重叠权重，构造为逆概率权重和广义倾向得分的调和平均值的乘积。广义重叠加权方案对应于多种治疗之间协变量重叠最多的目标人群。这些权重是有界的，因此绕过了极端倾向的问题。我们证明了广义重叠权重最小化了平衡权重类内两两对比的矩加权估计量的总渐近方差。我们考虑两个平衡检查准则，并提出了一个新的三明治方差估计估计广义重叠权重的因果效应。我们应用这些方法来研究种族之间的差异，在医疗支出的几个种族群体使用2009年医疗支出面板调查（MEPS）数据。仿真结果与现有方法进行了比较。
2019-06-29 stat.ME
Propensity score weighted Cox regression for survival outcomes in observational studies with multiple or factorial treatments
Qiuzhen College, Tsinghua University（清华大学邱耀学院）；Duke University（杜克大学）
本文提出了一种基于倾向评分加权的Cox回归方法，用于估计多重或因子治疗在观察性研究中生存结局的因果危险比，并开发了相应的R包。
2026-01-30 stat.ME
Sharp Sensitivity Analysis for Inverse Propensity Weighting via Quantile Balancing
本文为逆概率加权（IPW）提出了一种基于分位数平衡的稳健敏感性分析方法，通过新的部分识别结果估计未观测混杂下处理效应的最窄可能区间，改进了 Zhao 等人 (2019) 渐近过宽的界限。
2023-08-03 econ.EM math.ST stat.ME
Doubly robust augmented weighting estimators for the analysis of externally controlled single-arm trials and unanchored indirect treatment comparisons
Precision AQ；University of British Columbia（不列颠哥伦比亚大学）；Novo Nordisk Pharma（诺和诺德制药）；UCL（伦敦大学学院）
本文提出了一种双重鲁棒的增强加权估计器，用于外部控制单臂试验和无锚间接治疗比较，通过结合熵平衡MAIC权重和条件结果模型预测，提高模型鲁棒性和估计精度。
2026-02-11 stat.ME
Nonparametric Estimation of Mediation Effects with A General Treatment
本文针对一般性处理变量（二值、多值、连续或混合型）提出广义加权估计量以估计中介分析中的直接和间接效应，证明其一致性与渐近正态性，并在离散处理下达到半参数效率界，在连续处理下仍优于基于真实权重的估计量。
2024-01-23 math.ST stat.ME stat.TH
Addressing Extreme Propensity Scores in Estimating Counterfactual Survival Functions via the Overlap Weights
逆概率加权方法是观察性研究中评价处理效应的常用方法，但极端的倾向得分可能会使估计量产生偏倚，并导致过度的方差。最近，已经提出了重叠加权方法来缓解这个问题，它平滑地降低了具有极端倾向得分的受试者的权重。尽管重叠加权的优势已在连续和二元结局的文献中得到广泛证实，但关于其与至事件发生时间或生存结局的性能的研究有限。在这篇文章中，我们提出了两个加权估计，结合倾向得分加权和逆概率截尾加权估计的反事实生存函数。这些估计适用于一般类别的平衡权重，其中包括逆概率加权，修剪和重叠加权作为特殊情况。我们进行模拟，以检查这些估计与不同的加权方案的经验性能的偏差，方差和95%的置信区间覆盖率，在不同程度的协变量重叠治疗组和删失率。我们证明，重叠加权始终优于逆概率加权和相关的修剪方法的偏差，方差和覆盖的时间到事件的结果，和优势增加的程度，治疗组之间的协变量重叠减少。
2022-06-20 stat.AP stat.ME
A randomization-based perspective of analysis of variance: a test statistic robust to treatment effect heterogeneity
在有限总体环境中考虑了Neyman原假设（无平均治疗效应）的Fisher随机化检验，该环境与两种以上治疗的完全随机化实验相关。从理论和计算两方面对使用$F$统计量进行此类检验的后果进行了检查，并认为在治疗效应异质性下，在Fisher随机化检验中使用$F$统计量可能会严重增加内曼原假设下的I型错误。提出了一种替代的检验统计量，导出了它在Fisher和Neyman原假设下的渐近分布，并证明了它的优点。
