Causal Inference for Quantile Treatment Effects
对环境现象的分析通常涉及了解不可能发生的事件，如洪水、热浪、干旱或高浓度污染物。然而，大多数的因果推断文献都集中在建模手段，而不是（可能是高）分位数。我们定义了一个总体分位数治疗（或暴露）效应（QTE）的一般估计量--加权QTE（WQTE）--其中总体QTE是一个特例，以及一个包含倾向得分的一般平衡权重类。所提出的WQTE估计的渐近性质。我们进一步提出并比较了倾向得分回归和两种加权方法的基础上，这些平衡权重，以了解因果关系的影响，暴露的分位数，允许暴露是二进制的，离散的或连续的。在模拟中研究了这三种估计的有限样本行为。所提出的方法被施加到巴伐利亚多瑙河流域的数据，估计95%的QTE的磷在河流中的铜浓度。
2021-09-08 stat.AP stat.ME
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
Causal Discovery via Transformed Low-Rank Quantile Surfaces
Shiga University（滋贺大学）；RIKEN AIP（理化学研究所人工智能研究中心）；The University of Osaka（大阪大学）
提出低秩分位数曲面模型，通过非参数拟合实现因果方向识别，在分布形状超出位置-尺度假设时表现优异。
2026-10-22 cs.AI cs.LG stat.ME
Distinguishing Cause from Effect Using Quantiles: Bivariate Quantile Causal Discovery
使用观察数据进行因果推断是具有挑战性的，特别是在双变量的情况下。通过最小描述长度原则，我们将原因和结果的产生机制之间的独立性假设与分位数回归联系起来。基于这一理论，我们发展了双变量分位数因果发现（bQCD），一种新的方法来区分因果关系假设没有混杂，选择偏差或反馈。因为它使用多个分位数水平而不是仅使用条件均值，bQCD不仅适用于加法，而且适用于乘法甚至位置尺度生成机制。为了说明我们的方法的有效性，我们对合成数据集和真实数据集进行了广泛的实证比较。这项研究表明，bQCD在该方法的不同实现中是鲁棒的（即，分位数回归），计算效率高，并且与现有技术的方法相比是有利的。
2020-08-14 stat.ML
Nonparametric efficient inference for network quantile causal effects under partial interference
Washington University in St. Louis（圣路易斯华盛顿大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文研究了在部分干扰下网络分位数因果效应的非参数高效推断方法，提出了一种非参数高效估计器，具有参数一致性且允许灵活的数据自适应估计复杂 nuisance 函数。
2026-04-14 stat.AP stat.ME stat.ML
Quantile-based causal inference for spatio-temporal processes: Assessing the impacts of wildfires on US air quality
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；University of Edinburgh（爱丁堡大学）
本文提出基于分位数的QLSCM模型，用于分析野火对空气质量的因果影响，揭示了不同地区和污染水平下的异质效应，为环境政策提供决策依据。
2025-12-18 stat.AP
Causal Effect Identification and Inference with Endogenous Exposures and a Light-tailed Error
针对内生性导致的因果推断挑战，本文提出基于轻尾误差假设的极端条件分位数识别方法，无需额外参数假设或辅助变量，结合极端分位数回归估计因果效应，经模拟和汽车销售数据分析验证有效性。
2025-08-24 stat.ME
Robust Uniform Inference for Quantile Treatment Effects in Regression Discontinuity Designs
