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

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

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

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

本研究提出了一种利用线性时不变动力系统和高斯过程，能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法，能够更加准确地进行多变量数据的建模和预测。

Apr, 2017

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

本文提出一种新的核平滑方法，可以在不需要参数模型的情况下，对连续治疗（如剂量）进行因果效应估计，并允许处理密度或结果回归的错误规范。方法经过了模拟证明，并应用于护士人员配备对医院复诊惩罚的研究中。

Jul, 2015

在高维数据领域，我们提出了一种将不确定性估计融入到个体层面因果估计中的实用方法，这种方法能够优雅地处理 “没有重叠” 的情况，并在实际应用中处理协变量转移，既能避免过度自信，又可在预测不可信时提醒决策者，在处理方面超越其不关注不确定性的对应物。

Jul, 2020

本文研究了如何使用参数区间估计器在高维观测数据中，从存在未观察到混淆变量的情况下，学习条件平均处理效应（CATE）。提出了一种新的区间估计器来估算可能的 CATE 范围，同时也考虑了样本数量不足或违反重叠假设的情况，并结合模型不确定性，证明了该估计器可以收敛到针对 CATE 的紧密边界。

Mar, 2021

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