Jun, 2023

通过矩阵加权线性估计器从观测和干预数据中估计因果效应

PDF
TL;DR本文探讨了在混杂线性回归模型和多元治疗中从混合的观测和干预数据中估计因果效应，并展示了通过结合来自观测和干预设置的估计器可以提高统计效率。
causal effect estimationobservational datainterventional datalinear regression modelmultivariate treatments
发现论文，激发创造
  • 基于矩阵分解的有噪和缺失协变量因果推断

    该论文提出使用矩阵分解来从噪声协变量中推断混淆因素，减少测量噪声引起的偏差，展示了这个方法在合成数据和临床数据上的实验结果。

    Jun, 2018

  • 因果潜在因子模型中的双重稳健推断

    提出了一种在现代数据丰富的环境中估计未观察到的混杂影响下的平均处理效应的新框架，该框架具有大量的单位和结果。该提出的估计器具有双重鲁棒性，结合了结果填充、逆概率加权和用于矩阵补全的新型交叉拟合程序。我们推导出有限样本和渐近保证，并且证明新估计器的误差以参数速率收敛到均值为零的高斯分布。模拟结果显示本文分析的估计器的形式性质的实际相关性。

    Feb, 2024

  • 合并随机试验与观察性研究的因果推断方法：一项综述

    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

  • 将实验数据和观察数据相结合估计治疗对长期结果的影响

    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

  • 融合观察、偏差和随机数据源的近似反事实界限

    通过数据集成、反事实计算和因果推断方法，我们的研究对于解决具有选择偏差的数据集以及多个数据集之间的整合问题提出了有效的解决方案。

    Jul, 2023

  • 从观测、偏见和随机数据学习界定反事实推断

    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

  • 未观测到的混淆下个体级因果效应的区间估计

    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

  • 估计观测网络数据因果效应的泛化界

    通过利用基于联合倾向性评分的重新加权模式和基于积分概率度量的表示学习模式，在网络情景中推导出因果效应估计的泛化界限，从而支持减轻复杂的混淆偏差并在原则性上指导学习目标的设计，通过分析泛化界限提出一种基于联合倾向性评分和表示学习的加权回归方法，并在两个真实网络的半合成数据上进行广泛实验，验证了算法的有效性。

    Aug, 2023

  • 干预在何地、何种方式？ 大规模因果模型的实验设计

    本文提出将 Bayesian 因果发现方法融入到贝叶斯优化实验设计框架中，可以在选择干预目标和值的同时，发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。

    Mar, 2022

  • 从未知干预中学习神经因果模型

    本研究提出了一个基于连续优化和神经网络的框架，以创建联合观测和干预数据模型的方法，能在不知情干预变量的情况下获得强大的基准结果，包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。

    Oct, 2019