在回归不连续性和扭结设计中，对因果效应的大带宽具有鲁棒性的推断的实际重要性得到了广泛的认可。现有的强大的方法涵盖了许多情况下，但不处理统一的模糊设计的CDF和分位数过程的推理，尽管它在最近的文献中使用的实证微观经济学。在这方面，本文扩展了文献，通过开发一个统一的框架，推理与鲁棒性对大带宽，适用于统一推理的分位数处理效应在模糊设计，以及所有其他情况下的尖锐/模糊均值/分位数回归不连续性/扭结设计。我们提出了蒙特卡罗模拟研究和经验应用俄克拉荷马州前K计划的评价。
2019-02-23 stat.ME
Distributional synthetic controls
本文扩展了广泛使用的综合控制估计评估的因果影响的政策变化的分位数函数。所提出的方法提供了一个几何上忠实的估计整个反事实分位数函数的治疗单位。它的吸引力源于通过受约束的分位数对分位数回归的有效实现。这构成了独立利益的新概念。该方法提供了一个独特的反事实分位数函数在任何情况下：连续，离散或混合分布。它在重复的横截面和面板数据中运行，仅需一个预处理期。文章还提供了抽象的识别结果，表明任何合成控制方法，经典或我们的推广，提供了正确的反事实的因果模型，保持结果分布之间的距离。使用整个分位数函数而不是聚合值可以测试反事实分布和观察分布的相等性和随机优势。它可以提供标准结果的因果推断，如平均或分位数处理效应，但也可以提供更一般的概念，如反事实洛伦兹曲线或四分位数间距。
2021-12-30 econ.EM stat.ME
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
Advancing Counterfactual Inference through Nonlinear Quantile Regression
Carnegie Mellon University（卡内基梅隆大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；The University of Sydney（悉尼大学）
本文将反事实推断重构为扩展的非线性分位数回归问题，提出神经网络与双层优化框架，仅依赖观测数据和定性因果结构即可推断反事实结果，并给出泛化误差上界及优于现有方法的实证结果。
2024-02-28 cs.LG stat.ME
Efficient Estimation of Quantiles in Missing Data Models
提出了半参数缺失数据模型中分位数的一种新的目标极大似然估计。在正则条件下，我们提出的估计是局部有效的，$\sqrt{n}$ -相容的，渐近正态的，并且是双稳健的.我们使用蒙特卡罗模拟比较我们提出的方法，现有的估计。TMLE优于所有竞争者，相对效率比逆概率加权估计（IPW）小三倍，比增强的IPW小两倍。本研究的动机是一个因果推断的研究问题，具有高度可变的治疗分配概率，和一个重尾，高度可变的结果。在这种情况下，估计因果效应的平均值是一个很难的问题，因为信息范围通常很小。在我们的应用中，估计对平均值的影响的效率界可能是无限的。这排除了$\sqrt{n}$一致性推断，并降低了检验平均值无处理效应假设的把握度。在我们的模拟中，使用对中位数的影响使我们能够以30%以上的功率来测试位置偏移假设。这使我们能够对治疗的有效性做出声明，而这些声明很难对平均值产生影响。我们提供R代码来实现所提出的估计。
2016-08-20 stat.ME
A Bayesian Semiparametric Method For Estimating Causal Quantile Effects
标准因果推断通过平均值表征处理效应，但反事实分布不仅在集中趋势上不同，而且在分布和形状上也不同。为了提供对处理效应的综合评价，我们着重于估计分位数处理效应（QTE）。现有的反演累积分布函数的非光滑估计的方法禁止对概率密度函数（PDF）进行推断，但是PDF可以揭示反事实分布的更细微的特征。我们采用半参数条件分布回归模型，允许推断任何泛函的反事实分布，包括PDF和多个QTE。为了说明数据的观察性质并确保模型的有效性，我们调整了双重平衡得分，该得分增加了单个协变量的倾向得分。我们提供了一个贝叶斯估计框架，适当地传播建模的不确定性。我们通过模拟表明，使用双平衡分数的混杂调整提高了性能，调整任何单一的分数，和建议的半参数模型估计QTE比其他半参数方法更准确。我们将所提出的方法应用于北卡罗来纳州的出生体重数据集，以分析母亲吸烟对婴儿出生体重的影响。
2022-11-03 stat.CO stat.ME stat.ML
Causal Discovery via Quantile Partial Effect
Shanghai Key Laboratory of Trustworthy Computing, East China Normal University（华东师范大学上海市可信计算重点实验室）