2017-07-24 math.ST stat.ME stat.TH
Differentiable Pareto-Smoothed Weighting for High-Dimensional Heterogeneous Treatment Effect Estimation
NTT Communication Science Laboratories（NTT通信科学实验室）；The University of Tokyo（东京大学）
针对高维异质性处理效应估计中逆概率加权数值不稳定的问题，提出可微帕累托平滑加权框架，以端到端方式校正极端权重值，有效提升估计的稳健性与性能。
2024-06-01 cs.LG stat.ME stat.ML
DFW: A Novel Weighting Scheme for Covariate Balancing and Treatment Effect Estimation
针对观测数据因果推断中的选择偏差问题，提出去混杂因子加权（DFW）方案，通过优先低混杂样本构建稳定权重，在协变量平衡和治疗效果估计上优于IPW和CBPS。
2025-08-07 cs.LG stat.ME
The Connection Between R-Learning and Inverse-Variance Weighting for Estimation of Heterogeneous Treatment Effects
本文指出R-Learning等价于逆方差加权的伪结果回归，证明权重选择是性能关键，IVWs在模拟中表现更优，并给出迄今最快的收敛速率。
2024-02-02 stat.ME stat.ML
The Complex Estimand of Clone-Censor-Weighting When Studying Treatment Initiation Windows
本文揭示了使用 CCW 方法估计观察数据中特定时间窗口内治疗启动结果的复杂估计量本质，指出治疗启动时机分布对结果解释的重要性，并证明忽略暴露史会导致选择偏倚，同时提出简化假设以提升可解释性。
2024-04-23 stat.ME
A New and Efficient Debiased Estimation of General Treatment Models by Balanced Neural Networks Weighting
本文提出平衡神经网络加权方法，利用深度神经网络和校准实现一般处理模型下去偏且稳健的处理效应估计，适用于离散、连续及混合处理，并具有速率双重稳健性和半参数效率。
2025-07-05 econ.EM stat.ME
Causal inference with recurrent data via inverse probability treatment weighting method (IPTW)
倾向得分法正越来越多地用于减少观察性研究中处理效应的估计偏倚。以前的研究表明，倾向得分方法一致地估计了事件发生时间数据的边际风险比。然而，经常性的数据经常出现在生物医学文献中，并且当数据在本质上是经常性的时，很少有研究使用倾向得分方法。本文的目的是将现有的倾向得分方法扩展到经常性数据设置。我们通过一系列的蒙特卡罗模拟来说明我们的方法。模拟结果表明，没有删失的存在下，IPTW估计，使我们能够一致地估计每个事件的边际风险比。在行政删失制度下，稳定化的IPTW估计得到边际风险比的有偏估计，且偏差程度取决于被删失的受试者比例。对于方差估计，朴素方差估计往往倾向于大大低估IPTW估计的方差，而稳健方差估计显著降低方差的估计偏差。
2019-11-15 stat.ME
Sharp bounds for variance of treatment effect estimators in the finite population in the presence of covariates
在完全随机化实验中，有限总体中治疗效应估计量的方差通常不可识别，因此不可估计。虽然在文献中已经建立了一些方差的估计范围，但很少有协变量存在的情况下导出。本文分别考虑了完全服从和不完全服从的完全随机试验中均值差估计和Wald估计。当协变量可用时，这两个估计量的方差的精确界被建立。进一步得到了这类界的相合估计，可用于缩短置信区间和提高检验的功效。基于上界的一致估计量构造了置信区间，其覆盖率是一致渐近保证的。仿真进行了评估所提出的方法。所提出的方法也说明了两个实际数据分析。
2022-09-19 math.ST stat.ME stat.TH
Optimal Variance Reduction in Randomized Experiments
