Text-Transport: Toward Learning Causal Effects of Natural Language
Carnegie Mellon University（卡内基梅隆大学）
本文提出 Text-Transport 方法，利用分布偏移在文本领域间迁移因果效应估计，避免目标领域强假设，并通过社交媒体仇恨言论场景验证其必要性。
2023-10-31 cs.CL stat.ME
Optimal transport for causal discovery
KTH Royal Institute of Technology（KTH皇家理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Silo AI（Silo人工智能公司）；Microsoft Research（微软研究院）
为了确定两个变量之间的因果关系，已经提出了基于功能因果模型（FCM）的方法，通过适当地限制模型类别;然而，性能对模型假设敏感，这使得它难以使用。在本文中，我们提供了一个新的动态系统的FCM视图，并提出了一个新的框架，确定因果方向的双变量的情况下。我们首先展示了FCM和最优运输之间的联系，然后研究了FCM约束下的最优运输。此外，通过利用FCM约束下的最优输运的动力学解释，我们确定了相应的静态因果对数据的潜在动力学过程。它提供了一个新的维度来描述静态的因果发现任务，同时享有更多的自由度来建模的定量因果影响。特别是，我们表明，加性噪声模型（ANMs）对应于体积保持无压流。因此，基于它们的速度场发散，我们引入了确定因果方向的准则。基于此准则，我们提出了一种新的基于最优传输的ANMs算法，该算法对模型的选择具有鲁棒性，并将其扩展到后非线性模型。我们的方法在合成和因果发现基准数据集上都展示了最先进的结果。
2022-03-29 cs.LG stat.ME
Causal Partial Identification via Conditional Optimal Transport
Stanford University（斯坦福大学）；University of Southern California（南加州大学）
本文提出了一种基于条件最优传输的直接非参数估计方法，用于单个单位的因果部分识别，通过更强拓扑下的连续性证明，提高了估计的一致性和有效性。
2026-02-12 stat.ME
Learning Causal Graphs via Monotone Triangular Transport Maps
EPFL（洛桑联邦理工学院）
本文提出基于下三角单调参数化传输映射的因果发现方法，利用最优传输设计对噪声分布不敏感的条件独立性检验，并扩展至基于得分的因果发现，可在加性噪声或后非线性模型等假设下唯一恢复因果图。
2023-05-26 cs.LG stat.ME
Selection on treatment in the target population of generalizabillity and transportability analyses
研究者越来越多地使用新的方法将因果推断从试验扩展（推广或转移）到目标人群。在许多可推广性和可移植性分析中，按照非嵌套试验设计，对来自目标人群的试验和观察数据进行单独采样。在该设计的实际实施中，目标人群中的非随机化个体通常通过使用特定治疗来识别，而使用其他候选治疗用于相同适应症的个体或未使用任何治疗的个体被排除在外。在本文中，我们认为，在目标人群中的治疗条件的变化的估计量的推广和可移植性分析，并可能引入严重的偏见，在目标人群或目标人群的子集使用特定的治疗的因果估计。此外，我们认为，天真的应用边际化或加权为基础的标准化方法不会产生任何合理的因果估计。我们使用因果图和反事实的参数来描述识别问题引起的条件反射治疗的目标人群，并说明了使用模拟数据的问题。最后，我们考虑我们的研究结果的应用工作的影响。
2022-09-19 stat.ME
Causal Analysis at Extreme Quantiles with Application to London Traffic Flow Data
提出一种结合重尾特征估计极端尾部处理效应的新方法，应用于伦敦交通数据，发现Cycle Superhighways运营后极端交通流量显著增加。
2023-08-07 stat.ME
A Stable and Efficient Covariate-Balancing Estimator for Causal Survival Effects
针对条件独立删失数据的生存因果效应估计，提出经验稳定且渐近有效的协变量平衡方法，解决非参数方法因小概率倒数放大估计误差的问题，并通过合成与半合成实验验证理论结果。
2024-05-15 stat.ME stat.ML
