Sep, 2018

对没有明显可观察结果的观察性研究进行灵活的敏感性分析

PDF
TL;DR这篇文章介绍了一个基于 Tukey 的因子化方法的框架，可以为治疗分配指标和观察到的潜在结果之间的未知关系构建未识别选择函数，从而实现灵活模型的应用，以实现对于平均治疗效应和分位数治疗效应的 Bayesian 非参数模型的估计，同时提供了识别和未识别因素的感受性参数来衡量这些不确定因素。
发现论文，激发创造
  • 无需假设的敏感度分析

    本文提出了一种新的敏感度分析方法，通过引入边界因素，避免了以往方法的强且不可验证的先验假设，仅需两个敏感参数，可以作为评估未观测到的混淆因素对因果推论影响的有力工具。

    Jul, 2015

  • 广义因果敏感性分析的尖锐边界

    本文提出了一个统一框架，用以解决在各种不同情况下发生未观测混淆的因果敏感度分析问题，包括（条件）平均处理效应、中介分析和路径分析的效应，以及分布效应，同时还提供了一个可伸缩的算法来估计我们从观测数据中所得到的尖锐界限。

    May, 2023

  • 推广的因果敏感性分析的神经框架

    本研究提出了一种神经框架 NeuralCSA，用于广义因果敏感性分析，通过学习条件归一化流来实现广义性，从而能够在不同的敏感性模型、不同的治疗类型以及多种因果查询中推断因果查询的有效界限。

    Nov, 2023

  • 合成控制模型的非参数识别性和敏感性分析

    本文提出了一种新的方案，通过不需要强假设的方法，利用原因不变性原则来检验干预的因果效应，并给出了敏感性分析框架以克服这些方法中的违反非参数识别的假设的问题，从而使基于线性合成控制模型的因果推断更加精确可靠。

    Jan, 2023

  • 连续数值干预因果效应估计的可扩展灵敏度和不确定性分析

    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

  • 个体治疗效果的敏感性分析：鲁棒的符合推断方法

    提出了一种基于预测推断的模型自由框架，用于探究个体治疗效果的敏感性分析，特别关心了混杂因素强度量化和对于反事实的可靠预测推断。

    Nov, 2021

  • 未观察到的混杂因素下的因果公平性：一种神经敏感性框架

    现实中，由于法律、伦理和社会原因，对机器学习预测的公平性要求越来越高。尽管现有工作通常关注没有未观察到混淆的情况，但未观察到的混淆可能导致严重的因果公平性违规和不公平的预测。本研究分析了未观察到的混淆对因果公平性的敏感性，并提出了一个新的神经框架用于学习公平的预测，同时在一系列实验中验证了该框架的有效性。

    Nov, 2023

  • 贝叶斯模型选择进行因果发现

    应用贝叶斯框架构建了一个新的因果模型，利用可识别因果方向的贝叶斯模型选择方法，在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。

    Jun, 2023

  • 基于分位数自助法的反向概率加权估计灵敏度分析

    本文提出了一种边际灵敏度模型，使用逆概率权重估计器构建置信区间，通过百分位自助法和广义极小 / 极大不等式来将这个难以处理的问题转化为线性分数规划问题，这个方法可以很有效地解决实际问题。

    Nov, 2017

  • 因果中介分析的半参数理论：效率界限、多重稳健性和敏感性分析

    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