The role of exchangeability in causal inference
该研究提出概率性组间可交换性作为因果效应识别条件，将其与贝叶斯因果推断中的因果模型、混杂及因果对比关联，还探讨了该思路在纵向场景的延伸。
2022-12-16 math.ST stat.ME stat.TH
The tropical geometry of causal inference for extremes
极值统计是经典统计的最大模拟，而回归几何是经典几何的最大模拟。在本文中，我们回顾了最近的工作，从热带几何的见解被用来开发新的，高效的学习算法，在基准数据集上的性能领先的极值统计。我们给出了直觉，在基准数据集上的表现的支持下，为什么以及何时应该采用经典方法的极端因果推理。最后，我们列出了因果推理、热带几何和深度学习交叉点的一些悬而未决的问题。
2022-07-20 math.CO math.ST stat.TH
Causal inference from $2^k$ factorial designs using the potential outcomes model
本文提出了一个从两水平析因设计中进行因果推断的框架。该框架利用的概念，潜在的结果，在于在中心阶段的因果推断和扩展奈曼的重复抽样方法的因果效应估计和随机化测试的基础上，费舍尔的尖锐的原假设的情况下，2-水平析因实验。该框架允许从有限的人口统计推断，允许定义和估计的被估量以外的“平均因子效应”，并导致更灵活的推理程序比那些基于普通最小二乘估计从线性模型。
2012-11-16 math.ST stat.AP stat.ME
Extended Conditional Independence and Applications in Causal Inference
本文的目标是将随机条件独立性和变异条件独立性的概念整合到一个更一般的扩展条件独立性的概念之下。我们表明，在适当的假设下，分别适用于这两种情况（公理的分离体）的微积分仍然适用于扩展的情况。这些结果提供了一个严格的基础，广泛的统计概念，包括辅助性和充分性，特别是决策理论框架的统计因果关系，它使用的语言和演算的条件独立性，以表达因果属性，并作出因果推断。
2015-12-01 math.ST stat.ME stat.TH
Causal inference using the algorithmic Markov condition
推断连接n个可观测量的因果结构通常基于检测统计依赖性和选择使联合测量马尔可夫的单图。在这里，我们将讨论为什么因果推理也是可能的，当只有单一的观察。我们开发了一个理论，如何生成因果图解释单个对象之间的相似性。为此，我们取代的概念，条件随机独立的因果马尔可夫条件的条件算法互信息的消失，并描述了相应的因果推理规则。我们解释了为什么一个一致的重新制定的因果推理算法的复杂性意味着一个新的推理原则，也考虑到条件概率密度的复杂性，使它能够选择马尔可夫等价因果图。这一见解提供了一个理论基础的启发式原则提出了早期的工作。我们还讨论了如何用可判定的复杂性准则代替Kolmogorov复杂性。这可以被看作是一种算法模拟，用基于潜在分布的隐式或显式假设的实际独立性测试来取代统计独立性的经验不可判定问题。
2008-04-23 cs.IT math.IT math.ST
Dual Likelihood for Causal Inference under Structure Uncertainty
针对因果结构学习带来的不确定性问题，提出基于对偶似然的方法，可构建同时涵盖结构与效应数值不确定性的总因果效应置信域，在等方差线性因果模型下实现结构可识别与高效计算。
2024-02-13 math.ST stat.ME stat.TH
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
Algorithmic independence of initial condition and dynamical law in thermodynamics and causal inference
我们假设一个原则，说明一个物理系统的初始条件通常是算法独立的动力学定律。我们认为这将热力学和因果推理联系起来。一方面，它需要类似于通常的时间箭头的行为。另一方面，它激发了最近在因果推理领域中假设的原因和结果之间的统计不对称性，即概率分布P（原因）不包含关于条件分布P（结果）的信息|原因），反之亦然，而P（效果）可能包含有关P（原因）的信息|效果）。
2015-12-07 cond-mat.stat-mech math.ST quant-ph
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
On Efficient Inference of Causal Effects with Multiple Mediators
本文针对多个交互中介变量场景，在一般设定下定义因果中介效应，采用半参数框架开发四重稳健估计量，证明其渐近正态性与局部半参数有效性，并通过创伤幸存者精神障碍数据集实证验证。
2024-01-10 econ.EM math.ST 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
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
