Causal Inference with the Instrumental Variable Approach and Bayesian Nonparametric Machine Learning
Arizona State University（亚利桑那州立大学）；Medical College of Wisconsin（威斯康星医学院）
我们提供了一个新的灵活的推理框架与工具变量模型。而不是使用线性规格，函数表征的影响，文书和其他解释变量估计使用机器学习通过贝叶斯加性回归树（BART）。误差项及其分布推断使用狄利克雷过程混合物。仿真和实例表明，当真函数为线性时，损失很小。但是当存在非线性时，几乎不需要手动调谐就可以获得显著的改善。
2021-02-01 cs.LG stat.ML
A Meta-Learning Approach to Bayesian Causal Discovery
Imperial College London（伦敦帝国学院）；University of Cambridge（剑桥大学）；University of Toronto（多伦多大学）；University of Oxford（牛津大学）
针对现有元学习方法无法编码后验关键属性及采样的局限，提出一种贝叶斯元学习模型，支持从后验采样因果结构并编码边相关性与节点置换等变性，展现了直接学习因果结构后验的优势。
2025-03-04 cs.LG stat.ME stat.ML
Causal Bandits: Learning Good Interventions via Causal Inference
Australian National University（澳大利亚国立大学）；Data61/NICTA（Data61/国家信息与通信技术研究院）；University of Alberta（阿尔伯塔大学）
我们研究了使用因果模型来提高在随机环境中可以在线学习良好干预措施的速度的问题。我们的形式主义相结合的多臂土匪和因果推断模型的一种新型的土匪反馈，不利用现有的方法。我们提出了一个新的算法，利用因果反馈，并证明其简单的遗憾，严格优于（在所有数量）比不使用额外的因果信息的算法的约束。
2016-06-10 cs.LG stat.ML
Heterogeneous causal effects with imperfect compliance: a Bayesian machine learning approach
Harvard University（哈佛大学）；KU Leuven（鲁汶大学）；IMT School for Advanced Studies（IMT高等研究院）
本文介绍了一种创新的贝叶斯机器学习算法，用于在存在不完美依从性的情况下（例如，不定期分配机制）。我们表明，通过蒙特卡罗模拟，提出的贝叶斯因果森林与工具变量（BCF-IV）的方法优于其他机器学习技术的因果推断中发现和估计的异质因果效应，同时控制familywise错误率（或-不太严格-为错误发现率）在叶子的水平。第四个生物多样性合作框架揭示了工具变量假设情景中因果效应的异质性，从而为决策者提供了有针对性的政策的相关工具。其实证应用评估的影响，额外的资金对学生的表现。研究结果显示，BCF-IV可用于提高学校资助对学生表现的有效性。
2021-11-30 cs.LG stat.ME stat.ML
BaCaDI: Bayesian Causal Discovery with Unknown Interventions
ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；IBM Research Zürich（苏黎世IBM研究院）
从实验中推断因果结构是许多领域的中心任务。例如，在生物学领域，最新进展使我们能够在药物或基因敲除等多种干预措施下获得单细胞表达数据。然而，干预措施的目标往往不确定或未知，观察次数有限。因此，标准的因果发现方法不再能够可靠地使用。为了填补这一空白，我们提出了一个贝叶斯框架（BaCaDI），用于发现和推理各种未知的实验或干预条件下生成的数据的因果结构。BaCaDI是完全可微的，这使我们能够通过有效的基于梯度的变分推理来推断干预目标和因果结构的复杂联合后验。在综合因果发现任务和模拟基因表达数据的实验中，BaCaDI在识别因果结构和干预目标方面优于相关方法。
2023-02-23 cs.LG stat.ME stat.ML
Bayesian Nonparametric Causal Inference: Information Rates and Learning Algorithms
University of California Los Angeles (UCLA)（加州大学洛杉矶分校）；University of Oxford（牛津大学）
我们研究了从观察数据中估计治疗对个体受试者的因果效应的问题，这是各个应用领域的核心问题，包括医疗保健，社会科学和在线广告。在Neyman Rubin潜在结果模型中，我们使用估计和真实分布之间的Kullback Leibler（KL）分歧作为估计准确性的度量，并且我们将贝叶斯因果推断过程的信息率定义为估计和真实分布之间的库尔贝克-莱布勒散度的预期值（的渐近等价类）作为样本数的函数。利用Fano方法，我们建立了一个贝叶斯估计所能达到的信息率的基本极限，并证明了这个基本极限与观测数据中的选择偏差无关。我们表征贝叶斯先验的潜在（事实和反事实）的结果，实现最佳的信息率。因此，我们表明，一个特定的类的先验，已被广泛使用的因果推断文献不能达到最佳的信息率。另一方面，更广泛的先验类别可以实现最优信息率。我们继续提出了一个先验适应程序（我们称之为基于信息的经验贝叶斯程序），通过最大化恢复的因果效应的信息理论标准，而不是最大化所观察到的（事实）数据的边际可能性，优化贝叶斯先验。在此基础上，我们构造了一个信息最优的贝叶斯因果推断算法。
