Synthetic estimation for the complier average causal effect
本文提出了一种改进的编译平均因果效应(CACE)估计。在不依从性研究中,研究者通常会选择一个假定为无偏估计量的CACE估计量,而其他低方差估计量可能是可用的。我们提出了一个综合估计,结合所有可用的估计信息,利用低方差估计的效率,同时保持低偏差。我们的方法最小化的候选估计的所有凸组合的均方误差的估计。我们推导出合成估计量的渐近分布,并在模拟中证明了其良好的性能,显示了鲁棒性,甚至包括高偏差估计。
2019-09-12 stat.ME
Feature selection in stratification estimators of causal effects: lessons from potential outcomes, causal diagrams, and structural equations
估计平均因果效应的理想回归(如果有的话)是什么?我们研究这个问题的设置离散协变量,推导出各种分层估计的有限样本方差的表达式。这种方法澄清了许多被广泛引用的结果背后的基本统计现象。我们的论述结合了三种不同的方法论传统研究因果效应估计的见解:潜在的结果,因果关系图和结构模型与添加剂错误。
2022-09-23 stat.ME 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
A Uniformly Consistent Estimator of Causal Effects under the $k$-Triangle-Faithfulness Assumption
Spirtes,Gaviour和Scheines [Causation,Prediction,and Search(1993)Springer]描述了任何因果结构的马尔可夫等价类的逐点相合估计量,该因果结构可以由任何参数族的有向无环图表示,具有条件独立性的一致检验,在因果马尔可夫和因果忠实性假设下。然而,Robins等人[Biometrika 90(2003)491-515]证明了在这些假设下因果结构的马尔可夫等价类不存在一致相合估计量。随后,Kalisch和Bühlmann [J. Mach.学习. Res. 8(2007)613-636]描述了在因果马尔可夫和强因果忠实性假设下线性高斯因果结构的马尔可夫等价类的一致相合估计量。然而,强忠实性假设在许多领域可能以高概率为假。在因果马尔可夫假设和相当弱的k-三角-忠实性假设下,我们描述了线性高斯因果结构的马尔可夫等价类和马尔可夫等价类中可识别结构系数的一致相合估计量.
2015-02-03 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
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
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
RealCause: Realistic Causal Inference Benchmarking
Mila(米拉研究所)
在因果推理中有许多不同的因果效应估计量。然而,目前尚不清楚如何在这些估计量之间进行选择,因为因果效应没有地面实况。一个常用的选择是模拟合成数据,其中地面实况是已知的。然而,合成数据上的最佳因果估计量不太可能是真实数据上的最佳因果估计量。因果估计量的理想基准将(a)产生因果效应的地面真值,(b)代表真实数据。使用灵活的生成模型,我们提供了一个基准,既产生地面真相,是现实的。使用这个基准,我们评估了超过1500种不同的因果估计,并提供证据表明,使用预测指标为因果估计选择超参数是合理的。
2021-03-29 cs.AI 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
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
Local causal effects with continuous exposures: A matching estimator for the average causal derivative effect
本文针对连续暴露的因果效应估计问题,提出平均因果导数效应框架及匹配估计量和置换检验方法,并通过模拟和COPD真实数据验证其有效性。
2023-11-30 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
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
On robust Bayesian causal inference
Athens University of Economics and Business(雅典大学经济与商业学院)
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
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
A Framework for Optimal Matching for Causal Inference
我们提出了一个新的框架,从观测数据的因果效应匹配估计是基于最小化的对偶范数的估计误差时,表示为一个操作员。我们发现,许多流行的匹配估计可以表示为最佳的在这个框架中,包括最近邻匹配,粗精确匹配,平均匹配采样。这揭示了他们的动机和适当性,作为结构先验,通过将效果嵌入特定的功能空间来制定。这也产生了一系列新的,基于核的匹配估计,出现时,一个嵌入的效果在再生核希尔伯特空间。根据情况,这些估计可以使用二次优化或整数优化。我们证明了基于通用核的估计是普遍一致的,没有模型规格。在使用合成和真实数据的实证结果中,新的基于核的估计量在估计误差方面优于所有标准的因果估计量。