A primer on optimal transport for causal inference with observational data
Emory University（埃默里大学）
本综述介绍最优运输与观察性数据因果效应识别的深层联系，指出因果推断基础模型隐含依赖最优运输原理，旨在统一多领域语言符号并探索两领域未来研究方向。
2026-08-10 cs.AI econ.EM stat.ME
Optimal transport and Wasserstein distances for causal models
本文提出一种适应有向图因果结构的最优传输变体，建立因果模型间的Wasserstein距离，证明平均处理效应的连续性及小扰动下的稳定性，并引入基于该距离的因果模型插值方法。
2024-07-04 math.OC math.PR math.ST
Distilling heterogeneous treatment effects: Stable subgroup estimation in causal inference
Yale University（耶鲁大学）；University of Notre Dame（圣母大学）；University of California Irvine（加州大学尔湾分校）
本研究提出因果提炼树（CDT），结合黑箱模型的预测性能与决策树的可解释性，在HIV抗逆转录病毒治疗随机对照试验中构建稳定临床相关子群，性能优于现有方法。
2026-09-01 stat.ME
Within-Person Variability Score-Based Causal Inference: A Two-Step Estimation for Joint Effects of Time-Varying Treatments
本文提出两步因果推断法，先用SEM计算剔除稳定特质的个体内变异性得分，再用MSM或带G估计的SNMM估计时变连续处理的联合效应。
2022-01-04 stat.ME
Stable Differentiable Causal Discovery
Columbia University（哥伦比亚大学）；Irving Institute for Cancer Dynamics（欧文癌症动力学研究所）；Department of Biomedical Engineering, Columbia University（哥伦比亚大学生物医学工程系）；Department of Statistics, Columbia University（哥伦比亚大学统计系）
提出SDCD方法，通过更稳定的无环性约束和针对稀疏图的训练程序，解决了现有可微因果发现方法的数值不稳定和扩展性问题，在准确性和收敛速度上优于现有方法且可扩展至数千变量。
2024-06-27 cs.LG stat.ME
Sensitivity analysis for transportability in multi-study, multi-outcome settings
现有的工作，在数据融合包括识别因果被估量时，从异构源的数据集成。这些结果通常需要额外的假设来进行有效的估计和推断。然而，很少有文献在多结局环境中运输和概括因果效应，其中主要结局在研究水平上系统缺失，但其他结局变量可作为代理。我们回顾了正在进行的工作中开发的识别结果，利用这些代理的信息，以获得更有效的估计和相应的关键识别假设。然后，我们介绍的方法来评估这种方法的识别假设的敏感性。
2023-01-07 stat.ME
Graph Causal Optimal Transport and Wasserstein Distances
Mathematical Institute, University of Oxford（牛津大学数学研究所）
该研究刻画了图因果最优运输相关的有向无环图性质，推导了动态规划原理，建立了图因果Wasserstein距离与适配Wasserstein距离的相等条件，并得到随机团队问题中值函数的Lipschitz连续性。
2026-08-17 math.OC math.PR math.ST
Efficient and robust methods for causally interpretable meta-analysis: transporting inferences from multiple randomized trials to a target population
我们提出了因果关系可解释的荟萃分析方法，结合多个随机试验的信息，以估计潜在的（反事实）结果的手段和目标人群的平均处理效应。我们认为可识别性条件，推导出的条件的影响，观察到的数据的法律，并获得识别结果运输因果推断从一组独立的随机试验，一个新的目标人群中，实验数据可能无法使用。我们提出了一个估计的潜在（反事实）的结果平均在目标人群下的每一个治疗研究的试验。估计量使用来自试验集合的协变量、治疗和结果数据，但仅使用来自目标人群样本的协变量数据。我们表明，它是双重强大的，在这个意义上说，它是一致的，渐近正常时，它依赖的模型中的至少一个是正确指定的。我们在模拟研究中研究了估计量的有限样本性质，并使用多中心随机试验的数据演示了其实现。