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
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
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
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
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
Causal Inference: A Missing Data Perspective
推断治疗的因果效应是许多学科的中心目标。潜在结果框架是因果推断的主要统计方法，其中因果效应被定义为在不同治疗条件下相同单位的潜在结果的比较。因为对于每个单元，最多观察到一个潜在结果，而其余结果缺失，所以因果推断本质上是一个缺失数据问题。事实上，因果推断和缺失数据之间在术语和推理框架上有着密切的相似之处。尽管这两个学科之间存在着内在的联系，但因果推断和缺失数据的统计分析在目的、设置和方法上也存在着明显的差异。本文从缺失数据的角度对因果推断进行了系统的综述。针对可验证的治疗分配机制，我们讨论了广泛的因果推断方法，这些方法在缺失数据分析中具有类似性，例如插补，逆概率加权和双稳健方法。在每一个三种模式的推理-频率，贝叶斯和Fisherian随机化-我们提出了一般结构的推理有限样本和超人口估计，并通过具体的例子说明。我们确定了开放的问题，以激励更多的研究，以弥合这两个领域。
2018-01-03 stat.ME
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
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
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
Causal Inference in Travel Demand Modeling (and the lack thereof)
本文是关于我们在实践和文献中看到的普遍脱节，在出行需求建模和因果推断的学科之间。在本文中，我们断言，旅游需求建模应该是许多领域之一，专注于生产有效的因果推断，我们假设的原因，目前的研究两个机构之间的脱节。此外，我们探讨了联合这两个学科的潜在好处。我们认为什么样的旅游需求建模可以从更大的纳入技术和观点的因果推断文献，我们简要讨论了什么样的因果推断文献可能会从旅游需求建模者的工作。在本文中，我们不试图“解决”有关的问题，从旅游需求模型的因果推断。相反，我们希望在出行需求建模和因果推断文献内部和之间引发更大的讨论。特别是，我们希望引发讨论的必要性，绘制因果推断在旅游需求的应用程序和方法，其中一个可能合理地这样做。
2017-12-07 stat.AP
Consistency of Causal Inference under the Additive Noise Model
Toyota Technological Institute-Chicago（芝加哥丰田理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
我们分析了一个家庭的统计因果推断的方法，从所谓的加性噪声模型下的样本。虽然大多数关于这个问题的工作都集中在建立加性噪声模型的可靠性，统计一致性的推断方法很少受到关注。我们推导出一般条件下，给定的家庭的推理方法一致推断的因果方向在非参数设置。
2014-02-05 cs.LG stat.ML
When Is Causal Inference Possible? A Statistical Test for Unmeasured Confounding
本文提出一种结合随机对照试验与观测数据的统计检验，用于判断无未测量混杂假设是否成立，从而评估现实数据是否适合因果推断。
2025-08-28 stat.ME
Causal Inference Using Tractable Circuits
University of California, Los Angeles（加州大学洛杉矶分校）
本文的目的是讨论最近的一个结果表明，概率推理（未知）的因果机制的存在下，传统上被视为棘手的模型可以是易处理的。这一结果最近被报道，以促进基于模型的监督学习，但它可以解释在因果关系的上下文中如下。人们可以将非参数因果图编译成算术电路，该算术电路支持在电路大小中时间线性的推断。该电路也是非参数的，因此它可以用于从数据中估计参数，并进一步推理（在线性时间内）由这些估计参数化的因果图。此外，电路的大小有时可以是有界的，甚至当因果图的树宽不是，导致在模型上的易处理的推理，以前被认为是棘手的。这已经通过一种新技术实现，该技术可以在计算上利用因果机制，但不需要知道它们的身份（因果推理中的经典设置）。我们的目标是提供一个以因果关系为导向的暴露这些新的结果，并推测它们如何可能有助于更可扩展和通用的因果推理。
2022-02-07 cs.AI cs.CC cs.LG
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
Covariate adjustment in randomization-based causal inference for 2K factorial designs