2018-01-21 cs.LG stat.ME stat.ML
Shrinkage Bayesian Causal Forests for Heterogeneous Treatment Effects Estimation
University College London（伦敦大学学院）
本文开发了一个稀疏诱导版本的贝叶斯因果森林，最近提出的非参数因果回归模型，采用贝叶斯加性回归树，是专门设计来估计异质性处理效应使用观察数据。我们引入的稀疏诱导成分是由实证研究激发的，其中并非所有可用的协变量都是相关的，从而导致在估计个体处理效应时感兴趣的表面的稀疏程度不同。在这项工作中提出的扩展版本，我们称之为收缩贝叶斯因果森林，配备了一对额外的先验，允许模型通过树集合中相应的分裂数来调整每个协变量的权重。这些先验提高了模型对稀疏数据生成过程的适应性，并允许在处理效应估计的框架中执行完全贝叶斯特征收缩，从而揭示驱动异质性的调节因素。此外，该方法允许将有关相关混杂协变量及其对结果影响的相对幅度的先验知识纳入模型中。我们说明了我们的方法在模拟研究中的性能，与贝叶斯因果森林和其他最先进的模型相比，展示了它如何随着协变量数量的增加而扩展，以及它如何处理强烈混淆的场景。最后，我们还提供了一个使用真实世界数据的应用程序的例子。
2021-11-16 cs.LG stat.ME stat.ML
Bayesian network structure learning with causal effects in the presence of latent variables
Queen Mary University of London（伦敦玛丽女王大学）
潜在变量可能导致虚假的关系，可能被误解为因果关系。在贝叶斯网络（BN）中，这种挑战被称为因果不足下的学习。假设因果关系不充分的结构学习算法倾向于重建BN的祖先图，其中双向边表示混淆，有向边表示直接或祖先关系。本文描述了一种混合结构的学习算法，称为CCHM，它结合了基于约束的部分的cFCI和爬山得分为基础的学习。基于分数的过程结合了Pearl的do-calculus来测量因果效应并定位否则将保持无向的边缘，假设BN是线性结构方程模型，其中数据遵循多元高斯分布。基于随机网络和已知网络的实验表明，CCHM在重建真正的祖先图方面提高了最先进的水平。
2020-08-18 cs.AI cs.LG stat.ML
Variational Causal Networks: Approximate Bayesian Inference over Causal Structures
ETH Zurich（苏黎世联邦理工学院）；Mila（米拉人工智能研究所）；Université de Montréal（蒙特利尔大学）；ElementAI；ServiceNow；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）；CIFAR（加拿大高等研究院）
学习数据背后的因果结构是实现强大的现实世界决策的关键一步。因果推理中的大多数现有工作集中于确定单个有向无环图（DAG）或其马尔可夫等价类。然而，一个关键的方面，智能地采取行动的知识因果结构，已推断出从有限的数据要求推理其不确定性。例如，计划干预以了解更多关于管理我们数据的因果机制的信息，需要量化DAG的认知不确定性。虽然贝叶斯因果推理允许这样做，但即使对于少量变量，DAG的后验也变得难以处理。为了克服这个问题，我们提出了一种形式的变分推理的结构因果模型（SCM）的图。为此，我们引入了一个参数变分家庭建模的自回归分布在离散DAG的空间。它的参数数量不会随着变量的数量呈指数增长，并且可以通过最大化证据下限（ELBO）来学习。在我们的实验中，我们证明了所提出的变分后验是能够提供一个很好的近似的真实后验。
2021-06-14 cs.AI cs.LG stat.ML
An AI-powered Bayesian generative modeling approach for causal inference in observational studies
Department of Biostatistics, Yale University（耶鲁大学生物统计学系）；Department of Statistics, Stanford University（斯坦福大学统计学系）
CausalBGM通过学习个体特定的低维潜在特征集，提升高维协变量和大规模数据集中的因果推断性能。
2026-02-19 cs.AI cs.LG stat.ME
Bayesian Causal Forests for Multivariate Outcomes: Application to Irish Data From an International Large Scale Education Assessment
Hamilton Institute（汉密尔顿研究所）；Maynooth University（梅努斯大学）；Department of Mathematics and Statistics, Maynooth University（梅努斯大学数学与统计系）