2022-02-05 stat.AP stat.ME
Sequential Transport for Causal Mediation Analysis
Université du Québec à Montréal (UQAM)（魁北克大学蒙特利尔分校）；Ukrainian Catholic University（乌克兰天主教大学）；Kyoto University（京都大学）；Aix Marseille Université, CNRS, AMSE（阿维尼翁-马赛大学，法国国家科学研究中心，AMSE）；CNRS - Université de Montréal CRM – CNRS（法国国家科学研究中心 - 蒙特利尔大学 CRM – 法国国家科学研究中心）
本文提出序列运输框架，结合最优运输与中介有向无环图，构建单位层面的中介反事实，通过最小运输实现中介分布的归一化，适用于数值和分类中介变量，证明了方法的一致性及因果解释能力。
2026-03-22 cs.LG stat.ME
A Framework for Generalization and Transportation of Causal Estimates Under Covariate Shift
随机实验是一个很好的工具，估计内部有效的因果关系与手头的样本，但其外部有效性经常受到争议。虽然关于群体平均处理效应（PATE）估计的经典结果隐含地假设随机选择进入实验，但在许多医学、社会科学和工业实验中，这通常远非如此。当实验样本与目标样本在可观察或不可观察的维度上不同时，实验估计对政策决策的用途可能有限。我们首先将使用样本平均处理效应（SATE）估计目标平均处理效应（TATE）的外推偏倚分解为协变量偏移、重叠和效应修正分量，研究人员可以对此进行推理，以诊断外推偏倚的严重程度。接下来，我们将协变量转移作为样本选择问题，并提出估计器，重新加权实验对象的双重稳健分数，以估计整体样本（=：泛化）或替代目标样本（=：运输）中的处理效应。我们实现这些估计在开源的R包catheter TransportR，并说明其性能在模拟研究和讨论诊断，以评估其性能。
2023-01-12 econ.EM stat.ME
Causal inference in transportation safety studies: Comparison of potential outcomes and causal diagrams
激发运输安全研究的研究问题本质上是因果关系。安全性研究人员通常使用观察数据来回答这些问题，但通常没有适当的因果推断方法。因果推断领域提出了几种用于探测经验数据以评估因果关系的建模框架。本文重点探讨两个这样的建模框架-因果图和潜在的结果-一个特定的运输安全问题的适用性。估计了路面标线回射性对路段安全性的因果影响。更具体地说，基于这些框架在真实数据集上的三种不同实现的结果进行了比较：具有回归调整的逆倾向得分加权和具有回归调整的倾向得分匹配与因果贝叶斯网络。增加路面标线的后向反射率通常会降低夜间目标碰撞的概率。然而，我们发现估计的因果效应的大小对所使用的方法和违反的假设是敏感的。
2011-07-25 stat.AP
Directed Acyclic Graphs and causal thinking in clinical risk prediction modeling
背景：在流行病学中，因果推断和预测建模方法在历史上是不同的。有向无环图（DAG）用于对先验因果假设进行建模，并为因果问题的变量选择策略提供信息。尽管最初设计用于预测的工具在因果推断中得到了应用，但对应的工具在很大程度上仍未得到探索。这项基于理论和模拟的研究的目的是评估在临床风险预测建模中使用DAG的潜在益处。方法和发现：我们探讨如何将知识的基础因果结构可以提供有关的可移植性的诊断临床风险预测模型的不同设置的见解。因果方向的单一预测因子模型可能比反因果方向的模型具有更好的可移植性。我们进一步探讨因果知识是否可以用来改善预测选择。我们的经验表明，马尔可夫毯，一组变量，包括父母，孩子，和父母的孩子的结果节点在DAG中，是最佳的预测结果。结论：我们的研究结果挑战了普遍接受的观点，即如果预测因子正确包含在模型中，预测因子分布的变化不会影响诊断临床风险预测模型的校准。此外，使用DAG来识别马尔可夫毯变量可能是一种有用的，有效的策略，以选择临床风险预测模型中的预测因子，如果存在或可以学习的基础因果结构的强大知识。
2020-02-21 stat.ME
Surrogate Outcomes and Transportability
University of Jyvaskyla（于韦斯屈莱大学）
