Estimating causal effects of customer satisfaction on downstream metrics in a multi-queue contact center
针对联络中心改进对业务指标的因果效应不确定问题，本文采用工具变量方法结合审查者设计，利用LATAM航空多队列联络中心数据估计客户服务互动对下游指标的因果效应，为管理者提供决策工具。
2024-12-06 stat.AP
Estimating Treatment Effects with Causal Forests: An Application
我们将因果森林应用于来自国家学习思维模式研究的数据集，并考虑由此产生的实际和概念上的挑战。特别是，我们讨论了因果森林如何使用估计的倾向得分更强大的混淆，以及他们如何处理数据与聚类错误。
2019-02-20 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
Estimating the Effects of Heatwaves on Health: A Causal Inference Framework
University of Florence（佛罗伦萨大学）；Harvard University（哈佛大学）；Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；University of California, Los Angeles（加州大学洛杉矶分校）
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 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
Estimating Treatment Effect Heterogeneity in Psychiatry: A Review and Tutorial with Causal Forests
本文提供基于R包grf中causal forest算法的异质性治疗效应估计教程，涵盖方法概述、算法逻辑、美军士兵压力复原力二次分析实例及模型评估方法，并附复现脚本。
2024-12-14 stat.AP
Estimating Causal Effects in Gaussian Linear SCMs with Finite Data
Department of Computer Science, Columbia University NY 10025（计算机科学系，哥伦比亚大学）
本文提出中央化高斯线性结构因果模型，通过改进的EM算法在有限数据下有效估计因果效应。
2026-01-08 cs.AI cs.LG 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 Individual Treatment Effects through Causal Populations Identification
Paris-Dauphine University - PSL（巴黎多芬大学-PSL大学）；CNRS（法国国家科学研究中心）；Ai Square Connect；AdWay Groupe（AdWay集团）
从观察数据中估计个体治疗效果，定义为有和没有治疗或干预的结果之间的差异，同时只观察两者之一，是因果学习中的一个具有挑战性的问题。在本文中，我们制定了这个问题作为一个隐含变量的推断，并强制执行因果约束的基础上，四个排他性的因果种群模型。我们提出了一个新版本的EM算法，被称为期望因果关系最大化（ECM）算法，并提供提示，其收敛性在温和的条件下。我们比较我们的算法合成和真实世界的数据基线方法，并讨论其性能。
2020-05-06 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
Estimating causal effects of continuous-time dynamic treatments with unmeasured confounders
Key Laboratory of Advanced Theory and Application in Statistics and Data Science -MOE, School of Statistics, East China Normal University（华东师范大学统计学院统计学与数据科学前沿理论及应用教育部重点实验室）
本文提出一种新的方法，从贝叶斯视角估计连续时间动态治疗的因果效应，以处理未测量混杂因素，通过模拟验证其在不同混杂程度下的有效性，并应用于静脉注射催产素与产后出血的因果关系分析。
2026-04-01 stat.ME
Estimating the Causal Effect of Redlining on Present-day Air Pollution
本文提出空间与非空间潜在因子因果推断框架，结合历史红线数据和2010年污染物浓度，发现红线社区NO₂暴露显著更高，而PM₂.₅差异较弱。
2025-03-14 stat.AP
Posterior Predictive Treatment Assignment for Estimating Causal Effects with Limited Overlap