贝叶斯因果森林（Bayesian Causal Forests，BCF）是一种因果推断机器学习模型，基于高度灵活的非参数回归和分类工具，称为贝叶斯加性回归树（Bayesian Additive Regression Trees，BART）。从国际数学和科学研究（TIMSS）的趋势，其中包括在数学和科学的学生成绩的数据的动机，我们提出了一个多元扩展的BCF算法。在模拟研究的帮助下，我们表明，我们的方法可以准确地估计因果关系的多个结果受到相同的治疗。我们还将我们的模型应用于TIMSS 2019的爱尔兰数据。我们的研究结果揭示了在家里使用书桌的积极影响（数学ATE 95% CI：[0.20，11.67]），同时也强调了学生在学校经常感到饥饿的负面影响。（数学ATE 95% CI：[-11.15，-2.78]，科学ATE 95% CI：[-10.82，-1.72]）或经常缺失（数学ATE 95% CI：[-12.47，-1.55]）。
2023-03-08 cs.LG stat.AP stat.ML
Re-examining Granger Causality with Causal Bayesian Networks and Reichenbachs Principles
Univie Doctoral School of Computer Science (DOCS)（维也纳计算机科学博士学院）
本文通过赖兴巴赫原理和因果贝叶斯网络重新解释格兰杰因果关系，提出因果化格兰杰因果关系（c-GC）算法，赋予其稳健的因果解释，并在合成数据上取得满意结果。
2026-07-31 cs.LG econ.EM stat.ME
Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders
TU Graz（格拉茨技术大学）；Levata GmbH（Levata公司）
本文提出通过将结构边际化分解为因果序和给定序下DAG的边际化，并设计自回归分布ARCO进行采样近似，实现高效的贝叶斯因果推断，在结构学习和因果效应估计上优于现有方法。
2025-04-23 cs.AI cs.LG stat.ME
A Practical Introduction to Bayesian Estimation of Causal Effects: Parametric and Nonparametric Approaches
本文面向统计实践者系统介绍因果效应的贝叶斯估计，涵盖参数先验收缩、稀疏性、概率敏感性分析及非参数贝叶斯方法，并提供点处理、时变处理与开源代码示例。
2020-08-21 stat.ME stat.ML
Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation
Texas A&M University（德克萨斯农工大学）；Shell USA Inc（壳牌美国公司）
针对空间观测研究中处理效应随空间变化且受空间混杂影响的问题，提出图分裂贝叶斯因果森林（GSBCF），融合GS-BART与贝叶斯因果森林框架，通过图引导分裂规则建模空间结构，实现更精确的HTE估计与不确定性量化。
2026-09-30 stat.ME stat.ML
Bayesian Topic Regression for Causal Inference
University of Oxford（牛津大学）；Amazon（亚马逊）
利用观察性文本数据进行因果推断在许多研究领域正变得越来越流行。本文提出了贝叶斯主题回归（BTR）模型，使用文本和数值信息来建模的结果变量。它允许估计离散和连续处理效应。此外，它允许在文本数据旁边包含额外的数字混淆因素。为此，我们将监督贝叶斯主题模型与贝叶斯回归框架相结合，并结合回归参数训练对文本特征进行监督表示学习，尊重Frisch-Waugh-Lovell定理。我们的论文有两个主要贡献。首先，我们提供了一个回归框架，允许因果推断的设置时，文本和数值的混淆是相关的。我们用合成和半合成数据集表明，当文本和数字特征相关时，我们的联合方法比任何基准模型都能以更低的偏差恢复地面实况。其次，在两个真实世界数据集上的实验表明，与分别估计文本和非文本特征的回归权重的策略相比，联合和监督学习策略也可以产生更好的预测结果，甚至可以与更复杂的深度神经网络竞争。
2021-09-11 cs.CL cs.LG stat.ML
Valid Inference After Causal Discovery
University of California, Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
本研究针对因果发现后估计效应时的“双重 dipping”问题，提出有效推断工具，在保证覆盖率的同时提升因果发现准确性。
2024-08-19 cs.LG stat.ME stat.ML
Probabilistic Modelling is Sufficient for Causal Inference
University of Cambridge（剑桥大学）
本文表明，概率建模足以回答因果推断问题，无需专门的因果工具或符号。
2025-12-29 cs.LG stat.ME stat.ML
Empirical Bayesian Approaches for Robust Constraint-based Causal Discovery under Insufficient Data
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Northeast Normal University（东北师范大学）
