Estimating Causal Moderation Effects with Randomized Treatments and Non-Randomized Moderators
研究人员通常对分析条件性处理效应感兴趣。其中一个变体是“因果调节”，这意味着对第三个（调节剂）变量的干预将改变处理效应。本研究认为，在何种条件下，因果温和可以确定，并提出了一个广义的框架，估计因果温和的随机治疗和非随机主持人的影响。作为估计过程的一部分，它允许研究人员实施他们首选的协变量调整方法，包括参数和非参数方法，或他们选择的替代识别策略。此外，它提供了一个设置，从而设计的平均治疗效果的背景下，敏感性分析可以扩展到适度的背景下。为了说明的方法，研究提出了两个应用程序：一个处理的效果使用术语“福利”来描述在美国的公共援助，和一个处理的效果寻求庇护者的宗教对欧洲人的态度寻求庇护者。
2020-08-24 stat.ME
Robust Estimating Method for Propensity Score Models and its Application to Some Causal Estimands: A review and proposal
在观察性研究中，倾向得分在估计因果效应方面具有核心作用。由于倾向得分通常是未知的，通过适当的程序进行估计是必不可少的步骤。需要注意的一点是，如果错误指定了倾向得分模型，则因果效应估计量可能存在一定偏倚;有效的模型构建很重要。为了克服这个问题，已经提出了各种有趣的方法。本文综述了四种方法：普通的逻辑斯谛回归方法; Imai和Ratkovic提出的CBPS方法; McCaffrey等人提出的boosted CART方法; Liu等人提出的半参数方法。此外，我们提出了新的鲁棒两步策略：在第一步中估计每个候选模型，并在第二步中集成它们。我们通过模拟实例，通过估计李和同事提出的ATE和ATO，证实了这些方法的性能。仿真结果表明，高阶平衡条件下的提升CART和CBPS具有较好的性能，ATE和ATO的估计方差和偏差绝对值均较小。提升CART和CBPS是有用的各种估计和估计程序。
2023-01-18 stat.ME
Estimating Causal Effects From Nonparanormal Observational Data
科学的基本目标之一是解开特定系统的因果链。特别是对于大型系统，这可能是一项艰巨的任务。详细的干预和随机数据采样方法可以用来解决因果关系的问题，但对于许多系统，这样的干预是不可能的或太昂贵，以获得。最近，Maathuis et al.（2010）遵循Spirtes et al.（2000）的思想，引入了一个框架来估计大规模高斯系统中的因果效应。通过将因果网络描述为有向无环图，即使对于非高斯系统，也可以估计一类一致地描述潜在因果相互作用的马尔可夫等价系统。在这些系统中，因果效应不再是线性的，不能再用单一的系数来描述。本文导出了非高斯分布的一个大子类（称为非超正态分布）中因果效应的一般函数形式。我们还得到了一个方便的近似，它可以有效地用于估计。我们将该方法应用于观察基因表达数据集。
2016-11-29 stat.ME
Estimating Complier Average Causal Effects for Clustered RCTs When the Treatment Affects the Service Population
随机对照试验有时测试旨在改善针对随机化后确定的一部分个体的现有服务的干预措施。因此，这种待遇可能会影响服务接受者的构成和所提供的服务。有了这样的偏见，使用服务接受者和非接受者的数据进行意向治疗估计可能很难解释。本文开发的因果被估量和逆概率加权（IPW）估计编译器的人口在这些设置中，使用广义估计方程的方法，调整标准误差的估计误差的IPW权重。虽然我们的重点是更一般的聚类RCT，但这些方法也适用于（减少）非聚类RCT。仿真结果表明，在假设的识别条件下，估计量达到了标称置信区间覆盖。一个实证的应用程序演示的方法使用的数据从一个大规模的随机对照试验测试的影响，幼儿服务对儿童的认知发展分数。
2022-05-17 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
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
On High Dimensional Covariate Adjustment for Estimating Causal Effects in Randomized Trials with Survival Outcomes
