该研究论文讨论了介导分析的因果效应、参数方法以及对反事实框架的一般性应用。
May, 2012
本研究开发了一个半参数框架，以获取关于所谓的边际自然直接和间接因果效应的推论，同时适当考虑曝露和中介变量的大量先前混淆因素，尤其是在中介分析方面提出了增量稳健的本地有效估计量和一种新的双重稳健灵敏度分析框架。
Oct, 2012
本文提出了一种基于深度学习和代理策略的因果中介分析方法，能够同时揭示隐藏混淆变量和估计因果效应，在观察性研究中有很好的应用前景，可用于处理因果公平性问题。
Feb, 2021
本文提出基于可识别因子模型的新的图形可识别性标准，以解决存在隐变量和选择偏差情况下，总效应识别问题。该标准可用于识别观察研究中的总效应，并为因子模型的识别条件提供了新的视角。
Jun, 2012
本文介绍了一种不需要阻止其他路径的特定路径效应定义方法，为评估更自然的直接和间接效应提供了可能，扩展了路径分析技术到非线性和非参数模型。
Jan, 2013
提出了一种基于可识别 VAE 体系结构的 CMA 框架，可以处理复杂的和间接观测到的中介变量，并在合成和半合成实验中提供准确的效应估计，为实际应用提供证据。
Jun, 2023
该论文提出了一种基于单一世界干预图的因果推断方法，建立了一种允许特定变量干预的图模型，并提出了一种干预计算法则。
Oct, 2021
本研究提出一个非参数中介－结果模型，假定中介是一种时间点过程，该模型能够在非规则采样的时间序列中估计干预的直接和间接效应，为医疗数据分析提供帮助。
本文阐述了使用结构方程建模原因的方法，提出变量和其值的选择在因果关系中起着重要作用，进一步研究了什么样的模型是合适的模型，特别是在考虑默认值时需要注意的问题。
Jun, 2011
本文发展了形式工具，用于在马尔科夫和半马尔科夫模型中分解虚假变异。我们证明了首个允许非参数分解虚假效应的结果，并提供了识别这种分解的充分条件。所述方法有多个应用，从可解释和公平的 AI 到流行病学和医学问题，并在真实世界数据集上证明了其用途。