本文建立了2K析因设计中基于随机化的因果推断中协变量调整的有限总体渐近理论。特别是，我们证实了因子效应的未调整和协变量调整估计量都是渐近正态的，并且后者比前者更精确。
2016-07-12 stat.ME
Causal inference for data centric engineering
本文回顾了从观测数据中寻求因果推断的方法，并演示了如何将其应用于工程研究中的经验问题。它提出了一个框架的基础上的概念，潜在的结果和审查的核心当代方法，可用于估计因果数量的因果关系识别。该文件有两个目的：首先，为以数据为中心的工程社区提供有关因果推断的统计文献的综合概述;其次，说明因果概念和方法如何应用。后一个目标是通过蒙特卡罗模拟来实现的，该模拟旨在复制工程研究中遇到的典型经验问题。模拟的R代码可供读者运行和调整，并引用了现实世界的研究。因果推断旨在量化非实验环境中由于明确干预（或"治疗"）而发生的效应，通常用于非随机分配的治疗。本文认为，工程干预的分析往往具有这样的条件，因此，因果推断具有直接和有价值的适用性。
2022-11-24 stat.AP
Causal inference with confounders missing not at random
从观察性研究中得出因果推断是很重要的，但是，如果混杂因素有缺失值，这将变得具有挑战性。一般来说，如果混杂因素是非随机缺失，则无法识别因果效应。我们提出了一个新的框架，以非参数识别因果关系的影响与混杂因素的结果无关的missingness，即缺失数据的机制是独立的结果，给定的治疗和可能的缺失混杂因素。然后，我们提出了一个非参数两阶段最小二乘估计和因果效应的参数估计。
2019-02-01 stat.ME
Multiply robust dose-response estimation for multivalued causal inference problems
针对多值处理的因果推断问题，提出了一种多重稳健（MR）剂量反应估计方法。我们结合了一个家庭的广义倾向得分（GPS）模型和家庭的结果回归（OR）模型，以实现平均潜在的结果估计是一致的，如果在每个家庭中只有一个GPS或OR模型是正确指定的。我们提供的证据和模拟，证明多个鲁棒性的背景下，多值因果推断问题。
2017-05-17 stat.ME
Data Integration in Causal Inference
整合来自多个异质来源的数据已变得越来越流行，以实现大样本量和多样化的研究人群。本文回顾了因果推断方法的发展，该方法结合了从潜在异质性人群中通过潜在不同设计收集的多个数据集。我们总结了随机临床试验与观察性研究或历史对照的外部信息相结合的最新进展，当没有单个样本具有所有相关变量时，将样本组合起来应用于双样本孟德尔随机化，在隐私问题下使用真实世界数据进行比较有效性和安全性研究的分布式数据设置，贝叶斯因果推断和因果发现方法。
2021-10-03 stat.ME
A Forecaster's Review of Judea Pearl's Causality: Models, Reasoning and Inference, Second Edition, 2009
Central University of Finance and Economics（中央财经大学）
本文从预测者视角评述 Pearl《因果论》第二版，展示预测场景中的因果推断策略，并探讨时间序列预测中反事实建模、不确定性估计与先验知识融合的益处和挑战。
2023-08-10 cs.LG stat.AP stat.ME
Causal inference using deep neural networks
Carnegie Mellon University（卡内基梅隆大学）
从观测数据中进行因果推断是许多科学领域的核心问题。在这里，我们提出了一个通用的监督深度学习框架，通过将输入向量转换为每对输入的图像表示来推断因果交互。给定一个训练数据集，我们首先构建一个标准化经验概率密度分布（NEPDF）矩阵。然后，我们训练一个卷积神经网络（CNN）的因果关系预测的NEPDF。我们在几个不同的模拟和真实世界的数据上测试了该方法，并将其与先前的因果推理方法进行了比较。正如我们所展示的，该方法是通用的，可以有效地处理非常大的数据集，并改进了以前的方法。
2020-11-25 cs.LG 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
Statistical causal inference methods for observational research in PER: a primer
本文针对物理教育研究（PER）中观察数据的因果推断问题，介绍了统计因果推断的基本原理与方法，并通过模拟数据阐明混杂因素与中介变量的控制原则，最终提出观察研究应致力于为未来干预研究提供预测。
2023-05-23 physics.ed-ph stat.ME
Inference of Causal Effects when Control Variables are Unknown
Uppsala University（乌普萨拉大学）
因果效应推理的传统方法通常依赖于指定一组有效的控制变量。当这个集合是未知的或错误指定的时候，推论就会出错。我们提出了一种方法来推断平均因果效应时，所有潜在的混淆观察，但控制变量是未知的。当数据生成过程属于非循环线性结构因果模型类时，我们证明了该方法产生渐近有效的置信区间。我们的结果建立在一个光滑的线性有向无环图的特征。我们验证了该方法的能力，以产生有效的置信区间的平均因果效应，使用合成数据，即使当控制变量的适当规格是未知的。
