通过实验基础消除隐蔽混杂因素
本研究提出了一种新的因果推断框架 —— 网络去混淆器 (Network Deconfounder)，它利用网络信息来辨识隐藏式混淆者的模式，从而进一步允许我们从观测到的数据中学习有效的单个因果效应。
Jun, 2019
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
本文提出了一个基于共享混杂物和独立治疗的多种治疗估计技术，并使用相互信息对混淆估计器进行正则化，同时使用独立于混淆物的治疗方法中的残留信息来恢复治疗效果，并在模拟和医学临床案例中进行了验证。
May, 2018
在大数据时代，处于生态经济学、医疗保健、网络挖掘、在线广告和市场营销等多个领域的观测数据的因果关系进一步的理解异常重要。然而目前现有的因果效果评估方法主要集中在源特定和固定的观测数据上，缺乏对数据连续性、领域适配性以及海量数据的易用性等问题的持续性研究，而这些问题非常普遍。本论文定义了持续性治疗效果的评估问题，并提出了问题的研究难点和可能的解决方案。最后，我们还讨论了未来该领域的研究方向。
Jan, 2023
本文介绍了一种贝叶斯方法，用于将任意混合的观测和实验数据相结合，以学习因果贝叶斯网络，其中观测数据是被动观察的，实验数据是实验者通过操纵一个或多个变量来获得的。该学习方法已应用于基于 ALARM 因果贝叶斯网络生成的各种混合实验数据，其用于预测因果结构，并估计 ALARM 中不混杂的随机选定节点对之间存在的因果参数。
Jan, 2013
在快节奏的精准医学时代，观察性研究在正确评估临床实践中的新治疗方法中起着重要作用。然而，未观察到的混杂因素可能会严重影响从非随机数据中得出的因果结论。我们提出了一种新的策略，利用随机试验来量化未观察到的混杂因素。首先，我们设计了一个统计检验来检测强度高于给定阈值的未观察到的混杂因素。然后，我们使用该检验来估计一个渐近有效的下界，来度量未观察到的混杂因素的强度。我们在几个合成和半合成数据集上评估了我们统计检验的能力和有效性。此外，我们展示了如何使用我们的下界来正确识别现实世界中未观察到的混杂因素的存在和缺失。
Dec, 2023
本文回顾了计算社会科学中利用文本分析解决因果推论中混淆变量引起偏差的方法，并提出数据处理及评估决策的指南。尽管在利用文本分析进行混淆因素调整方面已取得了进展，但仍存在很多未解决的问题。
May, 2020
本文介绍一种方法，通过数据整合和建立结构性因果模型，在不同条件下解决由选择偏差引起的局部统计问题，并针对数据集的部分可识别性问题提出了一种逼近计算方法。通过系统的实验验证和实例研究，证明了这种方法的可行性和准确性，并揭示了数据整合对于信息界的提高具有积极的作用。
Dec, 2022