【MIT博士论文】非参数因果推理的算法方法，424页pdf

本文介绍了在一系列背景下进行因果参数推理的程序，包括观察性研究、完全随机化设计、配对实验和协变量自适应设计。首先，我们讨论了凸优化在匹配观测研究中进行方向推断和灵敏度分析的应用。我们设计了一种算法，使信噪比最大化，同时考虑了未观察到的混杂。我们分析算法输出的渐近分布行为，以发展因果效应的渐近有效假设检验。由此产生的程序在广泛的程序类上达到最大的设计灵敏度。其次，我们研究了特征信息在完全随机实验中对效应进行高精度推断的作用。本文构建了一种基于线性回归的校正技术，该技术构造了估计量的渐近方差的上界。该校准程序适用于任何可能是半参数有效的填补估计器，并自动证明所产生的非线性回归调整估计器至少与均值之差一样渐近精确;在模型错误规范下，非线性回归调整估计器先前没有保证的一个特性。第三，我们引入了高斯预轴:一种构建检验统计量的算法技术，即使在零中违反随机化假设的对称性时，随机化推理仍保持渐近有效。我们证明了基于预轴统计量的随机化检验在锐利的零值下是有限样本精确的，而在弱零值下它们渐近地控制了错误拒绝的概率。这允许形成具有同声传译的处理效应的置信区域，作为齐次相加处理效应的精确置信区域和异质相加处理效应的渐近置信区域;从而统一费雪和内曼推理的许多实验设计，包括重随机实验。第四，我们构建了重采样算法的嵌套层次结构，该算法利用了超总体、固定协变量和有限总体模型中的概率结构，以促进完全随机设计中各种统计数据的非参数推断。重采样算法通过利用回归调整和最优传输的现代结果扩展了经典的自举范例，在固定协变量和有限人口模型下实现了显著的增益。