泛化性和搬移性综述
本文总结了 Pearl 和 Bareinboim 的研究成果,提供了一种有效的程序,决定何时以及如何进行信息迁移,并建立了一种必要且充分的条件,用于决定目标人群中的因果效应是否可估计。同时提供了一种计算传输公式的完整算法,以综合偏差自由估计所需的因果关系。最后,本文还探讨了传递性与其他形式的泛化之间的差异。
Dec, 2013
本文介绍了一种正式的表述方式 —— 选择图,用于表达有关感兴趣人群之间的差异和共性的知识,并利用这种表述来将可转移性问题归约为 do-calculus 中的符号推导。
Mar, 2015
给定一个随机对照试验,从中推理因果关系可能与一些效应修饰因子不同分布的目标人群无关。我们利用一个附加的观察研究学习到的预测模型,无需对该研究做任何假设来补充试验数据,提出了能够更好地推广试验结果的算法,并以理论和实证的方式展示了当观察研究是高质量时,我们的方法能够更好地推广,即使存在未测的混杂变量等情况仍能保持稳健。
Jun, 2024
本研究论文通过多学科研讨会的讨论,并整合各领域的方法,回顾了随机对照试验、外部有效性、泛化性和可转移性的现有研究,同时提出了未来研究的方向,旨在增强对因果效应的泛化性和可转移性的集体理解,促进跨学科合作并为改进和应用因果推断方法的研究人员提供有价值的见解。
Feb, 2024
使用试验数据对目标人群的政策结果进行验证,使用来自目标人群的附加协变量数据模拟试验研究中个体的抽样,开发了一种非参数的方法,确保在任何指定的模型误差范围内得到有效的基于试验的政策评估,通过模拟和真实数据对认证的政策评估进行了展示。
Oct, 2023
本研究综述了长期以来在联合随机对照试验(RCTs)和观察研究中进行因果推断的方法,旨在实现 “两全其美”。作者首先讨论了提高观察数据代表性的 RCTs 的识别和估计方法,然后探讨了将 RCTs 和观察数据结合使用以确保观察分析的无瑕性或提高(条件)平均治疗效果估计的方法。最后,作者使用模拟研究和真实世界数据比较了主要方法,并提供了可用代码和新实现。
Nov, 2020
通过设计统计检验以及估计观察性研究的最大偏差强度的下界,我们提出了一种超越平均治疗效应的实证研究比较方法,并在真实环境中验证了该方法的有效性,结果与现有医学知识相一致。
Apr, 2024
观察性研究常常存在客观性问题,本文讨论了如何通过仔细设计的方案来近似随机化实验,以获得更准确的因果推断。涉及的问题包括关键协变量数据缺失、治疗和对照组关键协变量分布的重叠度分析等,同时提出了可能的解决方案并分析了潜在结果的定义和因果效应的关键问题。
Nov, 2008
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
研究了如何通过使用基线共变量数据和随机分配的治疗和结局数据,来辨别出所有适合个体的潜在(反事实)结局均值和平均治疗效应,并评估了它们的估计器在模拟研究中的有限样本表现,最后通过应用这些估计器对慢性冠状动脉疾病的研究结果进行了说明。
Sep, 2017