双重可靠估计连续处理效应的非参数方法
本文提出了一种基于双无偏机器学习 (DML) 的非参数推断方法，用于连续治疗变量的因果效应估计，同时解决了无遗漏条件和非参数 / 高维麻烦参数的问题，并通过利用基于核的双重稳健矩函数和交叉拟合提供了高级条件，以实现估计的无偏性。
Apr, 2020
本研究提出了一种利用线性时不变动力系统和高斯过程，能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法，能够更加准确地进行多变量数据的建模和预测。
Apr, 2017
本篇论文通过建立时间连续的结构嵌套模型，提出可以在时间相关性干扰存在下，估算时间变化的治疗效应的概念框架和形式化方法，同时表明这样的估算器是准确和渐近正常的。
Oct, 2004
我们提出了基于核的 DR 估计器，可以处理连续的处理方式，并通过充分性证明其正态形式是影响函数的一致近似。我们还提出了一种高效解决干扰函数的新方法，并以均方误差为指标进行了全面的收敛性分析，证明了我们估计器在合成数据集和实际应用中的实用性。
Sep, 2023
本文提出了一个针对观测研究中异质性处理效应估计的两阶段算法，其中，通过估计边际效应和治疗倾向来形成一个分离因果信号的客观函数，然后优化这个数据自适应的目标函数。我们的方法具有灵活性和易用性，并且针对不同的实际情况也有优势。
Dec, 2017
本研究提出了一种简单且通用的非参数估计框架，用于在公平性约束下估计异质性处理效应，该方法在标准正则条件下展现出双重鲁棒性质，通过评估方法，我们确定了公平和最大福利之间的权衡，并用实际案例展示了我们的方法。
Jun, 2023
本文旨在探测和估计治疗干预对感兴趣结果变量上的治疗效果，其中异质性治疗效应在个性化医学等实际应用中日益受到关注。我们将异质性治疗效应建模为两个基线函数之间的平滑非参数差异，并确定了非参数异质性治疗效应估计的紧密统计限制作为协变量几何函数的函数。特别地，一个两阶段最近邻估计器可以通过抛弃匹配质量差的观测值来接近极小值。我们还建立了密度比的紧密依赖性，而不需要通常的假设协变量密度远离零，在此关键步骤是采用独立于兴趣的新型极限不等式。
Feb, 2020
本文提出了一种基于连续处理效果边际敏感模型 (CMSM) 的方法，该方法结合了可扩展的算法和深度模型，用于估算高维大样本观测数据的不确定性并识别潜在干扰变量，以进一步理解当假设被放松时因果估计所引入的忽略误差，并将其应用于气候科学中由人类排放对云特征的影响的研究。
Apr, 2022
这篇论文采用 Kernel Optimal Orthogonality Weighting 方法，通过最小化惩罚函数协方差中的最劣情况来为评估连续性治疗的效果提供权重并应用其于血压与红肉摄入之间的关联分析。
Oct, 2019