使用倾向得分估计因果效应依赖于在估计的每个倾向得分值下观察到的经处理和未经处理单位的可用性。在强混杂的环境中，倾向得分分布中有限的所谓“重叠”可能会破坏估计因果效应的经验基础，并产生现有估计量的不稳定的有限样本性能。我们提出了一个贝叶斯过程，旨在估计因果效应的设置有有限的重叠倾向得分分布。我们的方法依赖于后验预测治疗分配（PPTA），这是一个来自倾向得分的量，但在估计因果关系中起着不同的作用。我们使用PPTA来估计因果效应，通过边缘化每个观察是否是未知子集的成员的不确定性，可以假设治疗分配无混淆。由此产生的后验分布取决于估计每个观察结果的因果效应的经验基础，并且与Li et al.（2016）最近提出的“重叠权重”具有共性。我们发现，PPTA方法可以被解释为现有的ad-hoc方法，如修剪的基础上的倾向得分或截断的治疗权重的逆概率的随机版本，并突出几个实际的优势，包括不确定性量化和改进的有限样本性能。我们说明了在美国的发电厂减少有害污染排放的技术的有效性评估的方法。
2017-10-24 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
A Bayesian Machine Learning Approach for Estimating Heterogeneous Survivor Causal Effects: Applications to a Critical Care Trial
本文提出基于 BART 的贝叶斯机器学习方法，在结局截断下估计始终幸存者的平均与异质性因果效应，并经 ARMA 试验和模拟验证其获益、异质性来源及更低偏差。
2023-06-20 stat.AP
Estimating average causal effects from patient trajectories
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；ETH Zurich（苏黎世联邦理工学院）
在医疗实践中，治疗方法的选择是基于对患者结局的预期因果影响。在这里，估计因果效应的金标准是随机对照试验;然而，这样的试验是昂贵的，有时甚至是不道德的。相反，医疗实践越来越有兴趣从电子健康记录（即观察数据）中估计患者（子）组之间的因果关系。在本文中，我们的目的是估计平均因果效应（ACE）的观察数据（患者轨迹），随着时间的推移收集。为此，我们提出了DeepACE：一种端到端的深度学习模型。DeepACE利用迭代G计算公式来调整时变混杂因素引起的偏倚。此外，我们开发了一种新的顺序靶向程序，确保DeepACE具有良好的理论特性，即，具有双重鲁棒性和渐近有效性。据我们所知，这是第一个提出端到端深度学习模型的工作，该模型专为估计随时间变化的ACE而量身定制。我们在大量的实验中比较了DeepACE，证实它达到了最先进的性能。我们还为患有腰痛的患者提供了一个案例研究，以证明DeepACE为临床实践提供了重要和有意义的发现。我们的工作使医生能够根据人群效应制定有效的治疗建议。
2023-01-23 cs.LG stat.CO stat.ML
Estimating the Causal Impact of Recommendation Systems from Observational Data
推荐系统是网络中越来越重要的一部分，在世界上几个最受欢迎的网站上，推荐系统占到了所有流量的三分之一。尽管如此，人们对这种系统实际上引起了多少活动而不是通过其他手段（例如，搜索），如果没有建议。虽然估计推荐的因果影响的理想方法是通过随机实验，但这种实验成本高昂，可能会给用户带来不便。因此，在本文中，我们提出了一种方法来估计因果关系的影响，从纯粹的观测数据。具体来说，我们表明，通过工具变量的因果关系识别是可能的，当一个产品经历了直接的交通和旁边的产品推荐不瞬时冲击。然后，我们将我们的方法应用于浏览日志，其中包含Amazon.com上210万用户在9个月内的匿名活动，并分析了超过4,000种经历此类冲击的独特产品。我们发现，虽然推荐点击量确实占了这些产品流量的很大一部分，但至少75%的这种活动可能会在没有推荐的情况下发生。最后，我们讨论了该方法适用的假设，以及将结果外推到其他产品、地点或环境的注意事项。
2015-10-19 cs.SI stat.AP
I See, Therefore I Do: Estimating Causal Effects for Image Treatments
Sony Research India（索尼印度研究院）
本文针对图像作为高维干预时的个体因果效应估计问题，提出 NICE 模型及半合成数据模拟框架，并在多种设置（含零样本）下验证其显著优于现有方法。
2024-11-28 cs.AI stat.AP stat.ML
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 causal structure using conditional DAG models
本文考虑一类称为“条件DAGs”的图形模型中因果结构的推理。这些是有向无环图（DAG）模型，具有两种变量，主要变量和次要变量。次要变量用于帮助估计主要变量之间的因果关系。我们给这个模型类的因果语义，并证明，在一定的假设下，因果影响的方向是可识别的主要和次要变量的联合观测分布。一个基于分数的方法，估计的因果结构，使用这些模型和一致性的结果建立。经验结果表明，与平等对待所有变量或忽略次要变量的公式相比，有了增益。该方法的动机是分子生物学中的应用，本文使用模拟数据和癌症基因组图谱中的蛋白质组数据分析进行了说明。
2014-11-11 stat.ME
Estimating Interpretable Heterogeneous Treatment Effect with Causal Subgroup Discovery in Survival Outcomes
Virginia Commonwealth University（弗吉尼亚联邦大学）；University of Pittsburgh（匹兹堡大学）
