以设计为先，实现客观因果推断
通过任务特定的实验设计和推导到定制特定下游应用程序的采样策略，我们提出了一种更节省样本数据的替代随机对照试验的方法，用于因果推断，并在各种重要任务，实际数据集和样本大小的情况下，胜过其他基准，例如需要一种数量级的数据才能在定向营销任务中达到随机对照试验的性能。
Jun, 2023
本文提出了一种方法，将观测数据和实验数据相结合，通过控制函数方法进行因果效应的估计，以解决可能存在未观测混淆变量的问题。该方法应用于课堂规模和第三年级考试成绩的数据，结论表明，课堂规模对学生学业成就有显著影响。
Jun, 2020
通过设计统计检验以及估计观察性研究的最大偏差强度的下界，我们提出了一种超越平均治疗效应的实证研究比较方法，并在真实环境中验证了该方法的有效性，结果与现有医学知识相一致。
Apr, 2024
本研究综述了长期以来在联合随机对照试验（RCTs）和观察研究中进行因果推断的方法，旨在实现 “两全其美”。作者首先讨论了提高观察数据代表性的 RCTs 的识别和估计方法，然后探讨了将 RCTs 和观察数据结合使用以确保观察分析的无瑕性或提高（条件）平均治疗效果估计的方法。最后，作者使用模拟研究和真实世界数据比较了主要方法，并提供了可用代码和新实现。
Nov, 2020
本文提出了基于贝叶斯推断的最优实验设计的一般框架和理论，用于目标因果性发现。该方法基于次模性提供了可行的实现，并在人工数据集和真实数据集上证明其优越性能。
Feb, 2019
本研究介绍了一种新方法，使用实验数据来纠正更大的观测数据的因果效应模型中的隐藏混淆，证明了该方法的可行性，并使用一项大型教育实验中的真实数据证明了该方法的有效性。
Oct, 2018
本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。
Feb, 2020