本文提出分位数偏效应(QPE)作为因果发现的统计量，证明在有限线性空间假设下，因果方向可从观测分布中识别，扩展了传统因果模型的可识别性结果，并通过基函数测试区分因果方向，验证了Fisher信息在多变量因果发现中的有效性。
2026-04-04 cs.LG stat.ML
Generative Causal Inference
开发了用于因果推断的生成式贝叶斯计算方法，通过监督学习替代MCMC，并利用Quantile ReLU网络和高维分位数回归学习非线性传输映射，以处理非线性和异质性。
2024-12-23 stat.ME
Estimation and Inference of Extremal Quantile Treatment Effects for Heavy-Tailed Distributions
本文针对重尾结局变量提出基于渐近尾部近似和因果Hill估计量的极值分位数处理效应估计方法，建立了渐近正态性与一致方差估计，并通过模拟和大学教育对工资影响的实证分析验证了方法的有效性。
2023-07-05 math.ST stat.ME stat.TH
Survey calibration for causal inference: a simple method to balance covariate distributions
本文提出一种基于校准估计量理论的简单方法，可平衡协变量的任意分位数与均值，无需分布假设，能有效估计多种因果效应，还可推广至其他设计与方法，并提供开源实现。
2024-03-12 econ.EM stat.ME
A Data Fusion Method for Quantile Treatment Effects
针对含未测量混杂的大型辅助数据与完全观测的小型验证数据，本文提出基于双稳健估计函数的FQTE融合估计量，证明其渐近正态且更有效，并通过模拟和应用验证。
2023-07-16 stat.ME
A Bayesian Nonparametric Causal Model for Regression Discontinuity Designs
对于非随机化研究，在相对温和的条件下，回归不连续设计（RDD）可用于识别和估计“局部随机化”受试者亚组的因果效应。然而，当前模型通过线性回归将因果推断集中在治疗（与非治疗）变量对因变量均值的影响上。对于RDD，我们提出了一个灵活的贝叶斯非参数回归模型，可以提供准确的估计因果关系的影响，在预测均值，方差，分位数，概率密度，分布函数，或任何其他选择的功能的结果变量。我们通过两个真实的教育数据集的分析来说明该模型，涉及（分别）一个清晰的RDD和一个模糊的RDD。
2015-02-11 stat.ME
Causality and extremes
该研究总结极值因果推断的前沿方法，介绍分位数处理效应的极值方法、两类极值因果结构的可识别性及相关因果结构学习，并用Seine network数据集验证实用性，指明未来研究方向。
2024-03-08 stat.ME
Heterogeneous Quantile Treatment Effect Estimation for Longitudinal Data with High-Dimensional Confounding-v2
East China Normal University（华东师范大学）；The Chinese University of Hong Kong（香港中文大学）；Eli Lilly and Company（礼来公司）
本文针对高维混杂下纵向数据的异质性分位数处理效应估算难题，提出结合卷积平滑分位数回归与正交随机森林的框架，通过模拟验证性能并将其应用于非小细胞肺癌研究。
2026-09-01 stat.ME
A Location-Invariant Estimator of Extremal Quantile Treatment Effects for Heavy-Tailed Distributions
Huazhong University of Science and Technology（华中科技大学）；Tencent（腾讯）
针对重尾分布极值QTE估计量的位置偏移不不变问题，通过适配位置不变EVI估计量并替换外推方案，提出位置不变的极值QTE估计量，经模拟验证其性质良好。
2026-09-07 cs.LG stat.AP stat.ME
The Causal Impact of Credit Lines on Spending Distributions
