提出了一种在现代数据丰富的环境中估计未观察到的混杂影响下的平均处理效应的新框架，该框架具有大量的单位和结果。该提出的估计器具有双重鲁棒性，结合了结果填充、逆概率加权和用于矩阵补全的新型交叉拟合程序。我们推导出有限样本和渐近保证，并且证明新估计器的误差以参数速率收敛到均值为零的高斯分布。模拟结果显示本文分析的估计器的形式性质的实际相关性。

Feb, 2024

估计线性反问题解的线性功能参数的研究，提供首个双重健壮推理方法以确保感兴趣的参数的渐近正态性，无需了解哪个反问题更合适，这一结果是迭代 Tikhonov 正则化对抗性估计器在线性反问题上的新担保为通用假设空间的发展创造的。

Jul, 2023

近年来，对于在训练和测试数据之间分布变化下表现出鲁棒性能的统计方法引起了越来越多的关注。本文关注点预测的统计研究主要关注的是均方误差损失，而本文则将关注焦点转向概率预测，旨在全面量化给定协变量的结果变量的不确定性。我们在因果性启发框架下，研究了概率预测在适当评分规则下的不变性和鲁棒性。我们证明了任意的分布变化通常不具有不变且鲁棒的概率预测，与点预测的情况相反。我们通过说明如何选择评估指标并限制分布变化的类别，以实现在典型的高斯异方差线性模型中的可识别性和不变性。在这些发现的基础上，我们提出了一种能够产生不变概率预测的方法，称为 IPP，并研究了底层参数的一致性。最后，我们在模拟数据和单细胞数据上展示了我们提出的方法的实证表现。

Sep, 2023

本研究提出了一种方法，通过将每个观察的可能性变为一种权重，从数据中推断连续变量和权重，以检测和减轻大量概率模型的不匹配性，并明确不同类型的不匹配性对模型的影响与表现，这有助于提高模型的鲁棒性和预测准确性。

Jun, 2016

本文提出了一种使用积分概率度量进行协变量平衡的加权方法，并证明该方法可以在不正确指定模型的情况下保持一致性，同时在有限样本情况下的表现也比现有方法更好。

May, 2023

本文研究了一个基于迭代重新加权的估计方法，该方法针对多元高斯分布的均值具有鲁棒性，且具有多个优秀性质，包括计算上的可行性、对平移、伸缩和正交变换的不变性、高断点以及渐近有效性。此外，本文还为提出的估计器建立了无维度的非渐近风险界限，并将结果推广到了子高斯分布和污染率未知、协方差矩阵未知等情形。

Feb, 2020

我们引入了一种新的低方差评估因果误差的估计方法，称为 pairs estimator。通过将同样的 IPW 估计器应用于模型和真实实验效果，我们的估计器有效地消除了由于 IPW 引起的方差，并实现了较小的渐近方差。经验证明，我们的估计器的性能得到了改进，几乎能达到 RCT 的性能水平。我们的方法提供了一种简单而强大的解决方案，用于在条件随机化设置中评估因果推断模型，无需对 IPW 估计器本身进行复杂修改，为更健壮可靠的模型评估铺平了道路。

Nov, 2023

本文介绍了一种基于逆方差权重的均方误差适应于神经网络的参数优化方法，同时提出了 Batch Inverse-Variance（BIV）作为一种损失函数用来控制学习率，并展示了 BIV 相比 L2 loss、逆方差加权和过滤式基准方法在两个噪声数据集上显著提高了神经网络的性能。

Jul, 2021

本文探究非参数间接回归（NPIR）和非参数工具变量（NPIV）回归模型的收敛速率的现有正则性条件之间的关系，并在两个基本正则条件下建立均方误差损失的极小风险下限。我们发现，在允许轻度不适当和严重不适当的情况下，NPIR 模型的简单投影估计方法和 NPIV 模型的筛选最小距离估计方法是最优的，可以在大量结构函数上实现速率最优。

Sep, 2007

本文提出了一种多工作回归模型的校准方法，可用于估计单个或多个参数，当缺失概率被正确指定且假设了多个条件均值工作回归模型时，具有奥拉克尔（Oracle）性质，在缺失数据机制被错误指定时，仍可成为一致估计量，可使用共同的校准权重同时获得所有感兴趣参数的半参数效率界，并且与生物统计学、计量经济学和调查抽样中许多现有的估计方法有联系。

Oct, 2014