本文讨论了在实践中如何改进用于现代决策的因果概率的界限，特别是在考虑到观测数据的情况下。研究者们定义并限定了三个二元概率，分别是 PNS，PS 和 PN，这些概率在确定性和必要性方面发挥着重要作用。研究主要使用观测和实验数据，探讨了这些数据的影响，以及如何将其应用于 Li 和 Pearl 定义的单位选择问题。

Oct, 2022

本文提出了一种机器学习模型，用于在仅知晓有限人口数据的情况下学习亚人口因果概率的边界，并通过模拟研究表明，该机器学习模型能够仅通过约 500 个有限人口数据来学习 32768 个亚人口的必要性和充分性边界。

Oct, 2022

本文提供了理论边界，以估算多价治疗和效应的因果概率，并使用模拟研究评估了这些边界对各种数据组合的信息性，以及对实际决策的指导作用。

Aug, 2022

本文讨论在给定情境下估计一个事件是另一个事件的原因的概率，利用结构 - 语义定义的必需或充分因果关系的概率，我们展示了如何从实验和观察数据中获得这些数量的最佳约束，最小化了关于数据生成过程的假设，并从理论上得出了关于因果概率的严格边界，这些结果确定了如何在解决归因问题和决策相关问题中利用实证数据。

Jan, 2013

通过应用概率的充分性和必要性概念 (PNS) 来提高模型的泛化能力，该方法在合成和真实基准测试中得到了验证。

Sep, 2023

对于在临床、流行病学和公共政策应用中存在的具有不同治疗方案的外部数据集，提供一种在这种具有挑战性的情景中提供概率因果边界的符号化方法，这些边界适用于任意协变量和治疗的维度，并讨论了这些边界在现有文献中更紧的条件。

Oct, 2023

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

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

本文研究了估计多重检验背景下的效应大小分布的问题。我们提出了一种简单、高效的估计器，可使用廉价的试验数据，在比识别发现类试验所需采样数量显著少的情况下，估计该分布。该估计器可用于保证未来试验中给定实验设计中将被发现的发现数量，并展示了在 Drosophila 上进行的流感抑制基因敲除试验数据的有效性。

Feb, 2020

本文介绍了如何在机器学习领域中利用 PNS（必要性和充分性的概率）计算特征重要性，并创建了新的特征重要性测量方法：PN-FI、PS_FI 和 PNS_FI。通过三个 RCT 得到的结果展示了三个特征（狗的鼻子，眼睛和嘴巴）的 PS_FI、PN_FI 和 PNS_FI 的计算方式，FI 值为紧密的上下界间的区间。

Aug, 2023