这项工作的目的是提高效率，估计平均因果效应（ACE）的生存规模存在右删失和高维协变量信息。我们提出了新的估计使用正则化生存回归和生存随机森林（SRF），使调整高维协变量，以提高效率。我们研究了调整后的估计量在温和的假设下的行为，并从理论上保证了所提出的估计量在使用SRF进行调整时比未调整的估计量更有效。此外，这些调整后的估计量是$\sqrt{n}$ -一致的和渐近正态分布。通过仿真研究了该方法的有限样本行为，其结果与理论结果一致。我们还通过分析移植研究的真实数据来说明我们的方法，以确定相同同胞供体与不相关供体相比的相对有效性，并调整细胞遗传学异常。
2021-06-25 stat.ME
Matching Algorithms for Causal Inference with Multiple Treatments
随机临床试验（RCT）是估计因果效应的理想方法，因为背景协变量的分布在治疗组之间的预期相似。当使用观察数据估计因果效应时，匹配是一种常用的方法，用于复制RCT中实现的协变量平衡。匹配算法的历史可以追溯到20世纪中期，但主要用于估计两个治疗组之间的因果关系。当有两种以上的治疗方法时，估计因果效应需要额外的假设和技术。我们提出了匹配算法，解决目前的方法的缺点，我们使用模拟比较当前和新的方法。所有的方法都显示出在匹配组中相对于匹配前队列的协变量平衡的改善。此外，我们还向研究人员提供关于不同协变量分布首选哪些匹配算法的建议。
2019-02-26 stat.ME
Targeted smoothing parameter selection for estimating average causal effects
观察性研究中平均因果效应的非参数估计通常依赖于通过平滑回归方法（如核、样条或局部多项式回归）控制混杂协变量。这种回归方法通过平滑参数进行调整，该平滑参数调节拟合中使用的自由度的量。在本文中，我们提出了数据驱动的方法来选择平滑参数时，目标参数是一个平均的因果效应。为此，我们提出估计的均方误差的精确表达式。渐近近似表明，最小化此均方误差的平滑参数收敛到零的速度比最佳平滑参数的估计的回归函数。在模拟研究中，我们表明，所提出的用于选择平滑参数的数据驱动方法比其他可用方法产生更低的经验均方误差，例如，交叉验证
2013-06-19 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
Guidelines for estimating causal effects in pragmatic randomized trials
实用的随机试验旨在为临床决策提供证据，而不是监管批准。这些试验的共同特征包括在广泛的护理环境中纳入异质性或多样化的患者人群，使用活性治疗策略作为对照药物，揭盲治疗分配以及研究长期临床相关结局。这些功能可以大大提高试验结果对患者、临床医生和其他利益相关者的有用性。然而，这些特征也会增加不依从性的风险，从而降低了意向治疗效应作为以患者为中心的因果效应指标的价值。在这些情况下，符合协议的效果提供了有用的补充信息，决策。不幸的是，几乎没有指导有效估计的符合协议的影响。在这里，我们提出了我们的完整的指导方针，分析务实的试验，将导致更多的信息因果推断的意向治疗效果和每协议的影响。
2019-11-19 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
Estimating Treatment Effects with Missings Not At Random in the Estimand Framework using Causal Inference
本文针对随机对照试验中非随机缺失问题，利用有向无环图和潜在响应变量建模缺失过程，提出无需填补即可无偏估计治疗效应的新方法，并证明平均条件对数优势比在充分调整混杂因素下对MNAR具有稳健性。
2025-11-08 stat.ME
Estimating network-mediated causal effects via principal components network regression
提出主成分网络回归方法，将社交网络上的因果效应分解为网络介导的间接效应与独立直接效应，假设潜在社会群体为中介，证明渐近理论并指出现有方法存在过度控制偏差，适用于多种结构化数据。
2025-03-06 stat.ME
Instrumental Variable Estimation of Distributional Causal Effects
本文提出基于工具变量的分布因果效应识别与估计方法，引入分布IV模型并构造非参数估计量DIVE，用于估计二值处理下的干预累积分布函数，并通过模拟和真实数据验证其有效性。
2024-08-06 stat.ME
Causal rule ensemble method for estimating heterogeneous treatment effect with consideration of main effects
本研究提出基于RuleFit和S-learner的因果规则集成框架，通过引入主效应和处理效应规则项实现可解释的异质性处理效应估计，数值模拟和实际数据验证了其性能与解释性。