2017-02-28 stat.ME
Causal Effect Estimation Methods
讨论了从观测数据中进行因果推断的两种流行建模框架--因果图模型和潜在结果因果模型之间的关系。一些流行的因果效应估计发现在潜在结果因果模型的应用,如治疗加权估计和双稳健估计的逆概率,可以通过使用因果图模型得到。我们仅限于简单的情况下,二进制的结果和治疗变量与离散混杂因素,它是如何推广的结果,连续变量的情况下。
2014-10-31 stat.ME
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
Averaging causal estimators in high dimensions
近年来,当潜在混杂因素的数量非常大时,人们越来越感兴趣地开发估计因果效应的方法。这种兴趣的增长导致了一些潜在的估计,可以在这种情况下使用。这些估计器中的每一个都具有不同的操作特性,并且在所有可能的场景中,一个估计器不太可能优于所有其他估计器。再加上分析师永远不知道哪种方法最适合他们的特定数据,我们提出了一个综合估计,平均超过一组候选估计。平均在统计学中被广泛用于预测等问题,其中有许多可能的模型,平均可以提高性能并增加使用不正确模型的鲁棒性。我们表明,这些想法结转到估计的因果关系在高维场景。我们从理论上表明,平均值提供了鲁棒性,对选择一个坏的模型,并通过模拟的平均估计执行得很好,在大多数情况下,以及在所有可能的候选估计最好的经验。最后,我们说明了这些想法在一个环境广泛的协会研究,并看到平均提供了最大的好处,在更困难的情况下,有大量的混杂因素。
2020-02-04 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
Large Sample Properties of Entropy Balancing Estimators of Average Causal Effects
在观察性研究中使用加权方法来调整治疗组和对照组之间的协变量失衡。熵平衡(EB)是利用估计的倾向得分的逆概率加权的替代方案。EB权重被构造为满足平衡约束,并朝着稳定性进行优化。基于Kullback-Leibler和二次Rényi相对熵,我们描述了平均因果处理效应的EB估计的大样本性质。此外,我们还提出了他们的渐近方差估计。即使EB的目的是减少模型依赖性,估计量通常不一致,除非满足倾向得分或条件结果的隐式参数假设。有限样本性质的估计进行了研究,通过模拟研究。在瑞典儿童糖尿病登记处的观察数据的应用中,我们估计了学校成绩对1型糖尿病急性并发症住院治疗的平均影响。
2022-04-22 stat.ME
On randomization-based causal inference for matched-pair factorial designs
在潜在结果框架下,我们引入了配对析因设计,并给出了析因效应的配对估计。我们还计算了匹配对估计的基于随机化的协方差阵,并给出了协方差阵的“Neymanian”估计。
2017-02-03 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 Practical Guide to Counterfactual Estimators for Causal Inference with Time-Series Cross-Sectional Data
本文介绍了一个简单的框架,反事实估计因果推断与时间序列横截面数据,其中我们估计的平均处理效应的治疗直接归因于反事实的结果治疗观察。在此框架下,我们讨论了几个新的估计,包括固定效应反事实估计,交互式固定效应反事实估计,矩阵完成估计。当处理效应具有异质性或存在未观察到的时变混杂因素时,它们提供了比传统的双向固定效应模型更可靠的因果估计。此外,我们提出了一个新的动态处理效应图,以及几个诊断测试,以帮助研究人员衡量识别假设的有效性。我们用两个政治经济学的例子来说明这些方法,并在R和Stata中开发了一个开源包fect,以促进实施。
2022-08-14 stat.AP 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
Empirical Bayes Double Shrinkage for Combining Biased and Unbiased Causal Estimates
针对结合观察性数据与随机对照试验因果估计的问题,提出一类无需调参的双重收缩估计量,通过数据驱动的凸组合与类似Stein的向零收缩处理多维因果被估量,并提供了构建经验贝叶斯置信区间的方法及模拟验证。
2023-09-13 stat.ME
Matching Estimators for Causal Effects of Multiple Treatments
平均处理效应的匹配估计量广泛用于二元处理设置,其中缺失的潜在结果插补为每个单位所有匹配的观察结果的平均值。然而,对于两个以上的治疗组,使用匹配的估计需要额外的技术。在本文中,我们提出了一个最近邻匹配估计使用多个,标称治疗,并使用模拟表明,这种方法是精确的,覆盖水平接近标称。此外,我们实施建议的推理方法,以检查不同的药物治疗方案对长期疼痛的患者经历机动车碰撞的影响。
2019-04-25 stat.ME
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
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
