本文提出了一个基于共享混杂物和独立治疗的多种治疗估计技术，并使用相互信息对混淆估计器进行正则化，同时使用独立于混淆物的治疗方法中的残留信息来恢复治疗效果，并在模拟和医学临床案例中进行了验证。

May, 2018

本研究提出了一种在高维线性模型中测试线性假设的方法，可以不对模型的大小（即模型的稀疏性或表示假设的加载向量）进行任何限制，并通过测试与新设计的重组回归模型相关的时刻条件来实现。

Oct, 2016

考虑到基因组关联研究，在许多预测变量已经在同一个个体中收集并且每个预测变量都是单独分析的情况下，我们引入一个标准的线性模型，并在其中引入一个额外的随机效应。本文的三个创新点是（1）线性和 log-odds 尺度之间的转换是准确的，特别适用于小效应大小的重要的遗传情况；(2) 一种极大似然算法，比以前发表的方法快一个数量级以上；和 (3) 计算边缘似然的有效方法，允许贝叶斯模型比较。该方法已成功应用于包括超过 20,000 个人和 500,000 个遗传变异的多发性硬化的大规模关联研究。

Jul, 2012

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

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

本研究提出了一种方法，可以在高维线性模型中构建一般假设的 p 值。该方法可用于测试单个回归参数或涉及多个甚至所有参数的假设，同时考虑到 p 值之间的依赖关系，进行多重比较校正。该技术基于 Ridge 估计和在高维度中的投影偏差上增加的修正项，我们证明了我们的 p 值具有强大的误差控制，并提供了充分的检测条件，同时在模拟实例和真实数据应用中演示了该方法。

Feb, 2012

本文探讨了如何从多个数据集和关于基础数据生成模型的定性假设组合中学习出强健、通用的预测模型。通过定义不同的不变性特性，我们的方法旨在在未观察到混淆因素的情况下建立因果性的解，从而连接数据分布的一组仿射组合上的显式分布鲁棒优化问题。我们在医疗保健数据上展示了我们方法的实证表现。

Jul, 2020

该文提出了一个新颖的算法，用于构建自然参数的置信区间和 p 值，并使用高维线性回归问题和一个高通量基因组数据集进行测试。

Jun, 2013

研究了 Y 与一组潜在导致 Y 的预测变量 X：=（X1，...，Xd）相关的模型，提出了一种推断 X 和 Y 之间的统计依赖程度的方法，该方法依赖于维数 d 较大的测度集中性结果和独立性假设

Apr, 2017

本研究提出了一种名为 “后双重选择” 的新型估计方法和统一的有效推断方法，用于控制干扰因素对治疗效果的影响。该方法相对于标准后模型选择估计器的优点在于它允许控制点的不完美选择，并提供跨模型的有效置信区间。

Dec, 2011