2023-07-27 stat.ME
Identifying and Estimating Principal Causal Effects in Multi-site Trials
随机试验通常在多个地点进行单独的随机化，如学校，投票区或医院。这些网站可能在重要方面有所不同，包括网站的实现，当地条件和个人的组成。实践中的一个重要问题是，研究人员是否以及在什么样的假设下可以利用这种跨站点的变化来了解更多关于干预的信息。我们在主要分层框架中解决这些问题，该框架描述了由治疗后数量定义的亚组的因果效应。我们表明，研究人员可以通过多站点设计估计某些主要的因果效应，如果他们愿意施加强有力的假设，即站点特定的影响是不相关的，与站点特定分布的阶层成员。我们激励这种方法与早期大学高中倡议，一个独特的中学教育计划，以提高高中毕业率和大学入学率的目标多地点试验。我们的分析证实了以前的研究表明，该倡议有积极的影响，否则谁会参加一个低质量的高中的学生，虽然权力是有限的。
2018-03-16 stat.ME
A Unified Approach for Estimating Various Treatment Effects in Causal Inference
本文提出一种基于统计泛函和累积分布函数的统一估计器，可估计多种处理效应（如ATE和QTE），兼顾变量选择，理论性质完备，数值实验显示其优于现有方法。
2025-03-28 stat.ME
Non-parametric causal effects based on longitudinal modified treatment policies
大多数因果推断方法在确定性地设定治疗的干预下考虑反事实变量。对于连续或多值的处理或暴露，这种反事实可能没有什么实际意义，因为没有可行的干预措施可以实现它们。此外，违反积极性假设，必要的识别，加剧了连续和多值的治疗和确定性干预。在本文中，我们提出了纵向修改的治疗政策（LMTPs）作为一个非参数的替代方案。LMTP可以设计为保证正性，并产生直接实际相关的效果，其解释为线性回归调整的常规用户所熟悉。我们研究了LMTP参数的识别，研究了统计估计的性质，如有效影响函数，并提出了四种不同的估计。我们的两个估计是有效的，一个是连续的双重强大的意义上说，它是一致的，如果在每个时间点，无论是结果回归或治疗机制是一致的估计。我们进行了模拟研究，以说明估计的属性，并提出了我们的动机研究的结果，低氧血症和死亡率在重症监护病房（ICU）的病人。实现我们方法的软件以开源\texttt{R}包\texttt{lmtp}的形式提供，可在GitHub（\url{https://github.com/nt-williams/lmtp}）上免费获得。
2021-07-06 stat.ME
A longitudinal Bayesian framework for estimating causal dose-response relationships
King’s College London（伦敦国王学院）；University of Toronto（多伦多大学）；Technical University of Munich（慕尼黑工业大学）；Imperial College London（帝国理工学院）
提出一种可扩展的非参数贝叶斯框架，通过广义倾向得分处理时变混杂，估计连续暴露下的边际纵向因果剂量-反应函数，并应用于地铁客流量与COVID-19病例数的因果分析。
2026-10-14 stat.AP stat.ME
From controlled to undisciplined data: estimating causal effects in the era of data science using a potential outcome framework
本文讨论了因果推断的基本原则-统计学领域，估计特定事件，治疗，干预和暴露对实验和观察数据的给定结果的影响。我们解释了识别因果效应所需的关键假设，并强调了与使用观测数据相关的挑战。我们强调，实验思维是至关重要的因果推断。数据的质量（不一定是数量）、研究设计、假设的满足程度以及统计分析的严谨性使我们能够合理地推断因果效应。尽管我们提倡利用大数据和机器学习（ML）算法来估计因果效应，但它们不能替代深思熟虑的研究设计。概念通过例子来说明。
2020-12-12 stat.AP stat.ME
Estimating Complier Average Causal Effects with Mixtures of Experts
针对治疗不依从问题，提出基于专家混合架构的CACE估计框架，放宽工具变量假设，证明可识别性与估计量性质，模拟和实际数据验证其优势。
2025-06-24 stat.ME