本文提出一种利用辅助信息的随机实验方差缩减方法，可适配任意复杂度模型，对可加处理指标最优减方差，对复杂指标用Delta Method，还探讨了建模考量。
2026-08-26 math.ST stat.ME stat.TH
Robust Sample Weighting to Facilitate Individualized Treatment Rule Learning for a Target Population
University of Wisconsin（威斯康星大学）；University of Minnesota（明尼苏达大学）
针对源人群与目标人群存在差异时个体化治疗规则（ITR）泛化面临的函数类错误设定挑战，提出一种基于再生核希尔伯特空间的稳健加权框架以实现协变量平衡，从而有效促进最优ITR的泛化并改善目标人群的估计效果。
2023-06-14 cs.LG stat.ME stat.ML
Double Machine Learning of Continuous Treatment Effects with Additive Instrumental Variables
Zhejiang University（浙江大学）
本文提出利用工具变量识别平均剂量反应函数的新框架，通过统一正则加权函数和覆盖处理空间的开放集，减少未观测混杂带来的偏差，结合去偏机器学习框架进行估计，并通过模拟和实证研究评估方法性能。
2026-08-24 econ.EM math.ST stat.ME
Addressing selection bias in cluster randomized experiments via weighting
该研究针对整群随机实验中随机化后招募导致的选择偏倚问题，定义因果估计量，基于逆概率加权、主分层提出估计与敏感性分析方法，并在ARTEMIS试验中验证了有效性。
2024-10-10 stat.ME
Efficient GMM and Weighting Matrix under Misspecification
Lancaster University Management School（兰卡斯特大学管理学院）
本文研究了在矩条件不准确时高效GMM估计方法，提出基于增强矩条件和重新定位的新估计器，通过优化加权系统获得具有最小渐近方差的规格不准确高效估计器。
2026-10-16 econ.EM stat.ME
Propensity score weighting for causal inference with clustered data
倾向得分加权是因果推断的一种工具，用于调整观察性研究中测量的混杂因素。在实践中，数据往往呈现复杂的结构，如聚类，这使得倾向得分建模和估计具有挑战性。此外，对于聚类数据，可能存在与治疗分配和结局均相关的未测量的聚类特异性变量。当存在此类未测量的集群特异性混杂因素，并且在倾向得分模型中被省略时，随后的倾向得分调整可能会有偏倚。在这篇文章中，我们提出了一个校准技术的倾向得分估计下的潜在可重复的治疗分配机制，即，考虑到观察到的协变量和潜在的集群效应，治疗-结果关系是无混杂的。当倾向得分和结果遵循广义线性混合效应模型时，我们提供了平均处理效应的一致倾向分数加权估计。建议的倾向得分加权估计是有吸引力的，因为它不需要规范的倾向得分和结果模型的功能形式，因此是强大的模型误指定。建议的加权方法可以结合抽样权重的综合解决方案，以处理混杂和抽样设计的因果推断与聚类调查数据。在模拟研究中，我们表明，所提出的估计是优于其他竞争对手。我们评估了学校体重指数筛查对宾夕法尼亚州小学超重和肥胖患病率的影响。
2017-03-17 stat.ME
Variance Estimation for Weighted Average Treatment Effects
本文针对观察性研究中加权平均处理效应的方差估计，提出后加权自助法并推广野自助法，以避免阳性违反、提高效率，并通过模拟和NHANES数据给出实用建议。
2025-09-10 math.ST stat.ME stat.TH
Using Overlap Weights to Address Extreme Propensity Scores in Estimating Restricted Mean Counterfactual Survival Times
本文针对观察性数据中倾向得分缺乏重叠的问题，提出使用重叠权重（OW）结合逆删失概率加权估计受限均值反事实生存时间，并证明其优于IPTW和修剪法。
2024-02-11 stat.ME
A generalized bootstrap procedure of the standard error and confidence interval estimation for inverse probability of treatment weighting