因果效应的识别是因果推理最基本的任务之一。我们考虑一个可识别性问题，其中一些实验和观测数据是可用的，但没有数据本身是足够的识别感兴趣的因果效应。代替感兴趣的结果，在实验中测量替代结果。这个问题是一个推广的可识别性使用替代实验，我们称之为替代结果可识别性。我们表明，可移植性的概念提供了一个足够的标准，确定代理结果可识别的一大类查询。
2019-03-12 cs.AI stat.ME
Generalizing and transporting causal inferences from randomized trials in the presence of trial engagement effects
本文在存在试验参与效应时，提出新的因果估计量，证明在无交互作用假设下，可结合试验与目标人群数据识别常规护理下的平均治疗效果，并为现有估计器提供新解释。
2024-07-19 math.ST stat.ME stat.TH
Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding
The Pennsylvania State University（宾夕法尼亚州立大学）
研究指出未观测混杂会使数据驱动因果发现中，增大样本量无法保证识别潜在因果结构，仅能提升观测代理变量关联的确定性，凸显统计不确定性降低与因果机制恢复的根本差异。
2026-07-31 stat.ME
Stable Causal Discovery via Directed Acyclic Graph Aggregation
Yau Mathematical Sciences Center, Tsinghua University（丘成桐数学科学中心，清华大学）；Department of Statistics, University of Virginia（弗吉尼亚大学统计系）；Dr. Bing Zhang Department of Statistics, University of Kentucky（肯塔基大学张炳章统计系）
本文提出DAGgr模型平均框架，通过聚合多个候选DAG以获得稳定表示，利用外样本预测似然加权候选图，并通过边重要性评分阈值规则保证聚合图的无环性，通过理论分析和实验验证其有效性。
2026-05-18 stat.ME stat.ML
Matching for causal effects via multimarginal unbalanced optimal transport
协变量匹配是一个公认的框架，用于估计观察性研究中的因果效应。主要的挑战来自于问题的高维结构。已经引入了许多方法来解决这个问题，在计算和统计性能以及可解释性方面具有不同的优点和缺点。本文介绍了一种基于多边缘不平衡最优运输的自然最优匹配方法，该方法在这方面具有许多有用的性质。它根据匹配个体的距离提供可解释的权重，可以通过迭代比例拟合程序有效地实现，并且可以同时匹配多个治疗组。重要的是，所提出的方法只选择好的匹配从任何一组，因此是竞争力与经典的k-最近邻方法在有限样本的偏差和方差。此外，我们证明了一个中心极限定理的经验过程的最优耦合的潜在功能的不平衡的最优运输问题的固定罚款条款。这意味着一个参数的收敛速度的经验获得的权重的最佳权重在人口的固定惩罚期限。
2022-07-09 econ.EM stat.ME stat.ML
Optimal transport weights for causal inference
Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；David Geffen School of Medicine at UCLA（加州大学洛杉矶分校大卫·格芬医学院）
协变量分布的不平衡导致因果效应的有偏估计。加权方法试图纠正这种不平衡，但依赖于治疗分配机制的指定模型，这在观察性研究中是未知的。这使得研究人员在不知道正确组合以实现分布平衡的情况下为这些模型选择适当的加权方法和适当的协变量函数。为了应对这些困难，我们提出了一个非参数的推广其他几个加权方案中发现的文献：因果最优运输。这种新方法通过最大限度地减少治疗组和对照组之间的最佳运输距离，或更一般地说，任何来源和目标人群之间的最佳运输距离，直接针对分布平衡。我们的方法是半参数化的有效和无模型，但也可以将时刻或任何其他重要的功能的协变量，研究人员希望平衡。此外，我们的方法可以提供非参数估计的条件平均结果函数，我们给出了速度的收敛。此外，我们展示了这种方法如何提供缺失的潜在结果的非参数插补，并给出了这种估计的收敛速度。我们发现，因果最优运输优于竞争对手的方法时，倾向得分和结果模型是错误的，这表明它是一个强大的替代常见的加权方法。最后，我们证明了我们的方法在外部对照试验中的效用，检查米索前列醇与催产素治疗产后出血的效果。