Instrumental variable approaches for estimating complier average causal effects on bivariate outcomes in randomised trials with non-compliance
在随机对照试验（RCT）中，治疗不依从的情况下，使用工具变量方法来估计复杂的平均因果效应。我们将这些方法扩展到成本效益分析，其中方法需要认识到成本和健康结果之间的相关性。我们提出了一个贝叶斯全似然（BFL）的方法，它联合模型的随机分配对接受的治疗和结果的影响，和一个三阶段的最小二乘法（3SLS）的方法，它承认之间的相关性的终点，和接受的治疗的endointerval。本研究的动机是REFLUX研究，该研究证实了RCT和常规实践之间依从性差异的设置。通过仿真比较了这些方法的性能。我们发现，未能正确建模的结果和接受的治疗之间的相关性可能会导致不良的CI覆盖率和有偏估计。相比之下，BFL和3sls方法提供了具有良好覆盖率的无偏估计。
2016-12-01 stat.ME
On estimating causal controlled direct and mediator effects for count outcomes without assuming sequential ignorability
因果中介分析是社会和医学研究中的一种重要统计方法，因为它可以提供关于干预措施为何有效的见解，并为未来干预措施的发展提供信息。目前，大多数因果调解方法集中在平均尺度上定义的调解效果。然而，在健康风险研究中，如酒精或危险性行为，结果通常是计数数据和严重倾斜。因此，在这些设置中的中介效应在率比尺度上是自然的，例如在泊松和负二项回归方法中。现有的方法也主要依赖于假设没有不可测量的中介和结果之间的混杂。为了允许潜在的混杂因素之间的中介和结果，我们定义了一个新的规模上的直接和中介的影响，并提出了一个乘法结构平均模型的中介分析计数结果。估计量进行了比较，泊松和负二项回归方法，假设连续可扩展性使用模拟研究和现实世界的例子，酒精相关的干预研究。使用新方法的中介分析证实了研究假设，即干预通过减少个体对酒精使用的规范性认知来减少饮酒。
2016-01-25 stat.ME
Autoregressive models for panel data causal inference with application to state-level opioid policies
本文提出基于自回归模型的因果推断方法，用于评估州级阿片类药物政策（PDMPs、NALs、医用大麻法）的效果，并通过模拟验证其优于现有方法。
2025-10-15 stat.AP stat.ME
Assessing the Causal Impact of COVID-19 Related Policies on Outbreak Dynamics: A Case Study in the US
University of Virginia（弗吉尼亚大学）；Global Infectious Disease Institute, University of Virginia（弗吉尼亚大学全球传染病研究所）
为减缓COVID-19疫情的蔓延，决策者及公共当局已宣布多项非医药政策。分析这些政策对减少COVID-19传播的因果影响对未来政策制定至关重要。这里的主要挑战是存在未观察到的混杂因素（例如，居民的警惕）。此外，由于混杂因素在COVID-19期间可能随时间变化（例如，由于疫情期间居民的警觉性有所改变），要捕捉他们就更难了。在本文中，我们研究了评估不同COVID-19相关政策对任何给定时间段不同县疫情动态的因果影响的问题。为此，我们整合了美国不同县的不同COVID-19相关政策（治疗）和疫情动态（结果）的数据，并分析了可以推断混杂因素的变量，包括不同县的协变量，其相关信息和历史信息。基于这些数据，我们开发了一个基于神经网络的因果效应估计框架，该框架利用观察数据中的上述信息，并学习时变（未观察到的）混杂因素的表示。通过这种方式，它使我们能够量化不同粒度的政策的因果影响，从具有特定目标的一类政策到该类别中的特定政策类型。此外，实验结果也表明，我们提出的框架在捕获混淆因素量化不同政策的因果影响的有效性。更具体地说，与几种基线方法相比，我们的框架更准确地捕捉了疫情动态，我们对政策的评估与现有的COVID-19流行病学研究更一致。
2021-05-29 cs.CY cs.LG stat.ME
Estimating Causal Effects with Hidden Confounding using Instrumental Variables and Environments
针对隐藏混杂下的因果效应估计问题，将Causal Dantzig推导为广义矩估计形式，提出可用于连续环境的GCD及GCD-TSLS混合估计器，实验证明其性能优于现有经典方法。
2023-11-09 stat.ME