因果发现是在给定的观测数据中学习变量之间的因果关系，对于许多应用都很重要。现有的因果发现方法假设数据充足，这在许多现实世界的数据集中可能不是这种情况。因此，许多现有的因果发现方法可能在有限的数据下失败。本文提出了一种贝叶斯-增广频率独立性检验方法，以提高基于约束的因果发现方法在数据不足情况下的性能：1）首先引入贝叶斯方法估计互信息，并在此基础上提出了一种鲁棒的基于互信息的独立性检验方法; 2）其次，我们考虑假设似然的贝叶斯估计，并将其纳入一个定义良好的统计检验，从而产生基于稳健统计测试的独立性测试。我们提出的独立性测试的约束为基础的因果发现方法，并评估基准数据集的样本不足的性能。实验表明，显着的性能改善方面的准确性和效率SOTA方法。
2022-06-16 cs.LG stat.ME
Incorporating Expert Knowledge into Bayesian Causal Discovery of Mixtures of Directed Acyclic Graphs
Aalto University（艾罗大学）；University of Melbourne（墨尔本大学）；Manchester University（曼彻斯特大学）；Ellis Institute（埃利斯研究所）
本文提出基于贝叶斯实验设计原则和变分混合结构学习方法，用于处理异质领域的因果发现问题，通过专家反馈构建信息图先验，提升异质合成数据的结构学习性能，并在乳腺癌数据库中捕捉复杂分布。
2026-04-29 cs.LG stat.ME
Bayesian Causal Inference: A Critical Review
本文对基于潜在结果框架的因果推断的贝叶斯观点进行了评述。我们回顾了因果被估量、识别假设、因果效应贝叶斯推断的一般结构和敏感性分析。我们强调的问题是独特的贝叶斯因果推断，包括倾向得分的作用，可识别性的定义，先验的选择，在低维和高维制度。我们指出协变量重叠的核心作用，更一般的设计阶段，贝叶斯因果推断。我们将讨论扩展到两个复杂的分配机制：工具变量和随时间变化的治疗。在整个过程中，我们通过例子来说明关键概念。
2022-10-23 stat.AP stat.ME
Private Causal Inference
因果推断处理识别哪些随机变量“导致”或控制其他随机变量。基于统计估计和机器学习工具的因果推断主题的最新进展已经产生了用于因果推断的实用算法。因果推断有可能对医学研究、疾病预防和控制以及识别影响经济变化的因素产生重大影响。然而，这些用于因果推断的有希望的应用通常是涉及需要保密的用户的敏感或个人数据的应用（例如，医疗记录、个人财务等）。因此，需要开发保护数据隐私的因果推断方法。我们研究了使用当前流行的因果推断框架，加性噪声模型（ANM），同时确保用户的隐私推断因果关系的问题。我们的框架为各种ANM变体提供了不同的隐私保证。我们进行了大量的实验，并证明我们的技术是实用的，易于实现。
2016-08-20 stat.ML
Explainable Federated Bayesian Causal Inference and Its Application in Advanced Manufacturing
Northeastern University（东北大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
针对制造系统中因果推断应用不足与数据隐私问题，提出可解释联邦贝叶斯框架 xFBCI，利用本地后验估计倾向得分并以 PSM 估计处理效应，在多数据集和 EHD 打印数据上优于现有方法。
2025-01-10 cs.LG stat.AP
Computational Causal Inference
Netflix
我们介绍计算因果推断作为一个跨学科领域的因果推断，算法设计和数值计算。该领域旨在开发专门从事因果推断的软件，这些软件可以以高性能，通用和鲁棒的方式分析具有各种因果效应的海量数据集。对软件的关注提高了研究的灵活性，并使因果推断能够容易地集成到大型工程系统中。特别是，我们使用计算因果推断来加深因果推断、在线实验和算法决策之间的关系。本文描述了新的领域，需求，可扩展性的机会，开放的挑战，并开始讨论社区如何能够团结起来，以解决扩展因果推断和决策的挑战。
2020-07-21 cs.LG stat.CO
The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions
描述系统的因果关系是许多科学领域的基本任务，理想情况下通过实验研究来解决。然而，在干预情景下获得数据可能并不总是可行的，而从纯观测数据中发现因果关系是众所周知的挑战。在某些情况下，如基因组学，我们可能有来自异质性研究条件的数据，软（部分）干预仅涉及研究变量的子集，其影响和目标可能是未知的。结合实验和观察研究的数据提供了利用这两个领域并提高因果结构可识别性的机会。为此，我们定义了干预性BGe评分的混合观察和干预数据，干预的目标和效果可能是未知的。为了证明这种方法，我们将其性能与其他最先进的算法进行比较，无论是在模拟还是数据分析应用中。我们的方法的特权是，它需要一个贝叶斯的角度，导致一个完整的特性的后验分布的DAG结构。给定DAG样本，也可以自动导出干预效应的完整后验分布。因此，该方法有效地捕捉结构和参数估计的不确定性。复制模拟和分析的代码可在github.com/jackkuipers/iBGe上公开获得
2022-05-05 stat.ME stat.ML
The How and Why of Bayesian Nonparametric Causal Inference