在倾向得分分析中，通常使用治疗加权逆概率（IPTW）方法来推断回归模型中的因果效应。由于过大的IPTW权重和与倾向得分估计相关的误差，IPTW方法可能低估因果效应的标准误误差。为了弥补这一点，引导标准误差已被推荐来取代IPTW标准误，但普通的引导（OB）程序仍然可能会导致低估的标准误，因为它的效率低下的抽样算法和不稳定的权重。在本文中，我们开发了一个广义自助（GB）的程序估计的标准误的IPTW方法。与OB方法相比，GB方法低估标准误的风险要低得多，并且对于点估计和标准误估计都更有效。GB程序也有较小的标准误低估的风险比普通的Bootstrap程序与修剪的权重，具有可比的效率。我们通过模拟研究和国家教育纵向研究-1988（NELS-88）的数据集证明了GB程序的有效性。
2021-09-01 econ.EM stat.AP stat.ME
Posterior Predictive Treatment Assignment Methods for Causal Inference in the Context of Time-Varying Treatments
具有逆概率加权（IPW）的边缘结构模型（MSM）用于估计时变治疗的因果效应，但当不同治疗模式的协变量分布重叠较低时，可能导致有限样本性能不稳定。以平均处理效应（ATE）估计值为目标的IPW修改引入偏倚或依赖于无法验证的参数假设和外推。本文扩展了一种替代被估量，即重叠人群（ATO）的平均处理效应，它是在一个亚群上估计的，该亚群在时变治疗环境中具有接受替代治疗模式的合理概率。为了在MSM框架内估计ATO，本文扩展了基于后验预测治疗分配（PPTA）的随机修剪方法以及时变治疗设置的加权模拟。仿真结果表明，这些扩展的性能相比，对IPW和稳定的权重方面的偏见，效率和覆盖范围。最后，使用这些方法对居住在美国18，480个邮政编码的医疗保险受益人进行分析，以评估燃煤电厂排放暴露对缺血性心脏病住院的影响，并考虑导致治疗随时间变化的季节性模式。
2019-07-15 stat.AP stat.ME
Sensitivity Analysis of Inverse Probability Weighting Estimators of Causal Effects in Observational Studies with Multivalued Treatments
针对多值处理观察性研究中缺乏适用敏感性分析框架的问题，提出含通用加性因果估计量的高效敏感性分析框架，模拟和实例验证其有效性。
2024-06-23 stat.ME
Energy Balancing of Covariate Distributions
因果比较的偏倚与治疗组间协变量的分布不平衡直接对应。加权策略（如逆倾向得分加权）试图通过对治疗分配机制建模或平衡指定的协变量矩来减轻偏倚。本文介绍了一种新的加权方法，称为能量平衡，而不是旨在平衡加权协变量分布。通过直接针对分布不平衡，所提出的加权策略可以灵活地用于各种因果分析，包括估计平均处理效应和个体化处理规则。我们的能量平衡权重（EBW）的方法有几个优势，现有的加权技术。首先，它提供了一种无模型和鲁棒的方法来获得协变量平衡，不需要调整参数，避免了对手头科学问题的次要性质的建模决策的需要。第二，由于这种方法是基于一个真正的衡量分布平衡，它提供了一种手段来评估平衡所引起的一组给定的权重为给定的数据集。最后，所提出的方法是计算效率，并在温和的条件下具有理想的理论保证。我们证明了这种EBW方法的有效性，在一套模拟实验，并在右心导管插入术的安全性和留置动脉导管的影响的研究。
2022-03-11 stat.ME
Abadie's Kappa and Weighting Estimators of the Local Average Treatment Effect
本文基于 Abadie 的 kappa 定理比较 LATE 的加权估计量，证明归一化估计量更具尺度与平移不变性，并推荐单侧不合规下分母严格为正的估计量。
2024-02-28 econ.EM stat.ME
Identification and Debiased Learning of Causal Effects with General Instrumental Variables
Zhejiang University（浙江大学）
本文提出了一种利用通用工具变量进行因果效应识别与去偏学习的非参数框架，通过半参数理论构建了两个一致且渐近正态的估计量，并通过模拟和真实数据验证了方法的有效性。
2026-02-07 econ.EM math.ST stat.ME
On true versus estimated propensity scores for treatment effect estimation with discrete controls