Incremental causal effects
采取行动需要因果证据，而证据往往足以指向行动效果的方向。例如，政策制定者可能有兴趣估计略微增加税收对整个人口的私人支出的影响。我们研究因果效应的可识别性和估计，其中连续治疗在整个人群中略有变化（称为平均部分效应或增量因果效应）。我们发现，增量效应下的本地可互换性和局部重叠的假设，其中交换和积极性只在附近的单位。在这些假设下，未确定平均处理效应。在这种情况下，并且在平滑条件下，可以经由平均导数来估计增量效应。此外，我们证明，在某些有限样本的观察设置，估计增量效应比估计平均处理效应的渐近方差。对于高维设置，我们开发了一个简单的功能转换，允许双重稳健估计和增量因果效应的推断。最后，我们比较的增量处理效果和平均处理效应的实验中，包括数据启发的模拟估计的行为。
2020-08-07 stat.ME
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
Frameworks for Estimating Causal Effects in Observational Settings: Comparing Confounder Adjustment and Instrumental Variables
本文提出在假设可能违背时比较混杂因素调整与工具变量估计的原则，并通过多奈哌齐治疗 MCI 的实例说明方法选择。
2023-04-28 stat.ME
Estimating the effect of joint interventions from observational data in sparse high-dimensional settings
我们考虑从观测数据中估计联合因果效应。特别是，我们提出了新的方法来估计多个同时干预的效果（例如，多基因敲除），假设观测数据来自具有独立误差的未知线性结构方程模型。我们推导出我们的估计渐近方差时，基本的因果结构是部分已知的，以及高维一致性时，因果结构是完全未知的，联合分布是多元高斯。我们还提出了一个概括我们的方法的类nonparanormal分布。我们在模拟研究中评估了估计量，并在DREAM4挑战的数据上说明了它们。
2016-03-10 stat.ME
Estimating Causal Effects With Partial Covariates For Clinical Interpretability
University of Basel（巴塞尔大学）
在诸如医学的应用中，在存在混杂的情况下估计干预的因果效应是经常发生的问题。这项任务是具有挑战性的，因为可能有多个混杂因素，其中一些可能会丢失，并且必须从高维噪声测量中进行推断。在本文中，我们提出了一个决策理论的方法来估计因果影响的干预措施，其中一个子集的协变量是不可用的一些患者在测试过程中。我们的方法使用的信息瓶颈原则进行离散的，低维的协变量数据的充分减少，以估计分布的混杂因素。在这样做时，我们可以估计干预措施的因果效应，其中只有部分协变量信息可用。我们在因果推断基准和治疗败血症的实际应用上的结果表明，我们的方法实现了最先进的性能，而不牺牲可解释性。
2018-11-26 cs.AI stat.ME
Estimating complex causal effects from incomplete observational data
University of Jyväskylä（于韦斯屈莱大学）
尽管因果建模取得了重大进展，因果关系仍然是许多统计学家不熟悉的话题。在本文中，它是从开始到结束演示如何因果效应可以估计从观测数据假设的因果结构是已知的。为了使问题更具挑战性，因果效应是高度非线性的，数据是随机随机缺失的。估计中使用的工具包括设计因果模型、因果演算、多重插补和广义可加模型。主要的信息是，一个训练有素的统计学家可以通过明智地结合现有的工具来估计因果效应。
2014-07-02 cs.LG math.ST stat.ME
Identification and Estimation of Causal Effects with Confounders Missing Not at Random
本文在混杂因素非随机缺失且缺失性与处理无关的假设下，建立了因果效应的可识别性，并提出加权估计方程方法及三种平均因果效应估计量，通过模拟和实际数据验证其有效性。
2023-10-30 stat.ME
Estimating causal effects in the presence of competing events using regression standardisation with the Stata command standsurv