受最近因果推断竞赛的成功的鼓舞，贝叶斯非参数（和高维）方法最近在因果推断文献中受到越来越多的关注。在本文中，我们提出了一个全面的概述贝叶斯非参数应用因果推断。我们的目标是（i）介绍基本的贝叶斯非参数工具包;（ii）讨论如何确定哪种工具最适合给定的问题;（iii）展示如何避免在高维环境中应用贝叶斯非参数方法的常见陷阱。不像标准的固定维参数问题，其中单独的结果建模有时是有效的，我们认为，在大多数情况下，它是必要的选择和结果的过程建模。
2022-01-10 stat.ME
SBI: A Simulation-Based Test of Identifiability for Bayesian Causal Inference
College of Information and Computer Sciences, University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校信息与计算机科学学院）；Basis Research Institute（贝西斯研究院）；Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology（麻省理工学院脑与认知科学系）
越来越多的因果推理方法依赖于超越因果图结构的贝叶斯假设公式。例如，贝叶斯方法已经被开发用于分析工具变量设计、回归不连续性设计和受试者内设计。本文介绍了基于模拟的可识别性（SBI），贝叶斯因果推理方法，实现概率程序的查询的可识别性测试程序。SBI补充了可识别性的分析方法，利用模拟数据的基于粒子的优化方案来确定分析上难以处理的模型的可识别性。我们针对一类具有有限效应的可微、有限维概率程序分析了SBI的合理性。最后，我们提供了一个实施的SBI使用随机梯度下降，并表明经验，它同意与已知的识别结果的一套基于图形和准实验设计基准，包括那些使用高斯过程。
2022-10-31 cs.AI cs.LG stat.ME
Bayesian causal inference for count potential outcomes
计数建模的文献提供了有用的工具，进行因果推断时，结果采取非负整数值。应用到潜在的结果框架，我们链接贝叶斯因果推断文献计数数据的统计模型。我们讨论了构建缺失潜在结果的预测后验的一般架构考虑。估计平均处理效应的特殊考虑进行了讨论，一些概括某些关系和一些尚未遇到的因果推断文献。
2020-08-07 stat.ME
Information-theoretic signatures of causality in Bayesian networks and hypergraphs
Imperial College London（帝国理工学院）；University Hospital Würzburg（维尔茨堡大学医院）
本文探讨了信息论方法在贝叶斯网络和超图中识别因果关系的潜力，通过部分信息分解揭示了因果结构的局部特性，为因果推断提供了新的理论基础。
2026-04-12 cs.IT math.IT stat.ML
The central role of Bayes theorem for joint estimation of causal effects and propensity scores
虽然倾向得分在30多年来一直是因果效应估计的核心，但直到最近，统计学文献才开始详细考虑倾向得分和因果效应的贝叶斯估计方法。在最近的贝叶斯倾向得分估计的文献中，倾向得分的目标和贝叶斯定理的使用之间存在着隐含的不一致。倾向得分将多变量协变量信息浓缩为标量，以允许估计因果效应，而无需指定每个协变量如何与结果相关的模型。避免指定结果响应面的详细模型对于因果效应的稳健估计是有价值的，但是这种策略与贝叶斯定理的使用不一致，贝叶斯定理预先假定了观测数据的全概率模型。本文的目的是阐明这一基本特征的贝叶斯估计的因果效应与倾向得分，以提供现有的文献和未来的工作在这个重要的话题。
2014-04-08 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
causalBETA: An R Package for Bayesian Semiparametric Causal Inference with Event-Time Outcomes
本文开发了开源 R 包 causalBETA，通过贝叶斯半参数模型估计事件时间结果的因果效应，后端连接 Stan 进行高效计算，前端语法兼容 survival 包，并提供可视化与总结功能，填补了用户友好型贝叶斯因果推断软件的空白。
2023-10-20 stat.AP stat.ME
Discussion on "Bayesian Regression Tree Models for Causal Inference: Regularization, Confounding, and Heterogeneous Effects" by Hahn, Murray and Carvalho
Hahn等人（2020）提供了一项广泛的研究，以解释和评估BCF模型在不同环境中的性能，并详细讨论了其在因果推断中的效用。这是一个受欢迎的除了因果机器学习文献。我将通过两个主题的讨论来强调BCF模型对因果推断领域的贡献：1）BCF模型中的PS和贝叶斯更新方法中的贝叶斯PS之间的差异，2）基于因果效应估计方法的结果建模中PS的作用的另一种阐述。最后，我将对未来涉及BCF的研究途径发表评论，这在大数据时代将是重要的和急需的。
2021-08-05 stat.ME stat.OT