2021-06-11 cs.LG stat.ME stat.ML
Quantifying Sufficient Randomness for Causal Inference
虚假关联来自于治疗倾向和个体结局风险之间的协方差。对于具有随机反事实的敏感性分析，我们引入了一种方法来表征自然实验和准实验中因果推断的不确定性。我们的敏感性参数是倾向和个体风险变化的标准化度量，1减去其几何平均值是数据生成过程中随机性的直观度量。在我们的潜在倾向风险模型中，我们展示了如何从列联表数据计算一个阈值，$T$，足够的随机性因果推断。如果数据生成过程的实际随机性超过该阈值，则保证因果推断。
2021-03-09 stat.ME
Probabilistic Matching: Causal Inference under Measurement Errors
每天从各种各样的来源产生的丰富的数据，促进了对从观测数据进行因果推断分析的新方法的需求。观测数据通常包含噪声或缺失的条目。此外，因果推断研究可能需要未观察到的高级信息，这些信息需要从其他观察到的属性中推断出来。在这种情况下，所应用的推理方法的不准确性将导致噪声输出。在这项研究中，我们提出了一种新的方法，当一个或多个关键变量是嘈杂的因果推断。我们的方法利用知识的不确定性的实际值的关键变量，以减少由噪声测量引起的偏差。我们评估我们的方法与现有的方法相比，模拟和真实的情况下，我们表明，我们的方法减少了偏见，避免在大多数情况下错误的因果推断结论。
2017-03-13 stat.CO stat.ME stat.ML
Causal Inference through a Witness Protection Program
因果推断中最基本的问题之一是当变量混杂时对因果效应的估计。这在观察性研究中是困难的，因为没有直接证据表明所有混杂因素都已调整。我们介绍了一种新的方法来估计因果效应，利用观测条件独立性，建议在一个未知的因果图中的“弱”路径。Spirtes等人广泛使用的忠诚条件被放宽，以允许不同程度的“路径取消”，这意味着条件独立，但不排除存在混淆的因果路径。结果是通过线性规划方法和贝叶斯推断的平均因果效应的界上的后验分布。我们主张这种方法应该与观察性研究中的其他默认工具一起用于常规实践。
2014-10-30 stat.ML
Atlantic Causal Inference Conference (ACIC) Data Analysis Challenge 2017
本简要说明记录了与大西洋因果推断会议（ACIC）相关的2017年数据分析挑战中使用的数据生成过程。挑战的重点是在存在靶向选择的情况下对条件平均处理效应（CATE）的估计和推断，这会导致强混杂。相关的数据文件和进一步的图表可以在第一作者的网页上找到。
2019-05-23 stat.ME stat.OT
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
Deep End-to-end Causal Inference
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Cambridge（剑桥大学）；Microsoft Research（微软研究院）；G-Research
因果推断对于跨业务参与、医疗和政策制定等领域的数据驱动决策至关重要。然而，因果发现的研究已经从推理方法中独立出来，阻止了两个领域的方法的直接结合。在这项工作中，我们开发了深度端到端的因果推断（DECI），一个基于单流的非线性加性噪声模型，采用观测数据，可以执行因果发现和推理，包括条件平均处理效应（CATE）估计。我们提供了一个理论上的保证，DECI可以恢复标准的因果发现假设下的地面真相因果图。出于应用程序的影响，我们将此模型扩展到具有缺失值的异构混合类型数据，允许连续和离散的治疗决策。我们的研究结果显示，与因果发现和（C）ATE估计的相关基线相比，DECI在一千多个实验中具有竞争力的性能，这些实验涉及合成数据集和因果机器学习基准，跨越数据类型和缺失程度。
2022-06-20 cs.LG stat.ML
Applied Causal Inference Powered by ML and AI
MIT（麻省理工学院）；Chicago Booth（芝加哥大学布斯商学院）；Cornell University（康奈尔大学）；Hamburg University（汉堡大学）；Stanford University（斯坦福大学）
该书聚焦机器学习与因果推断的新兴融合方向，讲解经典结构方程模型及对应的有向无环图、结构因果模型等AI因果框架，介绍双重/去偏机器学习方法以用现代预测工具实现因果推断。
2024-03-04 cs.LG econ.EM 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 Primer on Deep Learning for Causal Inference
UCLA（加州大学洛杉矶分校）；Northwestern Kellogg School of Management（西北大学凯洛格管理学院）；University of Chicago（芝加哥大学）；Harvard Medical School（哈佛医学院）；Santa Fe Institute（圣塔菲研究所）
