通过二级优化程序，我们开发了一种自适应策略，设计间接实验来在选定的目标上尽可能减小询问的上下界之间的差距，从而告知关于真实机制的查询。

May, 2024

本文提出一种方法，使用多个工具变量估计器计算最可能的因果效应，从而在不依赖于「排除假设」的情况下进行一致的工具变量估计。

Jun, 2020

本文讨论了使用自适应实验设计方法在非稳态的工业环境下进行实验的挑战和陷阱，提供了在这些环境中的正确目标和系统规格的不同观点，并基于这些经验开发了一个自适应实验设计框架用于对照推断，并在商业环境中进行了测试。

Oct, 2022

提出了一种新方法 Ivy，用于合并仪器变量候选项，以在处理相关和无效候选项时进行有效估算，与 allele scores 相比，该方法的实验结果表明更可靠、准确性更高。

Apr, 2020

本文提出一种基于部分祖先图的数据驱动算法用于发现有效的工具变量，并在合成数据和真实世界数据集上进行实验证明其对因果效应估计的准确性优于现有基于工具变量的因果效应估计方法。

Jun, 2022

本文提出了一种基于深度生成模型的数据驱动方法，用于从含有潜在混淆因素的数据中学习条件工具变量及其调节集的信息表示，并实现平均因果效应估计。通过大量的合成和实际数据实验，证明该方法优于现有的 IV 方法。

Nov, 2022

本论文讨论了如何评估结合非实验数据和定性领域知识的直接因果效应，其中领域知识以有向无环图的形式进行编码，并且提供了仪器变量方法的一般化，适用于具有少量条件独立性的模型。

Dec, 2012

提出了一种基于工具变量的方法，通过二进制工具变量帮助确定无未测混杂作用的最优治疗方案，同时构造了新型的多重稳健分类估计器，该方法通过对育儿对劳动参与的影响数据的应用进行了说明。

Nov, 2019

通过使用一个允许一定程度上违反排除性准则的泄露工具集合，我们提出了一种在线性模型中进行部分识别的新方法，其通过凸优化目标为平均处理效应提供可靠的下确界，并实现推断程序以量化结果估计的不确定性。

Apr, 2024

在顺序实验中，通过使用自适应增广逆概率加权估计量和倾向得分截断技术，我们提出了一种有效的平均处理效应推断方法，能够在变动的样本规模下进行推断并具有较窄的置信区间。

Nov, 2023