本文提出了一种可解释的异质治疗效应估计框架，通过整合元学习器同时估计生存结果的CATE并识别预测子群，应用于年龄相关性黄斑变性临床试验以评估治疗效果。
2025-11-26 stat.AP stat.ME
Causal Inference on Discrete Data via Estimating Distance Correlations
The Chinese University of Hong Kong（香港中文大学）
本文研究了离散域上数据的因果方向推断问题。将原因分布$P(X)$和因果映射条件分布$P(Y|X)$视为独立随机变量，通过比较$P(X)$与$P(Y|X)$之间的距离相关性和$P(Y)$与$P(X|Y)$之间的距离相关性来推断因果方向.如果$P(X)$和$P(Y|X)$之间的依赖系数较小，则我们推断“$X$导致$Y$“。实验结果表明了该方法的有效性。
2018-08-07 cs.AI cs.LG stat.ML
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
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
Estimating Longitudinal Causal Effects with Unobserved Noncompliance Using a Semi-Parametric G-computation Algorithm
受试者不依从，即受试者不遵循指定的治疗方案，通常掩盖了随机试验中治疗和处理效应之间的因果关系。在纵向设置中，G计算算法可以调整混杂以估计因果效应。通常，G计算假设1）观察到符合性; 2）可以正确指定混杂因素的密度。我们的目标是开发一个G-计算估计的设置，这两个假设都违反。对于1），我们用从与依从性相关的生物标志物建模中推导出的概率权重来代替未观察到的依从性。对于2），我们使用预测均值匹配拟合半参数模型。具体来说，我们参数化地指定混杂因素的条件平均值，然后使用预测平均值匹配来随机生成用于G计算的混杂数据。在模拟和应用中，我们比较了多个因果估计已经建立在文献中与那些来自我们的方法。对于模拟，我们生成了不同样本量和混杂水平的数据。对于应用，我们将我们的方法应用于试图评估低尼古丁香烟对香烟消费的影响的试验（香烟中尼古丁评估中心项目2 - CENIC-P2）。
2023-02-08 stat.AP 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
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 of functional treatments with modified functional treatment policies
University of Minnesota（明尼苏达大学）
本文提出一种新的因果估计量MFTP，通过功能主成分分析分解解决无限维对象平均问题，用于估计个体治疗轨迹微调后的潜在结果，通过模拟和实证研究验证了其有效性。
2026-02-09 stat.ME
Estimating Causal Mediation Effects under Correlated Errors
因果中介分析通常需要强有力的假设，如中介的可解释性，这在许多社会和科学研究中可能不成立。基于功能磁共振成像（fMRI）的多水平随机处理实验，提出了一种适用于分层嵌套结构数据的多水平因果中介框架，该框架能够在中介者和结果存在结构化不可测混杂的情况下提供有效的推理。对于第一级数据，我们提出了一个线性结构方程模型的连续介质和连续的结果，这两个可能包含相关的附加误差。提出了一种基于似然的方法来估计模型系数。我们的估计的分析特征的不可识别性问题，由于相关参数。为了解决可识别性问题和模型的可变性，在多级数据，我们建议将多个第一级中介模型在不同的级别在一个统一的多级中介框架。该优化算法同时估计所有的模型系数，其创新之处在于从数据中估计未知的相关参数，而不是进行敏感性分析。我们的渐近分析表明，相关参数是可识别的，我们的中介效应的估计是一致的参数收敛速度。使用广泛的模拟数据和一个真正的fMRI数据集，我们证明了我们的方法比现有的方法的改进。
2017-07-07 stat.AP
Estimating Heterogeneous Causal Effect on Networks via Orthogonal Learning
Department of Statistics（统计学系）
本文提出一种两阶段正交学习框架，用于估计网络上的异质直接和溢出效应。通过图神经网络估计噪声成分，再利用可解释的注意力模型估计因果效应，支持可解释的下游分析。
2026-05-10 cs.LG stat.ML
Estimating Heterogeneous Causal Effects in the Presence of Irregular Assignment Mechanisms
IMT School for Advanced Studies（IMT高等研究院）
本文提供了因果推理和机器学习技术之间的联系-特别是分类和回归树（CART）-在观察性研究中，治疗的接受不是随机的，但治疗的分配可以假设是随机的（不规则分配机制）。本文有助于不断增长的应用机器学习文献的因果推理，提出了一个修改版本的因果树（CT）算法，从一个不规则的分配机制得出因果推理。该方法是通过将CT方法与工具变量框架合并到因果推理中来开发的，因此命名为工具变量因果树（CT-IV）。与CT相比，CT-IV的主要优势在于它可以更有效地处理因果效应的异质性，这一点已在合成数据上获得的一系列数值结果中得到证明。然后，所提出的算法被用来评估托斯卡纳地区管理局（意大利），其目的是减轻获得信贷的小企业实施的公共政策。在这方面，CT-IV为基于目标的政策开辟了新的天地，确定了有趣的异质因果效应。