本文系统综述了基于深度神经网络的因果推断方法，重点介绍异质性处理效应估计、非线性及文本/网络/图像混杂场景，并提供 TensorFlow 2 实现教程。
2023-11-28 cs.LG econ.EM stat.ME
Causal inference: critical developments, past and future
因果关系是一个哲学争论的主题，也是一个有着悠久历史的核心科学问题。在统计领域，基于比较中的“公平”概念对因果关系的研究可以追溯到几百年前，而构成因果推断领域的统计概念和发展只有几十年的历史。在本文中，我们回顾了因果推断的核心原则和方法，以及该领域历史上的主要发展。我们强调与传统的“关联”统计方法，包括估计方程和半参数理论的连接，并指出当前的主题，积极研究在这个关键领域，我们的领域。
2022-04-05 stat.OT
A conceptual synthesis of causal assumptions for causal discovery and inference
本文综合多个因果发现与推断框架，梳理因果充分性、忠实性和马尔可夫条件等基础假设，提供贯穿研究设计全阶段的实用指导，以支持跨领域严谨因果推理。
2025-04-21 q-bio.QM stat.AP stat.ME
Causal inference in connected populations with contagion
The Pennsylvania State University（宾夕法尼亚州立大学）
研究在具有传染性的连接群体中，通过闭式表达式揭示传染对因果效应的影响，并讨论模型估计的渐近偏差和设计估计的邻域暴露假设违反问题。
2026-09-01 stat.ME
Towards Causal Foundation Model: on Duality between Causal Inference and Attention
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）；Microsoft Research Cambridge（微软研究院剑桥分部）
本文提出基于注意力的因果推断方法CInA，利用无标签数据集进行自监督学习，通过最优协变量平衡与自注意力机制的对偶联系实现零样本因果推断，在分布外和真实数据集上表现优异，为因果基础模型发展奠定基础。
2024-06-03 cs.AI cs.LG stat.ME
Causal Inference Isn't Special: Why It's Just Another Prediction Problem
Hong Kong University of Science and Technology（香港理工大学）
本文提出因果推断本质上是分布偏移下的预测问题，通过重加权和域适应等预测技术可直接应用，从而简化其逻辑并提升可及性。
2025-07-09 cs.LG stat.ME stat.ML
Evaluating Gender Wage Inequality in Academia using Causal Inference Methods for Observational Data
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文通过因果推断方法分析学术薪酬数据，发现女性教员收入比男性低约6%，差异随职业阶段和科研生产力变化。
2026-04-10 econ.GN q-fin.EC stat.AP
From Causal Discovery to Dynamic Causal Inference in Neural Time Series
Lucy Family Institute for Data & Society（数据与社会卢西家族研究所）；University of Notre Dame（诺克斯达大学）；Political Science University of Notre Dame（政治学诺克斯达大学）
提出动态因果网络自回归（DCNAR）两阶段框架，通过神经自回归因果发现学习稀疏有向因果网络，并将其作为结构先验用于时变神经网络自回归，实现无需预设网络结构的动态因果推断。
2026-06-04 cs.AI cs.LG stat.AP
Some Reflections on Drawing Causal Inference using Textual Data: Parallels Between Human Subjects and Organized Texts
University of Pennsylvania（宾夕法尼亚大学）
我们研究的作用，文本数据作为研究单位进行因果推理时，绘制人类受试者和有组织的文本之间的相似之处。%的人口研究。我们详细阐述了关键的因果概念和原则，并揭示了一些模糊性，有时甚至是谬误。为了便于更好地构建因果查询，我们讨论了两种策略：（i）从不变的特征转移到对它们的感知，以及（ii）从一些抽象概念/属性转移到其组成部分，即，从建构主义的角度看待抽象概念。我们希望这篇文章能提高人们对阐明和澄清基本概念的重要性的认识，然后再深入研究使用文本数据进行因果推理时的方法。
2022-02-02 cs.CL cs.LG stat.AP