当对事件发生时间结局感兴趣时，可能存在阻止感兴趣事件发生的竞争事件。在存在竞争性事件的情况下，建议使用各种统计估计量来定义治疗对关注事件的因果影响。根据被估量的不同，竞争事件要么被容纳，要么被消除，从而导致具有不同解释的因果效应。前一种方法捕获治疗对感兴趣事件的总体影响，而后一种方法捕获治疗对感兴趣事件的直接影响，其不受竞争事件的介导。对于处理效应可通过不同因果途径分为对关注事件的效应和对竞争事件的效应的情况，也定义了可分离效应。我们概述了可能感兴趣的竞争事件的存在下，包括总的，直接的和可分离的影响，各种因果关系的影响，并描述了如何获得估计使用回归标准化与Stata命令standsurv。回归标准化通过在拟合生存模型后获得研究人群中所有个体的个体估计值的平均值来应用。使用standsurv可以计算几个感兴趣的对比度，包括差异，比率和其他用户定义的函数。置信区间也可使用delta方法获得。在整个过程中，我们使用一个例子来分析一个公开的前列腺癌数据集，以允许读者复制分析，并进一步探索感兴趣的不同影响。
2021-09-08 stat.ME
Hypothetical Treatment Accelerations: Estimating Causal Effects of Kidney Transplants from Observational Data
终末期肾病患者在接受移植前可能要等待数年，而他们的健康状况一直在恶化。如果我们设法减少这些等待时间，生存率会有什么变化？为了提供一个答案，我们提出了一个连续时间边际结构模型（MSM）的假设情况下，直到治疗的时间是改变的。在这些情况下，治疗过程是在假设的时间尺度上定义的，其中时间以与实际观察到的时间相比不同的速率流逝。改变处理过程的时间对应于改变联合概率分布，从而使得使用先前开发的方法从观察数据中识别和估计假设参数成为可能。我们使用来自挪威老年肾衰竭患者队列的观察数据证明了这种治疗加速的MSM。该模型可能有助于卫生当局评估减少特定患者群体器官移植等待时间的影响。
2022-07-16 stat.ME
A Note on the Estimation Method of Intervention Effects based on Statistical Decision Theory
本文利用结构方程模型和因果图，讨论了统计因果分析中的干预效果估计问题。干预效果被定义为当因果变量$X$通过外部操作被固定为特定值时对响应变量$Y$的因果效果，并且基于因果图被定义。干预效果被定义为因果图中概率分布的函数，然而，通常这些概率分布是未知的，因此需要根据数据来估计它们。换句话说，使用因果图估计干预效果的步骤如下：1.从数据中估计因果关系图，2。根据数据估计因果图中的概率分布。计算干预效果。然而，如果在统计决策论的框架内对干预效果进行估计，那么用这种方法进行的估计就不一定是最优的。在这项研究中，我们制定了两种情况下的干预效果的估计问题，情况下的因果图是已知的情况下，它是未知的情况下，在统计决策论的框架，并推导出贝叶斯准则下的最优决策方法。我们通过数值模拟表明所提出的方法的有效性。
2019-01-16 stat.ME
Causal Inference for Unobservable Multivariate Outcomes, with Applications to Brain Effective Connectivity
Brown University（布朗大学）
本文提出方法用于评估干预对多变量结果的因果效应，通过样本分割和逆概率加权处理大脑区域间方向性关系的估计问题，验证了方法在控制假阳性率和家族错误率方面的有效性。
2026-04-01 stat.ME
Estimating Heterogeneous Treatment Effects for Spatio-Temporal Causal Inference
University of Florida（佛罗里达大学）；Harvard University（哈佛大学）；Dartmouth College（达特茅斯学院）
该研究针对时空因果推断的空间溢出和时间延续问题，提出Hajek型CATE估计量及相关检验，通过模拟验证性能，并应用于美国空袭对伊拉克叛乱暴力影响的分析，发现与反叛乱理论预期相反的结果。
2026-08-05 stat.ME
On the use of auxiliary variables in multiple imputation when estimating the average causal effect with missing data
Murdoch Children’s Research Institute（默多克儿童研究所）；University of Melbourne（墨尔本大学）
研究在缺失数据下使用多重插补估计平均因果效应时，辅助变量（中介与非中介）对识别性和偏差的影响，提出正确区分变量类型并采用兼容灵活的多重插补方法以避免偏倚。
2026-06-23 stat.ME
On the Validity of Covariate Adjustment for Estimating Causal Effects
