从高维观测研究中学习变异性源

Jul, 2023

Learning sources of variability from high-dimensional observational studies

Eric W. Bridgeford, Jaewon Chung, Brian Gilbert, Sambit Panda, Adam Li...

TL;DR我们的研究将因果估计推广到具有任意个维度或可测空间的结果，将传统的因果估计用于名义变量作为因果差异检验，提出了一种简单的方法来调整普遍一致的条件独立性检验，并证明这些检验是普遍一致的因果差异检验。数值实验证明，我们的方法 Causal CDcorr 与现有策略相比，在有限样本的有效性和功效方面都有所改进。我们的方法都是开源的，可以在 github.com/ebridge2/cdcorr 获取。

Abstract

causal inference studies whether the presence of a variable influences an observed outcome. As measured by quantities such as the "average treatment effect," this paradigm is employed across numerous biological fields, from vaccine and drug development to policy interventions. Unfortun

causal inference average treatment effect generalizes causal estimands conditional independence tests causal cdcorr

发现论文，激发创造

变分因果推断

提出了一种基于深度变分贝叶斯框架的新方法，利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。

Sep, 2022

关于协变量调整用于估计因果效应的有效性

研究了在因果推断中如何解决因果关系难以识别的问题，提出了协变量调整的图形标准并推导了一些相关的推论。

Mar, 2012

用于因果检测的条件分布变异性测量

本文推导了一对随机变量的条件概率分布的可变性度量，并研究了它在因果关系推断中的应用，结合标准统计度量在 ChaLearn 因果关系配对挑战中得到了 0.82 的 AUC 分数，在该挑战中排名第二。

Jan, 2016

Hi-CI: 高维度深度因果推断

本文提出了一种名为 Hi-CI 的深度神经网络算法，可以使用因果推断 (CI) 从高纬度协变量和高基数处理中进行反事实回归，并通过使用去相关网络和结果预测网络解决混淆偏差问题，最后展示了该算法在合成和真实数据集上的有效性。

Aug, 2020

多元因果模型中可扩展的反事实分布估计

我们提出了一种方法，通过利用原始高维空间的鲁棒一维潜在子空间，并利用在该空间上的单变量因果模型的高效估计，同时减轻了多变量因果模型中存在的问题，从而捕捉了相关结构并产生了反事实分布的良好估计。

Nov, 2023

随机实验中的高维回归调整

本文提出了一种用于高维协变量信息下随机实验治疗效果估计的风险一致回归调整的方法，并建议使用交叉估计方法来获得有限样本无偏的治疗效果估计，最后对自适应规范搜索和机器学习方法如随机森林或神经网络等进行了拓展分析。

Jul, 2016

从观察数据中推断因果方向：复杂性方法

通过在离散或连续随机变量之间预测因变量来区分因果关系，我们提出了多个简单快速的标准，以检验因果关系，适用于广泛的因果机制和数据噪声类型。

Oct, 2020

用于异质性因果效应的递归分区

本文研究了试验或观察研究中估计因果效应异质性的问题以及在子群体之间进行处理效应差异大小的推断。提出了一种新的交叉验证标准来确定因果效应的预测是否准确，并将该方法应用于一个大规模的针对搜索引擎的实验。

Apr, 2015

半参数邻近因果推断

本文介绍了一种基于测量协变量的局部因果推断框架，其中正式承认协变量测量是难以完美匹配真实混淆机制的，为在基于观测数据的因果推断中提供新的思路。作者提出了一套非参数近端推断的条件，建立了平均处理效应的半参数近端推断理论，以及多种相容性分析方案，并在模拟情境和实际数据集评估中予以展示。

Nov, 2020

高维协变量的观察研究中的重叠

本研究探讨了观察研究中高维协变量的交叉匹配对因果效应评估的影响，并证明了协变量的重叠度对于评估的严格性具有更大的限制。

Nov, 2017