Bayesian causal inference with some invalid instrumental variables
在观察性研究中，工具变量估计被大量用于识别因果效应。工具变量估计量一致的关键条件之一是排除限制，这表明工具仅通过感兴趣的暴露变量影响感兴趣的结果。我们提出了一个似然无贝叶斯方法，使一致的因果关系的影响时，有一些无效的工具，他们违反了排除限制条件的方式进行推断。所提出的贝叶斯估计的渐近性质，包括一致性和正态性，建立。仿真研究表明，对于含有一些无效工具的高斯和非高斯数据，所提出的贝叶斯方法均能得到一致的点估计和有效的可信区间，且具有正确的覆盖率.我们还通过实际数据的应用证明了所提出的方法。
2020-06-13 stat.ME
ABC3: Active Bayesian Causal Inference with Cohn Criteria in Randomized Experiments
Korea University（高丽大学）
提出ABC3主动贝叶斯因果推断策略，通过最小化积分后验方差和组间不平衡，在随机实验中高效估计条件平均处理效应，并经真实数据实验验证其效率与理论性质。
2024-12-15 cs.AI cs.LG stat.ME
Causal inference under mis-specification: adjustment based on the propensity score
我们通过倾向得分回归研究了贝叶斯因果推断方法。大部分关于倾向得分方法的贝叶斯文献都依赖于在传统的“似然时间先验”后验推断的背景下不能被视为完全贝叶斯的方法;此外，大多数方法依赖于参数和分布假设，以及假定的正确规范。我们强调，因果推断通常是在设置错误的规格，并制定战略，充分贝叶斯推断，反映这一点。我们专注于决策理论的参数的基础上的方法，并展示如何推断损失最小化的基础上，可以得到有效的和充分的贝叶斯推断。我们提出了一种计算方法的基础上的贝叶斯自助具有良好的贝叶斯和频率属性的推断。
2022-01-30 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
A Topological Perspective on Causal Inference
Stanford University（斯坦福大学）
本文提出了一个拓扑学习理论的因果推理的角度，通过引入一系列的拓扑定义的一般空间的结构因果模型（SCM）。作为一个说明的框架，我们证明了拓扑因果层次定理，表明实质性的无约束因果推理是可能的，只有在一个微薄的SCM集。由于一个已知的弱拓扑和统计上可验证的假设之间的对应关系，我们的研究结果表明，归纳假设足以许可有效的因果推理是统计上不可验证的原则。类似于统计推断的无免费午餐定理，本研究结果澄清了因果推断的实质性假设的必然性。我们的拓扑方法的另一个好处是，它很容易容纳SCM无限多个变量。最后，我们建议，该框架可能有助于积极的项目，探索和评估替代的因果关系归纳假设。
2022-05-31 cs.AI cs.LG stat.ME
A Bayesian Nonparametric Approach for Evaluating the Causal Effect of Treatment in Randomized Trials with Semi-Competing Risks
我们开发了一种贝叶斯非参数（BNP）方法来评估随机试验中治疗的因果效应，其中非终末事件可以被终末事件删失，但反之亦然（即，半竞争风险）。基于主分层的思想，我们定义了一个新的估计量的因果关系的治疗对非终端事件。我们引入识别假设，索引的敏感性参数，并显示如何使用我们的BNP方法得出推论。我们进行模拟研究，并说明我们的方法使用数据从脑癌试验。
2019-07-21 stat.ME
Semiparametric Bayesian causal inference
我们开发了一个半参数贝叶斯方法估计的平均响应在一个缺失的数据模型与二进制的结果和非参数建模的倾向得分。等价地，我们估计治疗的因果效应，对混杂进行非参数校正。我们证明了标准高斯过程先验在光滑条件下满足半参数Bernstein-von Mises定理。我们进一步提出了一种新的倾向分数相关的先验知识，在严格较弱的条件下提供有效的推理。我们还表明，理论上最好使用狄利克雷过程或贝叶斯自助法对协变量分布进行建模，而不是使用高斯过程先验对协变量密度进行建模。
2019-10-10 math.ST stat.ME stat.TH
ShrinkageTrees: An R Package for Bayesian Tree Ensembles for Survival Analysis and Causal Inference
Department of Mathematics, Vrije Universiteit Amsterdam（阿姆斯特丹自由大学数学系）
ShrinkageTrees是一个R包，通过贝叶斯加性回归树模型处理右删失和区间删失生存数据，支持因果推断中的预后和治疗效应分解，并引入深度惩罚、Dirichlet分裂和马蹄铁先验等正则化策略，适用于高维场景。
2026-06-11 stat.CO stat.ME
Uncertain Neighbors: Bayesian Propensity Score Matching For Causal Inference
