个体治疗效果的敏感性分析：鲁棒的符合推断方法
本篇研究提出了一种基于符合性推断的方法，用于在潜在结果框架下产生反事实和个体治疗效果的可靠区间估计，适用于完全随机或分层随机试验，以及遵循强忽略性假设的一般观测研究。同时，该方法在机器学习算法的条件平均治疗效应估计上表现出了良好的优势。
Jun, 2020
个性化决策需要对不同处理方法下的潜在结果有所了解，并且关于潜在结果的置信区间能够丰富决策过程并提高其在高风险场景下的可靠性。本研究提出了一种基于推断加权拟合预测的新方法 wTCP-DR，他能够在存在隐性混淆的情况下提供对反事实结果的置信区间，并具备边际收敛保证。通过访问部分干预数据，我们的方法能够解决观测分布和干预分布之间的协变量转移问题。理论结果明确表明了我们的算法相对于只使用干预数据的朴素方法的条件优势。在确保反事实置信区间有效之后，构造个别处理效应的区间是直接的。我们通过合成数据和真实世界数据验证了我们的方法的优越性，其中包括推荐系统，并与现有最先进方法进行了比较，结果在覆盖率和效率两方面都表现出优势。
May, 2024
利用条件平均治疗效果 (CATE) 估计器的一种新方法，结合符合性预测系统、蒙特卡罗采样和 CATE 元学习，以提供在个体化决策中使用的预测分布，并展示噪声分布的特定假设会对不确定性预测产生重大影响，然而，CMC 框架在保持小间隔宽度的同时显示出强大的实验覆盖能力，以提供对真实个体治疗效果的估计。
Feb, 2024
介绍了针对政策评估的反事实和合成控制方法的新推断过程。将因果推理问题重新表述为反事实预测和结构性断裂检验问题，并开发置换推断过程以适应现代高维度估计器，能在弱和易验证的条件下有效地进行，并证明了对错误说明的稳健性。本方法可以与许多不同的方法结合使用，用于在没有政策干预的情况下预测反事实均值结果。我们的方法在模拟中表现出优秀的小样本性能，并进行数据应用，重新评估取消室内卖淫的后果。
Dec, 2017
本研究提出了一种可扩展的损失最小化方法，用于估计有界效应的未观察混淆因素对治疗选择的倾向比的条件平均治疗效应（CATE）的界限。同时，还引入了灵活的模型类别进行估计，并提供了关于平均治疗效应（ATE）的灵敏度分析，我们发现最优边界在某些情况下是紧的。该方法在模拟和实际数据示例上表现出准确的覆盖率。
Aug, 2018
本研究提出了一种能够学习条件平均治疗效果的函数区间估计器，通过加权核估计与对手模型，实现了在实际未观测混淆下，对个体因果效应的预测，并且通过个性化决策规则，实现了渐近无遗憾的最优性能。
Oct, 2018
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
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。
Sep, 2018