2022-05-12 cs.LG econ.EM stat.ME
Connections as treatment: causal inference with edge interventions in networks
本文提出了一种网络边干预的因果推断框架，通过指数随机图模型估计边概率，用于分析交通网络中铁路连接对区域经济的影响。
2026-01-12 stat.AP stat.ME
Causal inference under transportability assumptions for conditional relative effect measures
本文研究在条件相对效应度量可迁移性假设下，识别和估计目标人群的边际反事实均值差与比值，提出多重稳健且非参数有效的估计量，并通过模拟和帕利哌酮试验数据验证其有效性。
2024-07-17 math.ST stat.ME stat.TH
What is a good matching of probability measures? A counterfactual lens on transport maps
Institut Elie Cartan de Lorraine, Université de Lorraine（伊莱·卡坦研究所（洛林）、洛林大学）；Université Paris-Saclay, CNRS, Inria, Laboratoire de mathématiques d’Orsay（巴黎-萨克雷大学、国家科学研究中心、法国国家信息与自动化技术研究院、奥赛数学实验室）
本文比较循环单调、保分位数和三角单调三类传输映射的等价条件，并将反事实推理形式化为边缘分布间传输映射的选择，从而建立统计传输与因果推断的理论联系。
2025-09-19 cs.LG math.ST stat.ME
Towards a Transportable Causal Network Model Based on Observational Healthcare Data
University of Milano - Bicocca（米兰比可卡大学）；Fondazione IRCCS Istituto Nazionale dei Tumori（意大利国家肿瘤研究所（IRCCS基金会））；F. Hoffmann - La Roche Ltd（罗氏公司）；University of Twente（特文特大学）；Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达勒·莫勒人工智能研究所（IDSIA））
提出结合选择图、缺失图、因果发现与先验知识的新方法构建因果网络模型，解决观察性医疗数据偏差问题，实现可迁移性，在年轻乳腺癌女性心血管风险评估上优于竞争机器学习方法。
2023-11-20 cs.AI cs.LG stat.ME
On Transportability for Structural Causal Bandits
Graduate School of Data Science（数据科学研究生院）；Seoul National University（首尔国立大学）
本文提出了一种结构因果投递框架，通过融合源环境的先验信息来增强部署学习，实现了亚线性遗憾界并可能优于传统方法。
2025-11-22 cs.LG stat.ML
An Optimal Transport Approach to Estimating Causal Effects via Nonlinear Difference-in-Differences
本研究提出一种基于最优输运的非线性双重差分方法，可估计多变量反事实分布，推广了现有因果推断方法，经合成与真实数据验证，能更细致揭示最低工资上调对快餐店用工结构的影响。
2024-03-08 econ.EM math.ST stat.ME
Counterfactual Cross-Validation: Stable Model Selection Procedure for Causal Inference Models
Tokyo Institute of Technology（东京工业大学）；CyberAgent, Inc（CyAgent公司）
研究条件平均处理效应（CATE）预测中的模型选择问题。与以前的作品在这个主题上，我们专注于保持候选CATE预测的性能的排名顺序，使准确和稳定的模型选择。为此，我们分析了模型性能排名问题，并制定准则，以获得更好的评价指标。然后，我们提出了一种新的度量，可以识别CATE预测器的性能具有高置信度的排名。实证评估表明，我们的度量优于现有的度量在模型选择和超参数调整任务。
2020-07-16 cs.LG stat.ML
A General Algorithm for Deciding Transportability of Experimental Results