2019-05-21 cs.LG stat.ML
Optimal Causal Inference: Estimating Stored Information and Approximating Causal Architecture
University of Hawaii at Manoa（马诺阿夏威夷大学）；University of California at Davis（加州大学戴维斯分校）；Santa Fe Institute（圣塔菲研究所）
我们介绍了一种方法来推断因果结构的随机动态系统，扩展率失真理论使用因果屏蔽-一个自然的学习原则。我们研究了两种不同的情况下的因果推理：最优因果过滤和最优因果估计。滤波对应于测量序列的概率分布是已知的理想情况，给出了在期望的表示水平上近似系统的因果结构的原则性方法。我们表明，在模型的复杂性约束放宽的限制，过滤发现确切的因果结构的随机动力系统，被称为因果状态分区。由此，可以估计进程存储的历史信息量。更一般地说，因果过滤找到一个分级的模型复杂度层次结构的近似因果架构。等级制度的突然变化，作为一种近似的函数，捕捉到了结构组织的不同尺度。对于有限数据的非理想情况下，我们展示了如何正确的数量的基本因果状态可以找到最佳因果估计。先前推导的模型复杂性控制项允许我们校正概率估计中的统计波动的影响，从而避免过拟合。
2010-08-19 cond-mat.stat-mech cs.IT cs.LG
Assessing the commonly used assumptions in estimating the principal causal effect in clinical trials
在临床试验中，通常需要了解主要因果效应（PCE），即主要分层（由一个或多个基线后变量的潜在结局定义的患者子集）的平均处理效应。常用的假设包括单调性、主可重复性、主可重复性和主层独立性的跨世界假设。在这篇文章中，我们通过一项2 $\times$ 2交叉研究来评估这些假设，在该研究中，只要没有遗留效应和研究期效应，就可以观察到两种治疗的潜在结局。从这个例子来看，似乎单调性假设和治疗内主要可重复性假设并不成立。另一方面，以基线协变量为条件的跨世界主要可解释性和跨世界主要阶层独立性的假设似乎是合理的。在后一种假设下，我们估计了PCE，其定义为每个治疗阶段的血糖标准差是否增加，而不依赖于交叉特征，产生的估计值接近利用交叉特征时的结果。据我们所知，这篇文章是第一次尝试使用交叉试验来评估用于估计PCE的常用假设的可行性。
2022-10-04 stat.AP stat.ME
Expert-Guided g-computation with Large Language Models for Estimating Causal Effects on Timings: Applications to Hospital Quality Improvement
University of California, San Francisco（加利福尼亚大学旧金山分校）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；University of Washington, Seattle（华盛顿大学西雅图分校）
本研究提出专家引导g计算法（egg-computation），结合专家判断与LLM技术，用于估计医院干预措施对平均住院时长的因果效应，在模拟和真实医院数据中表现优于传统方法。
2026-08-12 cs.AI stat.AP 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
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
Causal Inference out of Control: Estimating the Steerability of Consumption
Stanford University（斯坦福大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tübingen AI Center（图宾根人工智能中心）
监管机构和学者对数字平台的算法行为对消费的因果影响越来越感兴趣。我们引入了一个一般的因果推理问题，我们称之为消费的可操纵性，抽象了许多感兴趣的设置。专注于观察设计和利用问题的结构，我们展示了一组因果可识别性的假设，显着削弱了标准设计往往不切实际的重叠假设。我们的方法的关键新颖之处在于明确地对消费随时间的动态进行建模，将平台视为作用于动态系统的控制器。从这个动态系统的角度来看，我们能够表明，消费和适当的响应算法控制动作的外源性变化足以识别消费的可操纵性。我们的研究结果说明了控制理论和因果推理的富有成效的相互作用，我们从计量经济学，宏观经济学和机器学习的例子说明。
2023-02-10 cs.CY cs.LG stat.ML
Estimating Heterogeneity in Travel Mode Choice Shifts with Causal Forests
Center for Urban Science and Progress, Tandon School of Engineering New York University（纽约大学坦登工程学院城市科学与工程中心）
本研究将因果森林应用于全国家庭出行调查数据，量化新冠疫情对出行方式选择的异质性因果效应，发现汽车出行占比上升，短途、高收入家庭及女性群体增幅最大，为交通政策制定提供依据。