Multiply robust estimation of causal effects under principal ignorability
因果推断不仅涉及治疗对结局的平均影响,还涉及通过感兴趣的中间变量的潜在机制。主要分层通过针对主要层内的亚组因果效应来表征这种机制,主要层由中间变量的联合潜在值定义。由于因果推断的基本问题,主要阶层本质上是潜在的,这使得识别和估计其中的亚组效应具有挑战性。一系列的研究利用了主要的可解释性假设,即潜在的主要层是平均独立的潜在结果条件下观察到的协变量。根据主要的可验证性,我们推导出各种非参数识别公式的因果关系的影响,在观察性研究中,激励估计依赖于正确的规格的不同部分的数据分布。适当地结合这些估计产生三重稳健估计的因果关系的影响,在主要阶层。这些三重稳健估计是一致的,如果两个治疗,中间变量和结果模型被正确指定,而且,他们是局部有效的,如果所有三个模型都被正确指定。我们表明,这些估计自然产生的有效的影响函数的半参数理论或模型辅助估计的调查抽样理论。我们评估不同的估计基于其有限样本的性能,通过模拟和应用它们的两个观察性研究。
2022-03-28 stat.ME
Combining multiple observational data sources to estimate causal effects
大数据时代见证了用于统计分析的多个数据源的日益可用性。我们考虑将大的主数据与不可测量的混杂因素和较小的验证数据与这些混杂因素的补充信息相结合来估计因果效应。在完全观察到混杂因素的无混杂性假设下,较小的验证数据允许构造因果效应的相合估计量,但较大的主数据一般只能给出易错估计量。然而,通过以原则性的方式利用大主数据中的信息,我们可以提高估计效率,同时保留仅基于验证数据的初始估计量的可靠性。我们的框架适用于渐近正态估计,包括常用的回归插补,加权和匹配估计,并不需要一个正确的规范的模型相关的不可测量的混杂因素的观察变量。我们还提出了适当的自举程序,这使得我们的方法直接使用现有的估计软件例程来实现。
2021-08-21 stat.ME
Causal inference with multi-state models - estimands and estimators of the population-attributable fraction
人群归因分数(PAF)是一种流行病学指标,用于衡量人群中有害暴露的负担。它通常被解释为消除暴露后可预防病例的比例。最初,PAF定义为具有基线暴露的固定长度队列研究或横断面研究。将定义扩展到复杂的事件发生时间数据并不简单。我们修改了文献中提出的方法,并为这些数据情况提供了一个清晰的PAF概念。概念化是通过恰当区分被估量和估计量以及因果效应测度和关联测度来实现的。
2019-03-25 stat.ME
Bivariate Causal Discovery using Bayesian Model Selection
Imperial College London(帝国理工学院);University of Bristol(布里斯托尔大学);University of Oxford(牛津大学)
本文提出将因果假设纳入贝叶斯框架,将双变量因果方向识别转化为贝叶斯模型选择问题,并构建贝叶斯非参数模型,在多种基准数据集上超越先前方法。
2024-05-27 cs.LG 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
Causal Inference from Possibly Unbalanced Split-Plot Designs: A Randomization-based Perspective
裂区设计在具有随机化限制的多因素试验中具有广泛的适用性。实际的考虑往往保证使用不平衡的设计。本文研究了可能不平衡的裂区设计中基于随机化的因果推断。从最近研究的平衡情况下的想法延伸产生的治疗对比估计的采样方差的表达式,以及保守的估计的采样方差。然而,即使当处理效应是严格可加的时,该方差估计量的偏差也不会消失。一个仔细的和涉及矩阵分析,以克服这个困难,从而在一个新的方差估计,这是在温和的条件下变得无偏。一个建设过程中,产生这样的估计极小极大偏差的建议。
2019-06-20 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
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
Causal Inference under Network Interference with Noise
越来越多的是,有一个显着的兴趣,估计因果关系的影响下,网络干扰,由于这样一个事实,干扰自然体现在网络实验。然而,网络信息通常仅在一定程度的误差下可用。我们研究了这种错误的传播,估计网络干扰下的平均因果效应。具体来说,假设一个四水平的暴露模型和伯努利随机分配的治疗,我们的特点是网络噪声的影响,在均匀和非均匀网络的标准估计的偏差和方差。此外,我们提出了方法的时刻估计偏差减少网络复制的最小数量。我们证明了我们的估计是渐近正态的,并提供了量化这些估计的不确定性的置信区间。我们说明了我们的估计,通过模拟研究在英国中学接触网络的实际表现。
2022-08-31 stat.ME
ADCB: An Alzheimer's disease benchmark for evaluating observational estimators of causal effects
Chalmers University of Technology(查尔姆斯理工大学)