Harvard School of Public Health（哈佛公共卫生学院）
从观察数据和因果假设中识别行为（治疗）对结果变量的影响是因果推断中的一个基本问题。由于存在可能与治疗和结局变量相关的混杂因素，这种识别变得困难。在理论和实践中，混杂因素通常通过调整协变量来处理，换句话说，考虑以治疗和协变量值为条件的结局，通过观察这些协变量值的概率进行加权。本文给出了协变量调整的一个完备的图形准则，我们称之为调整准则，并由此准则的完备性得到了一些有趣的推论。
2012-03-15 cs.AI stat.ME
Estimating Causal Effects with the Neural Autoregressive Density Estimator
Technical University of Denmark（丹麦技术大学）
在潜在系统将受到积极干预的情况下，因果效应的估计是基本的。构建因果推断引擎的一部分是定义变量如何相互关联，也就是说，定义给定条件依赖关系的变量之间的函数关系。在本文中，我们偏离因果模型中的线性关系的共同假设，利用神经自回归密度估计，并使用它们来估计因果关系的珍珠做演算框架内。使用合成数据，我们表明，该方法可以检索因果关系的影响，从非线性系统，而不明确建模的变量之间的相互作用。
2021-03-01 cs.AI cs.LG stat.ME
Generalization bound for estimating causal effects from observational network data
Guangdong University of Technology（广东工业大学）；Shantou University（汕头大学）
针对观测网络数据因果效应估计缺乏泛化界分析的问题，本文结合联合倾向得分重加权与IPM表示学习推导出泛化界，并据此提出加权回归方法，在真实网络半合成数据上验证了有效性。
2023-08-08 cs.LG stat.ME
Estimating heterogeneous treatment effects with right-censored data via causal survival forests
Zhejiang University（浙江大学）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Stanford University（斯坦福大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
基于森林的方法最近在非参数处理效应估计中得到普及。在这一工作的基础上，我们引入了因果生存森林，它可用于估计异质性处理效应的生存和观察设置的结果可能是右删失。我们的方法依赖于正交估计方程，以鲁棒地调整下unconfoundness的删失和选择效果。在我们的实验中，我们发现我们的方法相对于一些基线表现良好。
2023-02-28 cs.LG stat.ME stat.ML
Inverting estimating equations for causal inference on quantiles
针对因果推断多聚焦均值、分位数信息利用不足的问题，提出基于逆估计方程的统一框架，将均值因果推断方法推广至分位数，推导了有效影响函数与估计量渐近性质，可复用现有均值因果推断结论拓展分位数因果分析。
2024-08-14 math.ST stat.ME stat.ML
Estimating Causal Effects of Discrete and Continuous Treatments with Binary Instruments
MIT（麻省理工学院）；U of Bristol（布里斯托大学）；U of Michigan（密歇根大学）；CESifo（CESifo研究所）
提出基于局部copula的工具变量框架，通过恒定局部依赖性假设识别离散和连续治疗的因果效应，并应用于睡眠对幸福感的影响估计。
2026-09-09 econ.EM stat.ME
Bounding, an accessible method for estimating principal causal effects, examined and explained
估计由治疗后行为定义的亚组的处理效应（即，在主要分层框架中估计因果效应）在技术上可能具有挑战性，并且严重依赖于强有力的假设。我们研究了另一种途径：使用边界来确定与数据一致的可能影响范围。这种简单的方法依赖较少的假设，但可以得出与政策相关的结论。正如我们所展示的，协变量可以直接用于大幅收紧边界。通过模拟，我们证明了哪些类型的协变量是最有益的。最后，我们分析了早期大学高中的多地点实验研究。当检查该计划的学生完成九年级的影响“上轨道”的大学，我们发现ECHS的学生，否则谁会参加一个高质量的高中影响不大，但对于那些谁不会有实质性的影响。这表明，在主要由质量较低的学校提供服务的地区扩大这些方案有潜在的好处。