City University of Hong Kong（香港城市大学）；Xi’an Jiaotong Liverpool University（西安交通利物浦大学）；Renmin University of China（中国人民大学）；JD Digits（京东数字科技）
针对传统因果估计量忽略消费分布特征的问题，本文提出分布值估计量框架，扩展三类经典估计量并验证一致性，实证发现信用额度正向影响各分位消费且对高端消费拉动更强。
2023-12-16 cs.AI q-fin.GN stat.ME
Quantile Treatment Effects in High Dimensional Panel Data
针对高维面板数据中仅少数单元受干预的场景，将广义合成控制方法拓展为分位数处理效应估计方法，建立了渐近性质与bootstrap推断程序，经模拟和2008年中国刺激计划实证验证有效。
2025-06-18 econ.EM stat.AP stat.ME
Interpreting Quantile Independence
人们应该如何评估比统计独立性弱的假设的可信度，比如分位数独立性？在确定治疗变量的因果效应的背景下，我们认为，这种偏差应该选择的基础上，他们允许的不可观测的选择形式。对于分位数独立性，我们描述了这种形式的治疗选择。具体来说，我们表明，分位数的独立性是相当于一个约束的平均值的潜在倾向得分（二进制治疗）或CDF的治疗不可观测（连续治疗）。在这两种情况下，该平均值约束需要一种非单调处理选择。利用这些结果，我们表明，几种常见的治疗选择模型是不相容的分位数独立。我们引入了一类假设，通过去除平均值约束来削弱分位数独立性，因此允许单调处理选择。在二元治疗的潜在结果模型中，我们在两类假设下推导出ATT和QTT的识别集。在一个数值例子中，我们表明，固有的分位数独立的平均值约束有很大的识别能力。我们的研究结果表明，研究人员应该仔细考虑这种非单调性属性的可信度时，使用分位数的独立性，以削弱完全的独立性。
2018-04-29 econ.EM stat.ME
Localized Debiased Machine Learning: Efficient Inference on Quantile Treatment Effects and Beyond
Cornell University（康奈尔大学）；Tsinghua University（清华大学）
我们考虑估计一个低维参数的估计方程，涉及高维滋扰，取决于参数。一个重要的例子是因果推断中（局部）分位数处理效应（（L）QTE）的有效估计方程，其中涉及在待估计分位数处评估的协变量条件累积分布函数。去偏机器学习（DML）是一种使用灵活的机器学习方法来估计高维干扰的数据分割方法，但将其应用于参数依赖干扰的问题是不切实际的。对于（L）QTE，DML要求我们学习整个协变量条件累积分布函数。相反，我们提出了本地化的去偏机器学习（LDML），它避免了这个繁琐的步骤，只需要估计滋扰在一个单一的初始粗略猜测的参数。对于（L）QTE，LDML只涉及学习两个回归函数，这是机器学习方法的标准任务。我们证明了在宽松率条件下，我们的估计具有相同的有利渐近行为的不可行估计，使用未知的真实滋扰。因此，LDML特别使实际可行的和理论上接地有效的估计重要的数量在因果推断，如（L）QTE时，我们必须控制许多协变量和/或灵活的关系，我们在实证研究中证明。
2022-08-17 cs.LG stat.ME stat.ML
A novel quantile-based decomposition of the indirect effect in mediation analysis with an application to infant mortality in the US population
在中介分析中，暴露（或治疗）对结果变量的影响被分解为两个部分：直接影响，涉及暴露对结果的直接影响，以及间接影响，暴露通过称为中介的第三个变量对结果施加影响。我们的激励性例子涉及母亲吸烟（暴露，$X$）、出生体重（中介，$M$）和婴儿死亡率（结果，$Y$）之间的关系，多年来，这一点吸引了流行病学家和统计学家的兴趣。我们引入了新的因果被估量，命名为$u$ -特定的直接和间接影响，描述了直接和间接影响的暴露结果在一个特定的分位数$u$的中介，$0 < u < 1$。在连续可重复性下，我们得到了一个有趣的和新颖的分解$u$特定的间接效应。这种分解的组成部分有一个简单的解释，并可以提供新的见解间接影响的机制的复杂性。我们使用美国人口中婴儿死亡率的数据来说明所提出的方法。我们提供的分析证据支持婴儿猝死综合征的风险不能通过出生体重分布的变化来预测的假设。
2017-10-03 stat.ME