模拟器为因果效应估计提供了独特的基准,因为它们不依赖于无法验证的假设或干预现实世界系统的能力,但通常过于简单,无法捕捉实际应用的重要方面。我们提出了一个模拟阿尔茨海默氏症的目的是在建模的医疗数据的复杂性,同时使基准的因果关系和政策估计。我们将该系统与阿尔茨海默病神经影像学倡议(ADNI)数据集相匹配,并在比较治疗试验和观察性治疗模式的结果中手工制作组件。该模拟器包括改变因果推理任务的性质和难度的参数,例如潜变量、效应异质性、观察历史的长度、行为策略和样本量。我们使用模拟器来比较平均和条件治疗效果的估计。
2021-11-12 cs.LG stat.ML
Note on the Delta Method for Finite Population Inference with Applications to Causal Inference
本文探讨Delta方法与有限总体中心极限定理结合,以推导因果估计量的渐近分布和方差,并通过因果比率估计量示例展示其应用。
2022-06-01 stat.ME
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
Kernel-based estimators for functional causal effects
School of Mathematical Sciences, Horizon Digital Economy Institute, University of Nottingham, Nottingham, UK(数学科学学院,Horizon数字经济研究所,诺丁汉大学,诺丁汉,英国);Department of Statistics, Rice University, USA(统计学系,里士满大学,美国;伯克利国家实验室,美国);Lawrence Berkeley National Laboratory, USA(统计科学组,洛斯阿拉莫斯国家实验室,美国);Statistical Sciences Group, Los Alamos National Laboratory, USA(数学科学学院,诺丁汉大学,诺丁汉,英国);School of Mathematical Sciences, University of Nottingham, Nottingham, UK
本文提出基于经验Fréchet均值和算子值核的函数型因果效应估计量,以应对高维时序数据中的治疗效应估计问题,并提供理论一致性保证与实证比较,拓展了因果推断在动态非线性函数型数据中的应用。
2025-06-03 cs.LG math.ST 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
Black Box Causal Inference: Effect Estimation via Meta Prediction
New York University(纽约大学);Genentech(基因泰克);Center for Data Science, New York University(纽约大学数据科学中心);Prescient Design, Genentech(基因泰克预见设计部)
本文提出黑盒因果推断(BBCI),将因果效应估计转化为数据集层面的元预测问题,通过从采样的数据集-效应对中学习构建估计器,在多个因果推断问题上准确估计ATE和CATE。
2025-03-07 cs.AI cs.LG stat.CO
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
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
Machine learning for causal inference: on the use of cross-fit estimators
现代因果推断方法允许使用机器学习来削弱参数建模假设。然而,机器学习的使用可能导致推理的复杂化。双稳健交叉拟合估计已被提出,以产生更好的统计特性。我们进行了模拟研究,以评估几种不同的估计的平均因果效应(ACE)的性能。模拟治疗和结局的数据生成机制包括对数转换、多项式项和不连续性。我们比较了单稳健估计(g-计算,逆概率加权)和双稳健估计(增广逆概率加权,目标极大似然估计)。分别用参数模型和集成机器学习估计营养功能。我们进一步评估了双稳健交叉拟合估计。使用正确指定的参数模型,所有估计量均无偏,且置信区间达到标称覆盖范围。当与机器学习一起使用时,双稳健交叉拟合估计量在偏差、方差和置信区间覆盖率方面大大优于所有其他估计量。由于在高维数据中很难正确地指定参数模型,在大多数流行病学研究中,集成学习和交叉拟合的双稳健估计可能是估计ACE的首选方法。然而,这些方法可能需要更大的样本量以避免有限样本问题。
2020-08-28 stat.ME stat.ML
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
Bayesian-based Propensity Score Subclassification Estimator
本文提出一种基于贝叶斯的倾向得分子分类估计量,利用不依赖似然函数的通用贝叶斯程序评估层数不确定性,避免选择单一最优层数,从而将设计阶段的不确定性适当纳入因果效应分析。
2024-10-19 stat.ME
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 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
Balancing Weights for Causal Mediation Analysis
The University of Tokyo(东京大学)
本文提出了一种通过直接惩罚权重分散并强制协变量和中介变量平衡的方法,以提高因果中介分析中估计器的稳定性和准确性。
2026-11-17 econ.EM stat.ME