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

在确定样本量和效应量时，本文介绍了一种程序，用于形式化研究者对所选择领域的效应量的预期，从而计算所需的最小测量变量数量，同时还概述了确定子群分析的最小样本量的方法，并使用模拟提供了常用子群分析方法（k 均值，Ward 层次聚类，c 均值模糊聚类，潜在类别分析，潜在属性分析和高斯混合模型）的参考表，该表显示了达到可接受的统计功效所需的每个预期子群（样本量）和变量数量（测量变量），可直接用于研究设计。

Sep, 2023

本篇研究提出了一种基于符合性推断的方法，用于在潜在结果框架下产生反事实和个体治疗效果的可靠区间估计，适用于完全随机或分层随机试验，以及遵循强忽略性假设的一般观测研究。同时，该方法在机器学习算法的条件平均治疗效应估计上表现出了良好的优势。

Jun, 2020

本研究关注样本受限制条件下的治疗效果估计问题，基于线性效应模型设计了有效的实验方案和估算器，涉及随机控制试验、子集选择、划分以及采样等方法。

Oct, 2022

本研究提出了一种基于分区和统计检验方法的统计独立检验技术，这种技术可以有效和可靠地检验两个随机变量之间的依存关系。同时，我们还提出了一种基于求和和最大化聚合的一致无分布测试统计方法，并探讨了其在实际应用中的表现。

Oct, 2014

本文介绍一种方法，通过数据整合和建立结构性因果模型，在不同条件下解决由选择偏差引起的局部统计问题，并针对数据集的部分可识别性问题提出了一种逼近计算方法。通过系统的实验验证和实例研究，证明了这种方法的可行性和准确性，并揭示了数据整合对于信息界的提高具有积极的作用。

Dec, 2022

我们提出了一种叫做 Rashomon Partition Sets（RPSs）的替代性方法，用于在具有相关结构的协变量中对协变量组合进行划分，并应用于统计分析、先验、近似误差和实证设置。

Apr, 2024

这篇论文研究数据分析中的线性回归和数据素描技术，探讨在样本量有限的情况下如何选择行列子集对数据进行估计和推断，发现虽然算法上的优化子集无法适用于预测和推断，但通过统计学方法可以提供建议的子集大小，并通过实验表明，使用不同的子集来估计结果可以将预测结果效率与使用全样本的方法几乎相同。

Jul, 2019

通过对代理人的偏好进行赋值，我们将找到 Kemeny 排名作为对抗式武装强盗问题。我们考虑了采样和不采样的情况，并提供了概率近似正确（PAC）解决方案的算法，同时详细说明了其采样复杂度。如果所有代理人的偏好都是对备选项的严格排名，我们提供了剪枝置信区间的方法，以便更有效地赋值，并提出了几种自适应采样方法进行比较。

Dec, 2023

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