本研究提出了一种基于图形的标准来比较不同有效调整集合提供的渐近方差，同时介绍一种简单的减少方差的修剪程序和提供最优渐近方差的有效调整集合的图形特征，并展示这些结果的实际应用性。

Jul, 2019

本文提出一个关于因果模型的条件，用于从图形化因果模型中识别出不同类型的建模方法并对总因果效应进行变量调整，此条件具有必要性和充分性。

Jul, 2015

我们的研究将因果估计推广到具有任意个维度或可测空间的结果，将传统的因果估计用于名义变量作为因果差异检验，提出了一种简单的方法来调整普遍一致的条件独立性检验，并证明这些检验是普遍一致的因果差异检验。数值实验证明，我们的方法 Causal CDcorr 与现有策略相比，在有限样本的有效性和功效方面都有所改进。我们的方法都是开源的，可以在 github.com/ebridge2/cdcorr 获取。

Jul, 2023

从观察性文本数据中估计因果效应时，考虑潜在协变量的调整至关重要。然而，现有方法只考虑影响治疗和结果的混杂协变量，可能导致偏倚的因果效应估计。本研究旨在通过揭示不同变量之间的相互作用来解开估计文本因果效应时的非混杂协变量，从而减小偏倚。解开过程确保协变量只对各自的目标贡献，实现变量之间的独立性。此外，我们引入约束条件来平衡治疗组和对照组的表示，以减轻选择偏倚。在不同场景下，我们对两种不同处理因子进行实验，实验证明了我们提出的模型明显优于最近的强基线。此外，对收入电话会议记录的彻底分析表明，我们的模型能够有效解开变量，进一步的研究为投资者提供了决策指南。

Nov, 2023

研究发现，处理观测数据的因果推断的主要难点是协变量的存在，虽然调整协变量可以削弱混淆效应，但错误的调整处理或包括不良控制变量可能导致偏差。为了解决这个问题，该研究开发了一种称为 Nearly Invariant Causal Estimation（NICE）的方法来处理协变量的调整，避免偏差并提供有效的因果推断。

Nov, 2020

该研究提出了一种基于变分推断的方法，以同时识别观察变量中的潜在非混杂因素，并为处理效应估计提供更好的数据学习。

Jan, 2020

该研究提出了一种基于 “协同学习” 框架的方法来识别混淆变量并通过样本重新加权技术与反事实推理方法同时准确估计处理效应。

Jun, 2020

本文提出了一种基于祖先图的算法框架，用于有效地测试，构建和枚举 $m$- 分隔符，从而较高效地进行非实验数据中因果效应的识别，同时还证明了通过协变调整进行因果效应识别与 $m$ 分离在有向无环图及最大祖先图中的一个子图的规约，并利用这些结果，得出一种刻画所有调整集以及在存在潜在混淆因素的多元曝光及结果的期望因果效应识别的所有最小和最小调整集的构造性条件，为这些问题的特殊情况提供了现有解决方案的扩展。

Feb, 2018

本文考虑了涉及结果变量的公平统计推断问题，并讨论了因一些协变量（敏感协变量）可能导致歧视造成的公平性问题。通过学习一个满足约束条件的最优化问题，可以得到公平的结果模型，但是也存在一些复杂性和近期因果和半参数推断的工作相关的问题需要解决。

May, 2017

使用图形化框架，本文对 CIMs-B-POF 进行统一的图形化分析，同时定量分析在纳入各种类型的非混淆协变量（如工具变量、中介变量、碰撞物和调整变量）时，CIMs-B-POF 的推断性能受到的影响程度。关键发现是：在消除混淆偏差任务中，理想的情形是协变量仅包含混杂因素；在推断反事实结果的后续任务中，调整变量对于更准确的推断有所贡献。此外，在合成数据集上进行的大量实验一致验证了这些理论结论。

Aug, 2023