我们比较了标准的最近邻倾向得分匹配与类似的贝叶斯倾向得分匹配过程的性能。我们表明，贝叶斯方法更好地利用了可用的信息，因为它使不那么武断的决定，哪些观察下降，哪些保留在匹配的样本。我们进行了模拟研究，以评估标准和贝叶斯最近邻匹配的性能时，匹配和不替换。然后，我们使用这两种方法来复制最近的研究土地改革对游击队活动在哥伦比亚的影响。
2021-05-05 stat.ME
Causal inference in drug discovery and development
University of Bergen（卑尔根大学）；Roche Innovation Centre Basel（罗氏创新中心巴塞尔）；University of Basel（巴塞尔大学）
本文面向药物研发从业者，以非技术方式介绍因果推断的基本概念，回顾其在药物发现与开发中的近期应用，并分析采用因果语言带来的机遇与挑战。
2022-09-29 cs.LG q-bio.QM stat.AP
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
Quantifying the causal effect of speed cameras on road traffic accidents via an approximate Bayesian doubly robust estimator
本文采用近似贝叶斯双稳健（DR）因果推断估计方法量化测速摄像机对道路交通碰撞的影响。以前的实证工作，这表明了不同范围的估计效果，主要是基于结果回归（OR）模型，使用经验贝叶斯方法或简单的前后比较。因果关系和混淆问题很少受到正式关注。因果DR方法结合了倾向得分（PS）和OR模型，以给出平均处理效应（ATE）估计量，该估计量在两个组分模型中任一个的正确规范下一致且渐近正态。我们开发了一种新的近似贝叶斯框架内的这种方法，以获得后验预测分布的ATE的速度摄像机对道路交通碰撞。我们对英格兰的研究结果表明，超速摄像机站点的碰撞次数显著减少（平均ATE = -15%）。我们提出的方法提供了一个很有前途的方法来评估运输安全干预。
2019-08-16 stat.AP
A Bayesian Approach to Constraint Based Causal Inference
我们的目标问题的准确性和鲁棒性的因果推理从有限的数据集。一些最先进的算法产生清晰的输出，具有坚实的理论保证，但容易传播错误的决策，而其他算法非常擅长处理和表示不确定性，但需要依赖于不期望的假设。我们的目标是将贝叶斯方法的固有鲁棒性与基于约束的方法的理论强度和清晰度相结合。我们使用贝叶斯得分来获得基于约束的过程中使用的输入语句的概率估计。这些随后以可靠性的降序处理，在冲突的情况下，让更可靠的决策优先，直到获得单个输出模型。测试表明，贝叶斯约束为基础的因果发现（BCCD）算法的基本实现已经优于既定的程序，如FCI和保守的PC。它还可以指示输出中哪些因果决策具有高可靠性，哪些不具有高可靠性。
2012-10-16 cs.AI stat.ME
Bayesian Inference and Partial Identification in Multi-Treatment Causal Inference with Unobserved Confounding
在因果估计问题中，感兴趣的参数通常只能部分识别，这意味着即使有无限的数据，参数也不能被精确地恢复。在这里，我们研究贝叶斯推断的部分确定的处理效应在多治疗因果推断问题与未观察到的混杂。原则上，推断部分识别的处理效应在贝叶斯范式下是自然的，但结果可能对参数化和先前规范高度敏感，通常以令人惊讶的方式。因此，理解关于处理效应的结论的哪些方面完全由先前的规范驱动是至关重要的。我们使用了一个所谓的透明参数化的影响，更可解释的科学动机的多重效果的先验规范。我们证明了我们的分析在一个例子中量化基因表达水平对小鼠肥胖的影响。
2022-04-23 stat.ME
Bayesian Sensitivity Analysis for Causal Estimation with Time-varying Unmeasured Confounding
Dalla Lana School of Public Health, University of Toronto（多伦多大学达拉·兰纳公共卫生学院）；Public Health Ontario（安大略省公共卫生局）；Rutgers School of Public Health, Rutgers University（罗格斯大学罗格斯公共卫生学院）；Division of Gastroenterology, Hepatology Nutrition, The Hospital for Sick Children（儿童医院胃肠病学、肝病营养科）；University of Utah and Intermountain Healthcare Primary Children’s Hospital（犹他大学和山脊医疗初级儿童医院）；Institute of Health Policy, Management and Evaluation, University of Toronto（多伦多大学卫生政策、管理与评估研究所）
本文提出两种贝叶斯敏感性分析方法，用于估计存在时间变化未测量混杂因素的纵向观察数据中的治疗效应，并通过模拟和实际数据验证其有效性。
2025-06-12 stat.ME
Bayesian semi-parametric G-computation for causal inference in a cohort study with MNAR dropout and death