本文推导了离散控制变量下逆倾向加权估计量的有限样本方差，发现估计倾向得分在渐近理论中优于真实得分，但对修正估计量的分析表明真实倾向函数的先验知识在估计平均处理效应时具统计优势。
2023-05-18 math.ST stat.ME stat.TH
Power and Sample Size for Marginal Structural Models
当估计观察数据的因果效应时，通过治疗加权的逆概率拟合的边缘结构模型通常用于控制混杂。当计划使用边际结构建模进行分析的研究时，由于加权对估计的因果均值方差的影响，确定给定水平的统计功效所需的样本量具有挑战性。本文考虑设计效应的效用来量化加权对因果估计精度的影响。设计效应定义为因果均值估计量的方差除以朴素估计量的方差之比，如果与事实相反，不存在混杂并且不需要权重。一个简单的，封闭形式的近似设计效果是结果不变的，可以在研究设计阶段进行估计。一旦每个治疗组的设计效应接近，就像随机试验一样进行样本量计算，但通过设计效应扩大方差以考虑权重。仿真结果表明，设计效果近似的准确性，并讨论了实际的考虑。
2020-03-12 stat.AP stat.ME
Permutation Weighting
在观察因果推断中，为了模拟随机化实验，使用权重来使处理独立于观察到的协变量。这种性质被称为平衡;在缺乏平衡的情况下，估计的因果效应可能是任意有偏的。在这项工作中，我们介绍排列加权，使用标准的二元分类器（无论治疗的基数）估计平衡权重的方法。在该方法中可以使用大量的概率分类器;分类器的损失的选择暗示了平衡的特定定义。我们绑定的偏见和方差的过度风险的分类，表明这些消失渐近，并证明我们的分类问题直接最大限度地减少不平衡。各种各样的现有的平衡权重可以通过该机制来估计，从而允许基于分类器损失的方法之间的直接比较，以及使用交叉验证的超参数调整。经验评估表明，置换加权提供了良好的性能相比，现有的方法。
2020-07-14 stat.ME
A tutorial for propensity score weighting methods under violations of the positivity assumption
本教程针对阳性假设违反导致传统因果估计量无法识别的问题，回顾倾向评分加权方法最新进展，提供估计量选择、实施及诊断指导，并通过模拟和两个真实案例验证方法，还配有R包ChiPS。
2025-11-13 stat.AP stat.ME
Propensity score weighting for causal inference with multi-stage clustered data
倾向得分加权是因果推断调整测量混杂因素的工具。调查数据通常是在复杂的抽样设计下收集的，如多级整群抽样，这给倾向得分建模和估计带来了挑战。此外，对于聚类数据，也可能存在与治疗和结局相关的未观察到的聚类效应。当这种未测量的混杂因素存在并且在倾向得分模型中被省略时，随后的倾向得分调整将是有偏倚的。我们提出了在存在不可测量的集群级混杂因素的情况下对多阶段集群数据进行校准的倾向得分加权调整。校准倾向得分，以平衡治疗组之间的设计加权协变量分布和聚类效应。特别是，我们考虑了越来越多的校准约束的集群，这是必要的，以消除渐近偏差，与未观察到的集群级混杂因素的数量增加。我们表明，我们的估计是强大的意义上，估计是一致的，没有正确的规范的倾向得分模型。我们将结果推广到多个治疗的情况。在模拟研究中，我们表明，所提出的估计是优于其他竞争对手。我们评估了学校体重指数筛查对宾夕法尼亚州小学超重和肥胖患病率的影响。
2016-07-26 stat.ME
Demystifying and avoiding the OLS "weighting problem": Unmodeled heterogeneity and straightforward solutions
本文揭示了OLS回归中条件方差权重源于未建模的处理效应异质性，建议通过放宽为“分离线性”假设来彻底避免该问题，并指出多种方法可实现此目标且效率代价适度。
2025-05-02 econ.EM stat.AP stat.ME
Quantile Outcome Adaptive Lasso: Covariate Selection for Inverse Probability Weighting Estimator of Quantile Treatment Effects
本文提出分位数结果自适应 Lasso，为 QTE 的逆概率加权估计选择与结果期望和分位数相关的协变量，并通过模拟与真实数据验证其优势。
2024-02-28 stat.ME
How estimating nuisance parameters can reduce the variance (with consistent variance estimation)
