使用 causalimages R 包，研究人员能够利用图像和图像序列数据进行因果推断，并提供了将卫星和生物医学图像等新数据源整合到因果关系研究中的新工具。该软件包提供了一系列功能，包括基于图像的因果推断分析、通过可解释的贝叶斯框架分解图像的处理效应异质性、使用图像进行混淆控制、生成作为图像或视频内容的向量摘要的嵌入向量。此外，该软件包还提供了基础功能，如将大规模图像和图像序列数据写入序列化字节字符串以加快图像分析速度。因此，causalimages 在 R 中开启了用于因果推断的新功能，使研究人员能够以快速且易于操作的方式使用信息丰富的图像进行实质性分析。

Sep, 2023

本文提出了一种基于扩散回归状态空间模型的方法，用于推断经济学干预措施对于市场结果指标的因果影响，相较于差异 - 差异方案，该模型有助于灵活适应多种变异来源，并在模拟和实际数据上进行了验证。

Jun, 2015

本文提出了 R 软件包 causaleffect 的实现，该软件包实现了 Shpitser 和 Pearl 提出的通过 do-calculus 规则和概率已知属性识别联合干预分布的算法，并通过案例展示了 causaleffect 的功能。

Jun, 2018

本篇论文通过建立时间连续的结构嵌套模型，提出可以在时间相关性干扰存在下，估算时间变化的治疗效应的概念框架和形式化方法，同时表明这样的估算器是准确和渐近正常的。

Oct, 2004

本文旨在探讨在观察性或非全随机数据上进行因果推断的问题以及利用统计学习工具来解决这些问题。我们介绍了现有最先进的合适的框架，可通过非参数回归模型估计个体处理效应，并提出了模型选择问题，旨在利用某些方法对三个不同模拟研究的效果进行说明。最后，我们演示了在学校餐饮计划数据的实证分析中使用一些方法。

Sep, 2020

介绍了 FMEs 方法及其首个软件实现 fmeffects 的相关理论背景、功能、处理方式、软件设计和未来扩展选项。

Oct, 2023

本文利用机器学习进行自动去偏差，得出了高维回归的线性和非线性函数。不仅提供去偏差的标准误差，还给出了一系列的结构性和因果效应的估计量。应用于具体数据上得出了对待处理者的平均处理效应，以及 Nielsen 扫描仪数据中有价格和收入相关性的需求弹性。

Sep, 2018

介绍了 CausalML 这个 Python 包的关键概念、范围和用例，它实现了与因果推断和机器学习相关的算法，填补了理论方法和实际应用之间的差距。

Feb, 2020

提出了一种针对小效应、异质性效应和强混淆情况下估计异质性治疗效应的新型非线性回归模型，它通过直接将倾向函数估计值纳入响应模型的规范化中，隐式地在回归函数上产生一个协变量依赖的先验，从而回避了标准非线性回归模型在针对混淆强的数据上所产生的治疗效应估计偏倚的问题。同时，这种基于贝叶斯因果森林模型的方法使得治疗效应的异质性能够被分别规范化，从而实现对异质性进行信息收缩。通过对一项关于吸烟对医疗支出因果效应的观察性研究重新分析和广泛的模拟研究，我们表明了这些好处。

Jun, 2017

本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

Feb, 2020