2026-08-06 econ.EM stat.AP stat.ME
Causal inference from observational data: Estimating the effect of contributions on visitation frequency atLinkedIn
随机实验（A/B测试）已经成为面向网络的公司指导创新、评估新产品和优先考虑想法的标准方式。然而，有些时候，当运行实验太复杂时（例如，我们还没有建立基础设施），昂贵（例如，干预将对收入产生实质性的负面影响），并且耗时（例如，效果可能需要几个月才能实现）。即使我们可以进行实验，了解影响的程度也会帮助我们确定测试的优先级，并为不同的治疗组确定适当的流量分配，从而大大加快产品开发生命周期。在这种情况下，我们应该利用观测数据快速、经济高效地获得对因果效应的可靠估计。尽管从观测数据中进行因果推断的历史很长，但科技公司的数据科学家对其的采用一直很缓慢。在本文中，我们通过简要介绍因果推断的广阔领域来纠正这一点，并特别关注数据科学家可以直接利用的工具和技术。我们说明了如何应用这些方法来衡量贡献的影响（例如，发布、评论、喜欢或发送私人消息）。通过A/B测试评估贡献对参与度的影响需要鼓励设计和非标准实验基础设施的开发，这可能会消耗大量的时间和财政资源。我们提出了多种有效的策略，利用历史数据来准确地估计用户对她自己和她的邻居的贡献的同期（或瞬时）因果效应（即，她所连接的用户）随后的访问频率。我们将这些工具应用于LinkedIn数百万会员的数据。
2019-03-18 stat.AP
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
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
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
Beyond Conditional Averages: Estimating The Individual Causal Effect Distribution
本文在个体效应与未暴露潜在结果条件独立的假设下证明个体因果效应分布可识别，并提出灵活潜变量模型从横截面数据估计该分布，通过肝脂肪变性案例验证方法有效性。
2025-04-08 math.ST stat.ME stat.TH
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
From Observational Data to Clinical Recommendations: A Causal Framework for Estimating Patient-level Treatment Effects and Learning Policies
Faculty of Data and Decision Sciences, Technion（数据与决策科学学院，技术ion）；Blavatnik School of Computer Science, Tel-Aviv University（Blavatnik计算机科学学院，特拉维夫大学）；Department of Cardiology, Rambam Health Care Campus（心内科部，拉马姆医疗中心）；The Bruce Rappaport Faculty of Medicine, Technion（布鲁斯·拉帕波特医学院，技术ion）；Department of Statistics and Operations Research, School of Mathematical Sciences, Tel Aviv University（统计与运筹学部，数学科学学院，特拉维夫大学）
本文提出一个构建患者特定治疗推荐模型的因果框架，整合现有方法形成实用流程，并在心力衰竭伴急性肾损伤患者的真实用例中验证了其能改善预后。
2025-07-16 cs.LG stat.AP stat.ML
Estimating Heterogenous Treatment Effects for Survival Data with Doubly Doubly Robust Estimator
本文针对左截断右删失生存数据，提出双重双重稳健估计量，结合非参数深度学习以有效估计平均及异质性处理效应，并通过模拟实验与多种现有方法比较验证其优劣。
2024-09-02 econ.GN q-fin.EC stat.AP
The Conflict Graph Design: Estimating Causal Effects under Arbitrary Neighborhood Interference
Columbia University（哥伦比亚大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出冲突图设计方法，通过构建实验设计以在任意邻域干扰下精确估计因果效应，改进了因果效应估计的速率并提供了新的方法。
2026-01-13 cs.DS math.ST stat.ME
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
Compositional Models for Estimating Causal Effects
本文提出将结构化系统表示为异构组件组合的因果建模方法，通过模块化神经网络分解单元级因果查询，提升观测数据下个体因果效应估计的准确性、样本效率与组合泛化能力。
2025-03-17 cs.AI cs.LG 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