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
在大多数科学探索中，将经验发现推广到新的环境、设置或人群是必不可少的。本文将讨论一个特殊的问题的普遍性，称为“可移植性”，定义为一个许可证，以转移实验研究中学到的信息到一个不同的人群，只有观察性研究可以进行。考虑到两个种群之间的共性和差异，Pearl和Bareinboim（2011）得出了允许这种转移发生的充分条件。本文总结了他们的研究结果，并补充了一个有效的程序，以决定何时以及如何运输是可行的。它建立了一个必要和充分的条件，以决定何时因果效应在目标人口估计从现有的统计信息和因果信息从实验转移。本文进一步提供了一个完整的算法来计算传输公式，即一种结合观测和实验信息来合成期望因果关系的无偏估计的方法。最后，本文考察了可移植性和可概括性的其他变体之间的差异。
2013-12-29 cs.AI stat.ME stat.ML
Causal Inference under Interference with Learned Exposure Mappings
Yale University（耶鲁大学）；Yale School of Public Health（耶鲁公共卫生学院）
该研究针对环境场景中需从污染数据学习暴露映射的因果推断问题，对比PDE、PINO等传输模型，发现预测精度相近的模型溢出估计差异大，仅预测一致无法保证可靠因果推断。
2026-08-21 cs.AI cs.CY cs.LG
A Review of Generalizability and Transportability
在评估因果效应时，确定结果旨在推广的目标人群是一个关键的决定。随机和观察性研究在估计目标人群中的因果效应方面各有优势和局限性。来自随机数据的估计值可能具有内部效度，但通常不能代表目标人群。观察性数据可能更好地反映目标人群，因此更有可能具有外部效度，但由于未测量的混杂因素，可能存在潜在偏倚。虽然大部分的因果推断文献都集中在解决内部效度偏差，内部和外部效度是必要的无偏估计在目标人群。本文提出了一个解决外部效度偏倚的框架，包括概括性和可移植性方法的综合，它们需要的假设，以及处理效应的异质性和研究与目标人群之间的差异的测试。
2021-02-23 stat.AP stat.ME stat.ML
Stable Central Limit Theorems for Discrete-Time Lag Martingale Difference Arrays: Applications to Dynamic Causal Inference
University of Michigan（密歇根大学）；Johns Hopkins Carey Business School（约翰霍普金斯凯瑞商学院）
本文提出了一类离散时间滞后鞅差数组的稳定中心极限定理，通过伯恩斯坦阻断方案和经典鞅定理证明，并应用于动态因果推断问题。
2026-09-11 math.PR math.ST stat.TH
Stable specification search in structural equation model with latent variables
Universitas Islam Indonesia（印度尼西亚伊斯兰大学）；Radboud University Nijmegen（奈梅亨拉德堡德大学）
在我们以前的研究中，我们介绍了稳定规格搜索横截面数据（S3 C）。它是一种探索性的因果方法，结合稳定性选择概念和多目标优化，在整个模型复杂性范围内搜索稳定和简约的因果结构。在这项研究中，我们将S3 C扩展到S3 C-Latent，以模拟潜在变量之间的因果关系。我们在模拟数据上评估了S3 C-Latent，并将结果与PC算法的扩展PC-MIMBuild（最先进的因果发现方法）的结果进行了比较。比较结果表明，S3 C-Latent取得了较好的性能。我们还将S3 C-Latent应用于注意力缺陷/多动障碍儿童的真实数据和测量学生心理能力的数据。这一结果与以往的研究结果一致。
2018-05-24 cs.LG stat.ML
Transporting causal effects from a randomized trial without "transportability:" a case study of political advertising during U.S. elections
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
针对2020年美国大选广告实验，提出迁移学习框架估计目标人群（如佐治亚州）的处理效应，通过敏感性分析放松可迁移性假设，并基于有效影响函数和样本分裂校准参数。
2026-06-24 stat.AP stat.ME