用观测的纵向数据和随时间变化的暴露量进行因果推断常常由于时间依赖的混杂和损耗而变得复杂。G计算公式是估计这种情况下因果效应的一种方法。在实践中通常使用的参数建模方法依赖于强建模假设来进行有效推断，并且还依赖于随机缺失的假设，当缺失是非随机缺失（MNAR）或由于死亡而缺失时，这是不合适的。在这项工作中，我们开发了一个灵活的贝叶斯半参数G-计算方法，用于评估的因果关系的影响，将生存的亚群，无论暴露，在设置MNAR辍学。该方法是使用贝叶斯加性回归树为观测数据指定模型，然后使用嵌入敏感性参数的假设来识别和估计因果效应。所提出的方法是出于对认知，健康和老龄化的纵向队列研究，我们应用我们的方法来研究成为寡妇对记忆的影响。我们还将我们的方法与几种标准方法进行了比较。
2020-10-12 stat.AP
Bayesian Propensity Score-Augmented Latent Factor Models for Causal Inference with Time-Series Cross-Sectional Data
University of Michigan（密歇根大学）
本文提出一种贝叶斯倾向分数增强的潜在因子模型，用于时间序列横截面数据的因果推断，通过引入潜在因子载荷显式建模处理分配机制，并通过分层等方法灵活整合倾向分数，提升跨分层的异质性分析能力。
2026-03-26 stat.ME
Causal programming: inference with structural causal models as finding instances of a relation
University of Maryland（马里兰大学）
本文提出了一个因果推断关系和因果规划作为一般框架的因果推断与结构因果模型。元组$\langle M, I, Q, F \rangle$是关系的实例，如果公式$F$计算因果查询$Q$，作为由一组模型假设$M$所包含的每个模型中的已知总体概率$I$的函数。因果推断中的许多问题都可以看作是满足给定条件的关系实例的枚举问题。这统一了一些以前研究的问题，包括因果效应识别，因果发现和选择偏差的恢复。此外，这种关系支持用结构因果模型将因果推断中的新问题形式化，例如研究设计问题。因果规划被提出作为因果推断的进一步推广，作为关于成本函数找到关系的最佳实例的问题。
2018-05-04 cs.AI stat.ME
A Survey of Causal Inference Frameworks
因果推断是一门多学科发展和应用的科学。一方面，它基于试验设计和严格的统计推断来衡量观察数据中的治疗效果，以得出因果关系陈述。潜在结果框架是量化因果效应最有影响力的框架之一。另一方面，因果图模型利用有向边来表示因果关系，并对图中变量之间的条件独立关系进行编码。从图中读出条件独立句和重构因果结构两个方面都做了一系列的研究。近年来，对因果推断的最新研究开始将不同的因果推断框架统一起来。本综述旨在回顾过去关于因果推断的工作，主要集中在潜在结果框架和因果图模型。我们希望这一调查将有助于加快理解因果推断在不同领域。
2022-09-02 stat.ME
Bayesian Weighted Mendelian Randomization for Causal Inference based on Summary Statistics
全基因组关联研究（GWAS）对数千种表型的研究结果为推断一种表型（暴露）对另一种表型（结果）的因果影响提供了前所未有的机会。孟德尔随机化（MR），一个工具变量（IV）的方法，已被引入使用GWAS数据的因果推断。然而，由于复杂性状/疾病的多基因结构和多效性的普遍存在，与常规IV方法相比，MR具有许多独特的挑战。我们提出了一个贝叶斯加权孟德尔随机化（BWMR）的因果推断，以解决这些挑战。在我们的BWMR模型中，弱效应的不确定性，由于多基因性已被考虑和违反IV假设，由于多效性已通过贝叶斯加权离群值检测解决。为了使基于BWMR的因果推断具有计算稳定性和高效性，我们提出了一种变分期望最大化（VEM）算法。此外，我们还导出了一个精确的封闭式公式，以纠正变分推断中经常被低估的后验协方差。通过全面的仿真研究，我们评估了BWMR的性能，证明了BWMR相对于其竞争对手的优势。然后，我们应用BWMR对130种代谢物和93种复杂的人类特征进行了因果推断，揭示了暴露与结果特征之间的新因果关系。BWMR软件可在https://github.com/jiazhao97/BWMR上获得。
2019-04-29 stat.ME
Bayesian Propensity Scores for High-Dimensional Causal Inference: A Comparison of Drug-Eluting to Bare-Metal Coronary Stents
高维数据可以通过提供许多混杂因素来支持可解释性假设的可解释性，从而有助于因果推断。倾向得分方法是因果推断的有力工具，在医疗保健研究中很受欢迎，并且对于高维数据特别有用。最近的兴趣已经围绕这些方法的贝叶斯公式，以灵活地估计倾向得分和总结后验量，同时纳入方差（可能是高维的）治疗模型。我们讨论的方法贝叶斯倾向得分分析的二进制治疗，侧重于现代方法的高维贝叶斯回归和传播的不确定性的治疗回归。我们介绍了一种新的和简单的估计的平均处理效应，利用共轭的β和二项分布。通过模拟，我们展示了马蹄先验和贝叶斯加性回归树与我们的新估计配对的效用，同时展示了包括治疗和结局模型方差的重要性。近500个混杂因素和9000例患者的心脏支架数据说明了方法，并比较了现有的频率论替代方法。
2017-10-09 stat.ME