Rerandomization for quantile treatment effects
Tsinghua University（清华大学）；Shanghai Qi Zhi Institute（上海人工智能实验室）
本文提出在有限总体框架下重新随机化方法用于估计量化处理效应，建立了其渐近性质，并通过模拟验证了其在提高估计效率方面的有效性。
2026-01-18 math.ST stat.ME stat.TH
Causal Inference by Quantile Regression Kink Designs
分位数回归扭结设计（QRKD）是一种在合适的研究设计下评估异质性处理效应的潜在方法，但其因果解释尚不清楚。我们提出了一个因果解释的QRKD估计。在灵活的异质性和内生性下，QRKD被估量在给定设计的扭结点的结果的相应条件分位数处测量异质性边际效应的加权平均值。此外，我们开发的QRKD估计作为一个局部分位数过程的目的进行统计推断异质性处理效应使用QRKD的弱收敛结果。应用我们的方法连续工资和福利历史项目（CWBH）的数据，我们发现显着异质性的正因果关系的影响，失业保险金的失业持续时间在路易斯安那州1981年和1983年之间。这些影响对于失业时间较长的个人来说更大。
2017-12-14 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
Causal Spatial Quantile Regression
针对空间因果推断中因果效应的空间与分位数异质性问题，提出基于半参数神经网络的深度空间分位数回归因果框架及SQTE插件估计量，含空间隐藏混杂调整，仿真和北卡孕妇吸烟实例验证了其有效性。
2025-09-02 stat.ME
Doubly Robust Estimators of Quantile Treatment Effects With Semiparametric Cumulative Probability Models
Vanderbilt University Medical Center（范德比尔特大学医学中心）；Keck School of Medicine of the University of Southern California（南加州大学凯克医学院）
针对现有分位数处理效应（QTE）估计方法对模型误设敏感的问题，提出基于半参数累积概率模型（CPM）的双重稳健QTE估计框架，开发两种估计策略并通过模拟和HIV数据验证其有效性。
2026-08-12 stat.ME
Bayesian nonparametric generative models for causal inference with missing at random covariates
我们提出了一个一般的贝叶斯非参数（BNP）的方法，因果推断在点处理设置。观察数据（结局、治疗和混杂因素）的联合分布使用富集Dirichlet过程建模。观测数据模型和因果假设的结合使我们能够识别任何类型的因果效应-差异，比率或分位数效应，无论是边缘还是针对感兴趣的亚群。所提出的BNP模型非常适合于因果推断问题，因为它不需要关于混杂因素分布的参数假设，并且自然地导致计算效率高的吉布斯抽样算法。通过对联合分布进行灵活建模，我们还能够在假设可验证的缺失情况下，对算法内的缺失协变量值进行插补（通过数据增强），从而无需创建单独的插补数据集。这种插补缺失协变量的方法具有额外的优势，可以保证插补模型和分析模型之间的一致性，并且由于我们使用BNP方法，因此避免了参数模型进行插补。使用模拟研究的方法的性能进行评估。该方法适用于人类免疫缺陷病毒/丙型肝炎病毒合并感染患者的队列研究数据。
2017-02-27 stat.ME
Distributional Instrumental Variable Method
ETH Zürich（苏黎世联邦理工学院）；University of Washington（华盛顿大学）
提出分布工具变量方法，利用生成建模在非线性工具变量设置中估计整个干预分布，并证明其可识别性优于传统方法。
2026-06-18 stat.ME stat.ML
Quantile-Optimal Policy Learning under Unmeasured Confounding
Department of Statistics and Data Science, Yale University（统计与数据科学系，耶鲁大学）；Department of Decision Sciences, George Washington University（决策科学系，乔治华盛顿大学）；Cowles Foundation for Research in Economics, Yale University（经济学研究基金会，耶鲁大学）