Sinkhorn Treatment Effects: A Causal Optimal Transport Measure
Department of Statistics, University of Washington, Seattle, WA, USA（华盛顿大学统计学系）；Department of Health Care Policy, Harvard Medical School, Boston, MA, USA（哈佛医学院医疗政策系）
本文提出Sinkhorn治疗效应，作为因果分布差异的熵最优传输度量，通过核方法构建去偏估计器，并提出聚合检验方法以提高测试效力。
2026-05-08 cs.LG math.ST stat.ME
Bias-Targeted Nonparametric Balancing for Stable Causal Mediation Analysis
Department of Mathematics and Statistics, Boston University（波士顿大学数学与统计系）
本文提出一种非参数加权平衡方法，用于稳定因果中介分析中的估计器，通过重新参数化似然函数减少连续中介变量带来的偏倚和方差。
2026-02-09 stat.ME stat.ML
Stable Probability Weighting: Large-Sample and Finite-Sample Estimation and Inference Methods for Heterogeneous Causal Effects of Multivalued Treatments Under Limited Overlap
在本文中，我试图驯服“巴苏的大象”（极端选择的观察数据）。我提出了新的实用的大样本和有限样本的方法来估计和推断异质因果效应（unconfoundedness下）的经验相关的背景下，有限的重叠。我开发了一个通用的原则，称为“稳定概率加权”（SPW），可以作为替代广泛使用的逆概率加权（IPW）技术，它依赖于强重叠。我表明，IPW（或其增强版本），有效时，是一个特殊的情况下，更一般的SPW（或其双重强大的版本），它调整治疗状态的条件概率的极值。SPW原理可以使用几种现有的条件矩模型的大样本参数、半参数和非参数程序来实现。此外，我提供了新的有限样本的结果，适用于当unconfoundedness是合理的细地层。由于IPW估计依赖于估计的倾向得分的有问题的倒数，我开发了一个“样本稳定概率加权”（FPW）的集合估计，在某种意义上是无偏的。我还提出了新的有限样本推断方法来检验一般类弱零假设。相关的计算方便的方法，可以用来构建有效的置信集和有限样本的置信分布，是独立的利益。我的大样本和有限样本框架扩展到多值处理的设置。
2023-01-19 econ.EM math.ST stat.AP
Stable discovery of interpretable subgroups via calibration in causal studies
University of California, Berkeley（加州大学伯克利分校）；Northeastern University（东北大学）；Protypia Inc（Protypia公司）；Chan Zuckerberg Biohub（陈-扎克伯格生物中心）
基于Yu和Kumbier的PCS框架和随机实验，我们引入了一种新的方法，通过校准稳定发现可解释的亚组（StaDISC），具有大的异质性处理效应。StaDISC是在我们对1999-2000年VIGOR研究的重新分析中开发的，该研究是一项8076例患者的随机对照试验（RCT），比较了当时新批准的药物罗非考昔（万络）与较老的药物萘普生的不良事件风险。平均而言，与萘普生相比，万络可降低胃肠道（GI）事件的风险，但增加血栓性心血管（CVT）事件的风险。应用StaDISC，我们适合18个流行的条件平均处理效应（CATE）估计的结果和使用校准，以证明其较差的全球性能。但是，它们在局部校准良好且稳定，能够识别出具有大于（估计）平均处理效应的患者组。事实上，StaDISC发现了三个临床可解释的亚组，每个亚组的GI结局（总计占研究规模的29.4%）和CVT结局（总计11.0%）。使用2001-2004年APPROVe研究对发现的亚组进行补充分析，该研究是一项单独独立进行的RCT，纳入2587例患者，为StaDISC的前景提供了进一步的支持证据。
2020-09-29 cs.LG stat.AP stat.ME
Causality on Cross-Sectional Data: Stable Specification Search in Constrained Structural Equation Modeling
