多元因果模型中可扩展的反事实分布估计
本文提出一个新的概率模型，用于计算模型的多个对抗性解释。该模型可以共享群体分组的信息，并保留领域特定的约束条件，同时评估不确定性，并得出合理、稀疏、多样和可行的结果。
Jan, 2023
基于回归方法，我们开发了建模和推断计数事实分布的工具，并构建了置信区间用于检验计数事实的功能假设，应用到美国数据的实证分析中，同时引入了分布回归作为建模方法，这个方法不仅全面灵活，而且对于建立稳健分布回归进程及各种相关的功能，我们建立了中心极限定理和引导验效果。
Apr, 2009
本文提出了一种基于条件生成建模的方法，旨在捕捉整个反事实分布，使其特别适用于医疗保健和公共政策制定。通过边际结构模型来解决观察数据和目标反事实分布之间的分布不匹配问题，该方法在合成和真实数据上优于现有方法。
May, 2023
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。
Jul, 2023
该论文旨在通过使用神经网络将反事实推理重新构建为扩展的分位数回归问题，依据已学习的定性因果结构和观测数据进行可靠的反事实推理，而不需要给定因果模型甚至直接估计条件分布，并且该方法比现有方法在统计上更有效，同时也有可能将所估计的反事实结果的泛化能力扩展到看不见的数据，并提供泛化误差的上限界限。实验结果在多个数据集上强烈支持我们的理论 claims。
Jun, 2023
本文介绍了从结构因果模型获得置信网，通过 Credal 网络算法计算精确的反事实边界，提出了一种因果 EM 方案实现近似边界，评估了其精确度并通过关于姑息治疗的真实案例阐述了其实际应用。
Jul, 2023
本研究提出了一种基于多个数据集合并信息的反事实推断方法，使用响应函数形式化分类 SCMs，减少允许的边缘 SCM 和联合 SCM 的空间，从而突出了通过附加变量而不是通过附加数据的一种新的可否证明模式。
Feb, 2022