针对离线数据存在未观测混杂和覆盖不足时的分位数最优策略学习问题，提出基于工具变量、阴性对照、极小极大非参数估计和保守正则化的因果辅助算法，并证明其 n^{-1/2} 级样本效率。
2025-06-08 cs.LG econ.EM stat.ML
Quantile Residual Lifetime Regression for Multivariate Failure Time Data
Nanyang Technological University（南洋理工大学）；University of Pittsburgh（匹兹堡大学）；National Institutes of Health/National Cancer Institute（美国国立卫生研究院/美国国家癌症研究所）
针对多元失效时间数据，提出边际半参数分位数剩余寿命回归模型，通过无偏估计方程估计参数，并给出三种方差估计方法，模拟和实例验证了方法的有效性。
2026-07-03 stat.ME
Invariant quantile regression for heterogeneous environments
School of Mathematics and Statistics, Xi'an Jiaotong University（西安交通大学数学与统计学院）
针对多环境数据集提出不变分位数回归框架，通过核平滑估计器利用环境间不变性实现因果发现和内生性克服。
2026-06-23 stat.ME
Estimation of Complier Expected Shortfall Treatment Effects with a Binary Instrumental Variable
在许多生物医学和经济学研究中，估计治疗或暴露对亚群的因果效应具有极大的意义。预期不足，也称为超分位数，是一种有吸引力的效应大小度量，可以适应数据异质性并聚合结果分布的某个感兴趣区域上的局部效应信息。在这篇文章中，我们提出了一个工具变量框架下的符合预期不足的处理效应（CRESTE）模型来量化CRESTE的二元内生治疗变量。利用二元工具变量的特殊性质和Neyman正交化的特殊形式，提出了一种两步估计方法，该方法可以通过简单地求解加权最小二乘回归和加权分位数回归来实现。我们开发的估计的渐近性质，并使用数值模拟，以确认其有效性和强大的有限样本性能。一个国家的就业培训合作伙伴关系法研究的说明性分析，以显示所提出的方法的实际效用。
2023-03-22 stat.ME
Evaluating Dynamic Conditional Quantile Treatment Effects with Applications in Ridesharing
DiDi Chuxing（滴滴出行）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Shanghai University of Finance and Economics（上海财经大学）；London School of Economics and Political Science（伦敦政治经济学院）
本文针对网约车平台时空序列决策数据，提出了动态条件分位数处理效应（CQTE）的评估框架，证明其等于各时间段个体CQTE之和，并引入变系数决策过程模型及创新检验方法，有效简化了因果估计与推断。
2023-05-17 cs.LG stat.ME stat.ML
Flexible sensitivity analysis for observational studies without observable implications
观察因果推断的一个基本挑战是，关于无混淆性的假设是不可从数据中检验的。因此，在实践中评估对这些假设的敏感性是重要的。不幸的是，一些现有的敏感性分析方法无意中强加了与现代因果推断方法不一致的限制，现代因果推断方法强调观察数据的灵活模型。为了解决这个问题，我们提出了一个框架，允许（1）灵活的模型，观察到的数据和（2）干净的敏感性模型的识别和未识别的部分分离。我们的框架扩展了一种方法，从缺失的数据文献，称为Tukey的因子分解，因果推断设置。在这种分解下，我们可以用未识别的选择函数来表示未观察到的潜在结局的分布，该选择函数描述了治疗分配指标与观察到的潜在结局之间的未识别关系。在这个框架中的灵敏度参数很容易解释，我们提供了校准这些参数对可观察到的量的方法。我们证明了这种方法的灵活性，在两个例子中，我们估计平均处理效应和分位数处理效应使用贝叶斯非参数模型的观察数据。
