- 将实验数据和观察数据相结合估计治疗对长期结果的影响
本文提出了一种方法,将观测数据和实验数据相结合,通过控制函数方法进行因果效应的估计,以解决可能存在未观测混淆变量的问题。该方法应用于课堂规模和第三年级考试成绩的数据,结论表明,课堂规模对学生学业成就有显著影响。
- 异质性治疗效果的强健递归划分及不确定性量化
本文介绍了 R2P 方法,它使用任意外生估计算法来估计个体化治疗效果,并量化治疗效果估计的不确定性,通过更强大的构造实现更均匀的缺陷组和更异构的子组划分,同时产生比其他方法更窄的置信区间。
- 有限结果数据中代理的角色在治疗效果有效估计中的作用
本文研究了在难以收集数据的情况下,通过使用代理观测值对治疗效果进行高效估计,构建了基于机器学习技术的估计方法,并通过职业培训的长期收益效果的实证研究表明了其效果
- 异质性处理效应的极小极大优非参数估计
本文旨在探测和估计治疗干预对感兴趣结果变量上的治疗效果,其中异质性治疗效应在个性化医学等实际应用中日益受到关注。我们将异质性治疗效应建模为两个基线函数之间的平滑非参数差异,并确定了非参数异质性治疗效应估计的紧密统计限制作为协变量几何函数的函 - 通过对抗平衡表示估算随时间变化的因果治疗结果
介绍了一种新的序列到序列模型 —— 对立逆向网络,该模型利用患者日常观察数据,通过对领域敌对训练来处理时间变化混杂物的偏见,以可靠地作出反事实预测。在肿瘤生长的模拟模型中,比目前最先进的方法在估计反事实和选择正确的治疗和治疗时间方面实现了更 - AAAI利用解缠的潜在因素进行治疗效果估计
该研究提出了一种基于变分推断的方法,以同时识别观察变量中的潜在非混杂因素,并为处理效应估计提供更好的数据学习。
- 降低选择偏差在反事实推理中的应用 —— 个体治疗效果估计
本文提出了一种新方法来解决选择偏差的问题 —— 通过学习两组潜在的随机变量,一组对应导致选择偏差的变量,另一组对于预测结果非常重要,进而通过 Pearson 相关系数去降低它们的关联度,从而得以显式地减轻选择偏差。实验结果表明,该算法能够取 - 神经网络估计治疗效果的适应
本文研究了神经网络在处理观测数据中的治疗效果估计方面的应用,提出了一个新的 Dragonnet 神经网络架构和一个有针对性的正则化程序,这些方法在基准数据集上的研究表明,优于现有的方法。
- 时间序列去混杂因素法:在隐含混杂因素的情况下估计时间依赖的治疗效果
本研究提出了一种称为时间序列去混杂器的方法,利用多重处理来估计存在多因素潜在混杂变量时的治疗效应,并使用新颖的递归神经网络架构进行因素建模和推断潜在变量,从而替代多因素未观察到的混淆变量,进行因果推断,从而得到时间变化曝露的无偏因果效应估计 - 深度学习用于因果推断
本研究提出一种基于深度学习的经济计量学技术,特别是针对因果推断和估计个体和平均处理效果。具体而言,我们分析了使用自编码器进行降维的广义邻居匹配用于估计个体处理效果和平均处理效果,并将深度神经网络应用于倾向得分匹配以提高性能。
- 高维异质性治疗效应估计的一些方法
该研究旨在提出三种方法,以利用临床记录中包含的数据来为患者提供更好的医疗建议,并通过模拟表现良好。
- 公正的推断结果
本文考虑了涉及结果变量的公平统计推断问题,并讨论了因一些协变量(敏感协变量)可能导致歧视造成的公平性问题。通过学习一个满足约束条件的最优化问题,可以得到公平的结果模型,但是也存在一些复杂性和近期因果和半参数推断的工作相关的问题需要解决。
- 在干扰存在的情况下分析双阶段实验
本文探讨了在干预效果评估实践中实用的两阶段实验分析方法,包括处理家庭大小变化问题、基于个人和家庭权重的无偏估计方法以及使用线性回归和随机化推断等方法,证明了这两种方法可以产生相同的点估计和方差估计,并提出了融合协变量以提高精度的选项。
- 观察性研究中的倾向评分匹配和分类方法在多层次治疗中的应用
本文针对多个处理水平下的观察研究,开发了估计平均处理效应的新方法,并通过对纤维肌痛治疗效果的分析和模拟研究验证了这些方法的有效性。
- 半参数估计量的影响函数
本文研究非参数化的初步步骤对于许多有用参数的影响以及如何利用影响函数分析局部政策、构建机器学习估计器、进行效率比较和制定渐近正态的基本规则。研究发现影响函数是一个门托导数,我们给出了满足外生或内生正交条件的初步步骤的影响函数。最后,这项研究 - 高维数据的程序评估和因果推论
本文提供了针对丰富的数据环境中的各种处理效应,包括局部平均处理效应(LATE)和局部分位数处理效应(LQTE)的高效估计量和诚实置信区间。 我们的框架涵盖了处理的内生接收,异质性处理效应和函数值结果等特殊情况。