当识别条件涉及冗余参数θ时，我们经常估计感兴趣的参数psi。因果推理的例子是逆概率加权，边际结构模型和结构嵌套模型。为了根据观察数据估计治疗效果，这些方法使用（合并）逻辑斯谛回归模型计算治疗和/或删失概率，并首先估计这些概率。这些方法都是基于无偏估计方程。首先，当在第一步骤中使用划分逆公式估计冗余参数θ时，我们提供用于感兴趣参数psi的方差的一般公式。然后，我们提出了4个结果的估计PSI-HAT无偏估计方程的基础上，其中包括一个冗余参数θ，这是通过解决（部分）得分方程估计，如果psi不依赖于θ。如果theta描述治疗概率，则这在因果推断中经常发生，在具有缺失数据的设置中，其中theta描述缺失概率，以及在具有测量误差的设置中，其中theta描述测量误差分布。1.与直觉相反的是，与插入已知的theta相比，当估计theta时，psi-hat的极限方差通常较小。2.如果忽略估计theta，则得到的psi-hat方差的三明治估计量是保守的。3. psi-hat方差的一致估计可以快速提供结果：无需自助。4.如果插入真实theta的psi-hat是有效的，则psi-hat的极限方差不依赖于是否估计theta。为了说明，我们使用观测数据来估计1。cazavi与粘菌素在耐药细菌感染患者中的作用; 2.一年抗逆转录病毒治疗的效果如何取决于艾滋病毒感染者开始治疗的时间。
2022-08-28 math.ST stat.ME stat.TH
PSweight: An R Package for Propensity Score Weighting Analysis
倾向得分加权是比较有效性研究的重要工具，除了治疗权重的逆概率（IPW）外，最近的发展还引入了一种通用的平衡权重，对应于可供选择的目标人群和被估量。特别是，重叠权重（OW）导致最佳协变量平衡和估计效率，以及科学和政策利益的目标人群。我们开发的R包PSweight提供了一个全面的设计和分析平台，因果推断的基础上倾向得分加权。PSweight支持（i）各种平衡权重，（ii）二元和多重处理，（iii）简单和增强加权估计，（iv）滋扰调整三明治方差，以及（v）比率估计。PSweight还为协变量平衡评估提供了诊断表和图表。我们展示了该软件包的功能，使用的数据从NationalChild Development Survey（NCDS），在那里我们评估的因果关系的影响，教育程度对收入的例子。
2021-06-01 stat.CO stat.ME
Estimating Individual Treatment Effects with Time-Varying Confounders
从观察数据中估计个体处理效应（ITE）在医疗保健中具有重要意义和实用价值。现有的研究主要依赖于强可解释性假设，即不存在隐藏的混杂因素，这可能导致估计因果效应时的偏倚。一些研究认为隐藏混杂因素是为静态环境设计的，不容易适应动态环境。事实上，大多数观察数据（例如，电子医疗记录）自然是动态的并且由顺序信息组成。在本文中，我们提出了深度序贯加权（DSW）估计ITE随时间变化的混杂因素。具体而言，DSW通过使用深度递归加权神经网络合并当前治疗分配和历史信息来推断隐藏的混杂因素。隐藏混杂因素的学习表示与当前观察到的数据相结合，用于潜在结果和治疗预测。我们计算治疗的时变逆概率以重新加权群体。我们对全合成，半合成和真实世界的数据集进行了全面的比较实验，以评估我们的模型和基线的性能。结果表明，我们的模型可以产生无偏和准确的处理效应的条件下随时间变化的观察和隐藏的混杂因素，为个性化医疗铺平了道路。
2020-12-15 stat.AP stat.ME stat.ML
Inverse probability of treatment weighting with generalized linear outcome models for doubly robust estimation
针对应用中对双稳健估计的误解与误用问题，本文介绍了IPTW GLM双稳健估计方法，阐释其双稳健性原理，澄清相关认知误区，并提供代码与示例辅助理解应用。
2023-09-11 stat.ME
Longitudinal weighted and trimmed treatment effects with flip interventions
本文提出随机“翻转”干预，将加权与截尾扩展至纵向因果推断，使效应在任意正定性违背下仍可识别，并给出 root-n 一致、渐近正态的稳健估计量。
2025-06-10 stat.ME
What is Overlap Weighting, How Has it Evolved, and When to Use It for Causal Inference?