2017-08-16 stat.AP stat.ME
Estimating Heterogeneous Causal Mediation Effects with Bayesian Decision Tree Ensembles
因果推断文献越来越多地认识到，明确针对处理效应异质性可以提高科学认识和政策建议。为了达到同样的目的，研究治疗与结果之间的因果关系也是有用的。本文将在\emph{causal mediation analysis}的背景下解决这些问题。我们引入了一个基于贝叶斯加性回归树的变系数模型来识别和规范异质因果中介效应;类似于线性结构方程模型，这些效应对应于系数的协变量依赖性产物。我们发现，即使在协变量很少的大型数据集上，LSEM也可以对条件平均直接和间接效应产生高度不稳定的估计，而我们的\emph{Bayesian causal mediation forests}模型产生稳定的估计。我们发现，我们的方法是保守的，效果估计“缩小到同质性。我们使用来自医疗支出面板调查的数据和基于模拟数据的数据来检查我们方法的显著特性。最后，我们展示了如何将我们的模型与后验总结策略相结合，以识别有趣的子群并解释模型拟合。
2023-03-02 stat.AP stat.ME
Local Causal Discovery for Estimating Causal Effects
Carnegie Mellon University（卡内基梅隆大学）
本文提出局部因果发现算法 LDECC，通过非屏蔽碰撞子定向处理变量父节点，以估计可能的 ATE 集合，并在计算效率和忠实性假设上与现有方法形成互补。
2024-04-10 cs.LG stat.ME
Efficient least squares for estimating total effects under linearity and causal sufficiency
递归线性结构方程模型被广泛用于假设观测数据背后的因果机制。在这些模型中，每个变量等于剩余变量的子集加上误差项的线性组合。当不存在未观察到的混杂或选择偏倚时，假设误差项是独立的。我们考虑在这种情况下估计总的因果效应。因果结构被假定为已知的最大定向部分有向无环图（MPDAG），一般类的图形，可以表示马尔可夫等价类的有向无圈图（DAG）与添加的背景知识。我们提出了一个简单的估计基于递归最小二乘法，它可以一致地估计任何确定的总的因果效应，在点或联合干预。我们表明，这种估计是最有效的所有定期估计的基础上的样本协方差，其中包括协变量调整和估计采用联合IDA算法。值得注意的是，我们的结果在没有假设高斯误差的情况下成立。
2022-03-17 math.ST stat.ME stat.TH
The Amenability Framework: Rethinking Causal Ordering Without Estimating Causal Effects
本文提出基于可干预性的概念框架，证明在无法估计因果效应时，可使用预测得分作为个体干预倾向的有效代理进行排序，在资源受限环境中实现更稳健的干预优先级排序。
2025-04-04 cs.LG stat.ME
Estimating the Effects of Heatwaves on Health: A Causal Inference Framework
本文提出了一种因果推断框架，通过合成控制和空间增强贝叶斯合成控制方法，估计热浪对健康的影响，提供空间一致且稳健的因果估计。
2025-12-12 stat.AP stat.ME
Estimating the average causal effect of intervention in continuous variables using machine learning
NTT DATA Mathematical Systems Inc.（NTT数据数学系统公司）
最广泛讨论的估计平均因果效应/平均处理效应的方法是离散二元变量的干预方法，其值代表干预/非干预组。另一方面，用于干预独立于数据生成模型的连续变量的方法尚未开发。在这项研究中，我们给出了一种方法来估计平均因果效应的干预连续变量，可以应用于任何生成模型的数据，只要因果效应是可识别的。该方法不依赖于机器学习算法，并保持了数据的可识别性。
2022-03-16 cs.LG stat.ML
Estimating large causal polytrees from small samples
Indian Institute of Technology, Hyderabad（印度理工学院海得拉巴分校）
针对变量数远多于样本量的场景（如基因调控网络），提出一种仅需温和非退化条件、无需强分布或建模假设的算法，可从小样本高精度估计大型因果多叉树结构。
2024-08-17 cs.LG math.PR math.ST