2019-01-14 stat.ME
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
Quantile regression outcome-adaptive lasso: variable selection for causal quantile treatment effect estimation
本文提出分位数回归结果自适应套索（QROAL）方法，利用线性分位数回归构建惩罚权重，在不同分位数处理效应估计中分别选择PS模型协变量，并在模拟和CHARLS数据中验证其优于OAL方法。
2023-08-14 stat.ME
Individualized Prediction Bands in Causal Inference with Continuous Treatments
针对连续处理因果推断中个体化剂量反应曲线不确定性量化的空白，提出将其视为协变量偏移的个体化预测带（IPB）方法，结合加权保形预测实现量化，经模拟和真实数据验证有效。
2025-11-19 stat.AP stat.ME
Program Evaluation and Causal Inference with High-Dimensional Data
在本文中，我们提供了有效的估计和诚实的置信带的各种治疗效果，包括局部平均值（LATE）和局部分位数治疗效果（LQTE）在数据丰富的环境。我们可以处理非常多的控制变量、内源性治疗接受、异质性治疗效果和功能价值结果。我们的框架涵盖了外源性接受治疗的特殊情况，无论是有条件的控制或无条件的随机对照试验。在后一种情况下，我们的方法产生有效的估计和诚实带（功能）平均治疗效果（ATE）和分位数治疗效果（QTE）。为了使信息推理成为可能，我们假设关键简化形式的预测关系是近似稀疏的。这个假设允许使用正则化和选择方法来估计这些关系，并且我们提供了用于后正则化和后选择推理的方法，这些方法在各种模型中都是一致有效的（诚实的）。我们表明，一个关键因素，使诚实的推理是使用正交或双鲁棒矩条件估计某些简化形式的功能参数。我们说明了使用所提出的方法与应用程序，以估计401（k）资格和参与对累积资产的影响。
2018-01-05 econ.EM math.ST stat.ME
Double/debiased machine learning of quantile treatment effects on long-term outcomes in clinical trials
Faculty of Arts and Sciences, Beijing Normal University（北京师范大学文理学院）；School of Mathematics and Statistics, Beijing Technology and Business University（北京工商大学数学与统计学院）；School of Statistics, Beijing Normal University（北京师范大学统计学院）
本文研究了在临床试验中结合随机试验数据与外部观察数据估计长期结果的分位数处理效应，提出了一种双重稳健估计器以应对混淆因素，通过模拟和实际数据验证了方法在有限样本中的有效性。
2026-05-14 math.ST stat.TH
Causal Mediation and Sensitivity Analysis for Mixed-Scale Data
因果中介分析的目标通常在潜在结果框架中描述，是沿着不同的因果路径分解暴露对感兴趣结果的影响。Imai et al.（2010）使用序贯可验证性假设来实现非参数识别，提出了一种测量中介效应的灵活方法，重点关注结果和中介的参数和半参数正态/伯努利模型。较少关注的情况下，结果和/或中介模型是混合规模，有序，或以其他方式落在正常/伯努利设置。我们开发了一个简单的，但灵活的，参数化建模框架，以适应常见的情况下，反应是混合连续和二进制，并将其应用到0 - 1膨胀贝塔模型的结果和调解人。将我们提出的方法应用于公开的JOBS II数据集，我们（i）认为需要非正态模型，（ii）展示如何估计边界删失数据的平均值和分位数中介效应，以及（iii）展示如何通过引入未识别的，科学上有意义的敏感性参数来进行有意义的敏感性分析。
2021-11-06 stat.AP stat.ME
Inference on Nonlinear Counterfactual Functionals under a Multiplicative IV Model
本文研究乘法 IV（MIV）模型，证明其可识别并推断由矩方程刻画的非线性反事实泛函，提出高效、多重稳健且渐近有效的估计推断方法。