Universitas Islam Indonesia（印度尼西亚伊斯兰大学）；Radboud University Nijmegen（奈梅亨拉德堡德大学）；Radboud University Medical Centre（拉德堡德大学医学中心）
因果建模一直是许多研究人员的一个有吸引力的话题，近几十年来，理论发展和发现算法激增。一般来说，发现算法可以分为两种方法：基于约束和基于分数。约束为基础的方法是能够检测所观察到的变量的共同原因，但独立性测试的使用，使其不太可靠。基于分数的方法产生的结果更容易解释，因为它也测量了推断的因果关系的可靠性，但它无法检测到观察变量的常见混杂因素。基于分数和基于约束的方法的缺点是结构估计中固有的不稳定性。对于有限样本，数据中的微小变化可能导致完全不同的最佳结构。目前的工作介绍了一种新的假设自由得分为基础的因果发现算法，称为稳定的规格搜索，这是强大的有限样本的基础上，最近的进展，稳定性选择使用子采样和选择算法。结构搜索是在结构方程模型上进行的。我们的方法使用探索性搜索，但允许纳入先前的背景知识。我们在一个模拟数据集上验证了我们的方法，我们将其与已知的地面事实进行了比较，并将两个真实数据集用于慢性疲劳综合征和注意缺陷多动障碍，我们将其与早期的医学研究进行了比较。模拟数据集上的结果显示出显着的改进，替代方法和真实数据集上的结果显示出一致性的假设驱动模型构建的医学专家。
2016-07-14 cs.LG stat.ML
Analysing the causal effect of London cycle superhighways on traffic congestion
运输运营商有一系列干预方案可供选择，以改善或加强其网络。这种干预往往是在没有可靠证据证明其结果的情况下进行的。自行车高速公路作为一种可持续和健康的出行方式得到推广，其目的之一是减少交通拥堵。由于这种干预在交通网络上的非随机分配，估计自行车高速公路对拥堵的影响是复杂的。在本文中，我们分析的因果关系的循环高速公路利用干预前和干预后的交通和道路特征的信息，以及社会经济因素。我们提出了一个基于倾向得分和结果回归模型的建模框架。该方法也被扩展到双鲁棒设置。仿真结果表明，该方法的性能优于现有的竞争对手。该方法被应用到分析一个真实的数据集上的伦敦交通网络。所提出的方法可以帮助有效的决策，以提高网络性能。
2021-02-23 stat.AP
Bridging multiple worlds: multi-marginal optimal transport for causal partial-identification problem
该研究将因果部分识别问题纳入多边缘最优传输框架得到精确识别集，证明了插件式估计器的极小极大最优收敛性，数值实验显示其性能超基线70%以上，并提供了高效现成实现。
2024-09-13 stat.ME
Tightening Causal Bounds via Covariate-Aware Optimal Transport
本文研究通过协变量感知的最优传输收紧因果界限，提出将条件最优传输（COT）紧松弛为标准最优传输（OT）的方法，结合协变量信息实现更窄的部分识别区间，并提供易于实现的数据驱动估计量，仿真验证了其优越性能。
2025-05-30 stat.ME
Learning stable and predictive structures in kinetic systems: Benefits of a causal approach
ETH Zürich（苏黎世联邦理工学院）；MPI Tübingen（蒂宾根马克斯·普朗克研究所）；University of Copenhagen（哥本哈根大学）
从数据中学习动力学系统是许多领域的核心挑战之一。识别稳定模型对于数据驱动推理的泛化能力至关重要。我们引入了一个计算效率高的框架，称为CauseKinetiX，从离散时间，噪声观测，从异构实验中产生的结构。该算法假设存在一个基本的，不变的动力学模型，可重复的研究的一个关键标准。模拟和现实世界的例子的结果表明，学习动力系统的结构受益于因果关系的角度。所确定的变量和模型允许在多个实验设置中对动态进行简明描述，并且可以用于在看不见的实验中进行预测。我们观察到显着的改进相比，建立良好的方法只专注于预测性能，特别是样本外的泛化。
2019-11-28 cs.LG stat.AP stat.ME
Equilibrium Causal Digital Twins: Validation, Transport, and Identification Limits
Montana State University（蒙大拿州立大学）
研究数字孪生在有反馈系统中预测干预响应时的验证与传输问题，针对平衡因果博弈给出相关条件，引入循环选择图推导标准，得出验证需结构假设，还为线性模型推导干预要求及刻画查询值范围并提供统计检验。
2026-07-27 cs.MA cs.SY eess.SY