Yale School of Medicine（耶鲁医学院）；Yale School of Public Health（耶鲁公共卫生学院）；Duke University（杜克大学）；Duke Clinical Research Institute（杜克临床研究所）
本文探讨了重叠加权方法的定义、发展历程及其在因果推断中的应用条件。
2026-01-20 stat.AP stat.ME
Inverse Probability Weighting for Recurrent Event Models
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Novartis Pharma AG（诺华制药股份公司）；University of Waterloo（滑铁卢大学）；Novartis Pharmaceuticals Corporation（诺华制药有限公司）
本文提出利用逆概率加权方法改进复发事件模型，以准确估计假设治疗效果，通过调整基线和内部时间变化协变量，提升估计的偏倚和功效。
2025-07-06 stat.AP stat.ME
Propensity Score Weighting for Causal Subgroup Analysis
比较有效性研究的一个共同目标是估计对预先指定的患者亚群的处理效应。虽然在医学研究中广泛使用，但用于此类亚组分析的因果推断方法仍不发达，特别是在观察性研究中。在本文中，我们开发了一套用于因果亚组分析的分析方法和可视化工具。首先，我们引入子组加权平均处理效应的估计量，并给出相应的倾向得分加权估计。我们证明了在一个子群内平衡协变量限制了子群因果效应估计量的偏差。其次，我们设计了一个新的诊断图-Connect-S图-用于可视化子组协变量平衡。最后，我们建议使用重叠加权方法来实现子群内的精确平衡。我们进一步提出了一种方法，结合重叠加权和LASSO，以平衡的偏差方差权衡在子群分析。广泛的模拟研究，提出了比较所提出的方法与现有的几种方法。我们将所提出的方法应用于以患者为中心的子宫肌瘤结果（COMPARE-UF）登记数据，以评估子宫肌瘤缓解症状和生活质量的替代治疗方案。
2021-03-21 stat.ME
Robust Variance Estimation for Covariate-Adjusted Unconditional Treatment Effect in Randomized Clinical Trials with Binary Outcomes
为了提高具有二元结局的随机临床试验中无条件处理效应的估计精度和检验假设的功效，研究人员和监管机构建议使用g计算作为协变量调整的可靠方法。然而，g-计算的实际应用受到阻碍，缺乏一个明确的强大的方差公式，可以用于不同的无条件处理效应的利益。为了填补这一空白，我们提供了明确的和强大的方差估计g-计算估计，并通过模拟证明，方差估计可以可靠地应用于实践。
2023-03-27 stat.AP stat.ME
Simultaneous comparisons of the variances of k treatments with that of a control: a Levene-Dunnett type procedure
针对带对照的单因素实验，本文提出结合 Levene 变换与 Dunnett 多对一比较思想的方差同时检验程序，并通过模拟和 R 代码验证其性质。
2024-06-14 stat.ME
Off-Policy Evaluation via Adaptive Weighting with Data from Contextual Bandits
Stanford University（斯坦福大学）
本文针对上下文赌博机历史数据中目标策略与数据收集策略不一致导致DR估计量方差过大的问题，提出自适应加权改进DR估计量，并证明其t统计量渐近正态，可用于置信区间和假设检验，实验验证了其准确性与推断性能优于现有方法。
2021-06-10 cs.LG econ.EM stat.ME
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