2025-08-28 stat.ME
Causal Inference of General Treatment Effects using Neural Networks with A Diverging Number of Confounders
本文提出一种基于人工神经网络的广义优化框架，用于在混杂因素维度发散时有效估计一般处理效应，建立了新的逼近误差界以缓解维度灾难，并证明了估计量的根-n一致性和渐近正态性。
2023-11-17 stat.ME stat.ML
Fisher-Schultz Lecture: Generic Machine Learning Inference on Heterogenous Treatment Effects in Randomized Experiments, with an Application to Immunization in India
提出一种通用的机器学习方法，通过重复数据划分和分位数聚合，对随机实验中的异质性处理效应进行估计和推断，并应用于印度的免疫接种实验。
2023-10-23 econ.EM math.ST stat.ML
Doubly Robust Estimation of Direct and Indirect Quantile Treatment Effects with Machine Learning
提出基于双重/去偏机器学习的直接与间接分位数处理效应估计方法，通过有效得分函数与交叉拟合实现稳健估计，并应用于模拟与实证数据验证有效性。
2023-07-03 econ.EM stat.ML
Confounding-adjustment methods for the causal difference in medians
对于连续结果，平均因果效应通常使用预期潜在结果的对比来定义。然而，在结果数据存在偏差的情况下，预期可能不再有意义。在实践中，典型的方法是“忽略或变换”-完全忽略偏度或变换结果以获得更对称分布，尽管这两种方法都不完全令人满意。或者，因果效应可以被重新定义为中位数潜在结果的对比，但估计这一参数的混淆调整方法的讨论是有限的。在这项研究中，我们描述和比较了混淆调整方法，以解决这一差距。考虑的方法是多变量分位数回归，逆概率加权（IPW）估计，加权分位数回归和两个鲜为人知的实现g-计算这个问题。出于澳大利亚儿童纵向研究中的队列调查的动机，我们进行了一项模拟研究，发现IPW估计，加权分位数回归和g-计算实现最小化偏差时，正确指定的相关模型，与g-计算另外最小化方差。这些方法为常见的“忽略或转换”方法和多变量分位数回归提供了有吸引力的替代方案，增强了我们获得有意义的因果效应估计的能力。
2023-02-03 stat.ME
Causal mechanism of extreme river discharges in the upper Danube basin network
多瑙河流域的极端水文事件可能严重影响人口、水生生物和经济活动。人们经常使用多变量和空间极值理论及其渐近合理的模型来表征极端事件的联合结构。然而，人们感兴趣的是连锁极端事件以及一个事件是否会导致另一个事件。在本文中，我们认为，通过结合极值模型和因果发现，可以更好地理解严重事件的机制。我们构建了一个因果推断方法依赖于极端条件分位数的柯尔莫哥洛夫复杂性的概念。尾量来自使用多变量极值模型和尾诱导的不对称性的数据进行了探讨，通过最小描述长度原则。我们的CausEV，因果关系的极端值，方法揭示了夏季极端的多瑙河流域上游的河流排放之间的因果关系，并发现显着的因果关系之间的联系，多瑙河和阿尔卑斯山的支流莱希。
2020-04-01 stat.AP
Causal Effect Estimation after Propensity Score Trimming with Continuous Treatments
针对连续处理下因果效应估计的正定性违反问题，本研究基于有效影响函数提出非参数估计量，通过平滑修剪因果效应实现双重稳健推断，并允许阈值固定或为倾向得分分位数。
2024-07-29 math.ST stat.ME stat.TH
GFCM: A Tail-Sensitive Mixed-Type Conditional Independence Test for Causal Discovery
University of Nicosia（尼科西亚大学）
本文提出GFCM，一种适用于混合型数据、对协方差之外的尺度与尾部依赖敏感的因果发现条件独立性检验方法，可在PC框架内保持校准与低骨架错误，恢复协方差方法遗漏的尾部边。
2026-08-18 stat.ME stat.ML
