2026-05-15 每日研究资讯¶

高相关论文 7 篇 · 中相关 18 篇 · 会议/Seminar 事件 15 条

⭐ 高相关论文¶

1. 2605.14692 — Asymptotic Anytime-Valid Inference for U-statistics¶

作者: Leheng Cai, Qirui Hu, Weijia Li
相关性: 9/10
摘要: 本文研究了二阶U统计量在连续监测下的渐近任意时间有效置信序列。在非退化情形下，通过Hoeffding投影将问题转化为一阶投影部分和的时间一致中心极限理论，并利用留一法刀切估计器实现了完全数据驱动的推断。在退化情形下，作者创新性地提出了SAGE边界，并基于截断谱估计给出了具有一致性保证的插件实现方法，最终得到的置信序列宽度达到了预期的时间一致最优速率。
为什么对您有用: 该工作为高阶U统计量建立了任意时间有效的推断框架，其理论分析和达到的最优速率与您对高阶U统计量及渐近效率理论的研究兴趣直接相关。

2. 2605.15115 — A Practical Guide to Instrumental Variables Methods with Heterogeneous Treatment Effects¶

作者: Tymon Słoczyński, Liyang Sun, S. Derya Uysal
相关性: 9/10
摘要: 本文为工具变量（IV）方法在异质性处理效应下的应用提供了实用指南。它探讨了含协变量的不同设定如何导致协变量特定局部平均处理效应（LATE）的加权平均，并分析了参数误设定对因果解释的威胁，建议采用灵活设定作为稳健性检验。此外，文章回顾了LATE假设的正式检验方法以及对单调性假设违背具有稳健性的方法，并提供了软件实现指南。为什么对您有用：它系统梳理了异质性效应下IV的识别与估计实践，与您在因果推断（特别是识别与估计）方面的核心兴趣直接相关。
为什么对您有用: 该指南深入探讨了异质性处理效应下工具变量方法的识别、估计及稳健性检验，与您在因果推断（识别、估计、IV）和半参数理论方面的主要研究兴趣高度契合。

3. 2605.14952 — Generalizing conditional average treatment effects from nested randomized trials to all trial-eligible individuals¶

作者: Lan Wen, Issa J. Dahabreh, Yu-Han Chiu
相关性: 8/10
摘要: 本文提出了一种从嵌套随机试验中泛化条件平均处理效应（CATE）到所有试验合格个体的方法。该方法结合半参数理论，使用数据自适应方法估计nuisance函数，通过条件影响函数构建伪结果，并采用局部线性回归估计CATE函数。使用样本分割和交叉拟合来减少过拟合偏差，确保渐近有效推断，并通过模拟和冠状动脉手术研究评估性能。为什么对您有用：该工作直接关联您的因果推断和半参数理论兴趣，特别是涉及CATE估计、影响函数和渐近效率方法。
为什么对您有用: 这篇论文与您的因果推断和半参数理论兴趣直接相关，涉及条件平均处理效应估计、半参数效率界和渐近推断方法。

4. 2605.13550 — Causal Discovery via Statistical Power (CDSP)¶

作者: Shreya Prakash, Fan Xia, Elena A. Erosheva
相关性: 8/10
摘要: 本文提出了因果发现框架CDSP，通过统计功效连接因果方向估计，并支持不确定性量化。核心方法是引入效应量不对称假设，在双变量观测数据中利用类似统计功效和效应量的量来评估数据信息量，从而确定因果方向。模拟研究表明CDSP对轻度至中度模型误设具有稳健性，真实数据分析显示其能降低约18%的误发现率。
为什么对您有用: 该方法直接关联您的因果推断兴趣，特别是因果识别和不确定性量化，为因果发现提供了基于统计功效的新视角。

5. 2605.13430 — Towards a holistic understanding of Selection Bias for Causal Effect Identification¶

作者: Yiwen Qiu, Filip Kovacevic, Shimeng Huang, Peter Spirtes, Francesco Locatello
相关性: 8/10

6. 2605.12847 — Never Too LATE: A Fully Stochastic Update to the Potential Outcome Framework¶

作者: Hanti Lin
相关性: 8/10
摘要: 本文提出对Rubin因果模型的完全随机化更新，放弃了唯一平行宇宙观的假设。通过引入随机潜在结果作为伯努利参数，并利用因果贝叶斯网络因子化规则连接观测数据，构建了新的框架。在此框架下，定义了依从度加权的平均处理效应（DATE），并证明在类似LATE的假设下，DATE等于标准IV估计量。经典LATE识别结果作为确定性特例出现。
为什么对您有用: 该工作直接关联您在因果推断中工具变量（IV）的识别与估计兴趣，提供了随机框架下的理论扩展，有助于处理随机潜在结果时的因果推断问题。

7. 2605.15119 — Identification and Estimation of Staggered Difference-in-Differences with Network Spillovers¶

作者: Hayato Tagawa
相关性: 8/10

📌 中相关论文¶

1. 2605.14762 — Differentially private inference framework of Riemannian manifold data¶

作者: Yangdi Jiang, Xiaotian Chang, Qirui Hu
相关性: 7/10
摘要: 本文为非欧几里得数据提出了一种新颖、系统的差分隐私（DP）推断框架。首先，针对独立同分布的黎曼流形值数据，作者设计了两种针对不同几何结构的弗莱谢均值和方差的DP机制，其隐私预算根据底层流形的几何结构进行校准。其次，建立了所提DP估计量的一致性和中心极限定理（CLT），从而支持在隐私保护下进行一系列统计推断。此外，还提供了全面的实施指南和可行程序，包括CLT中渐近方差的DP一致估计量。为什么对您有用：该工作将差分隐私机制与流形数据统计推断相结合，其建立估计量渐近性质（如CLT）的理论框架，与您在数理统计、半/非参数理论及统计计算方面的兴趣高度相关。
为什么对您有用: 该工作将差分隐私机制与流形数据统计推断相结合，其建立估计量渐近性质（如CLT）的理论框架，与您在数理统计、半/非参数理论及统计计算方面的兴趣高度相关。

2. 2605.14491 — Adaptive Long-Run Variance Thresholding for Sparse Covariance Estimation in High-Dimensional Time Series¶

作者: Wenhao Zhang, Zhaoxing Gao
相关性: 7/10
摘要: 本文针对高维时间序列数据，提出了一种自适应长程方差阈值方法用于稀疏协方差矩阵估计。该方法通过将长程方差纳入阈值构造，有效适应了时间依赖性，证明了估计量在谱范数下的一致性并达到了最优收敛速率，同时确保了非零元支撑集的恢复一致性。模拟和基因表达、股票收益数据的应用验证了其优于现有方法的估计精度和支撑恢复能力。为什么对您有用：该方法在高维统计框架下处理时间依赖性，与您对高维统计（稀疏模型）和统计计算（估计量优化）的兴趣直接相关。
为什么对您有用: 该研究在高维统计框架下处理具有时间依赖性的稀疏协方差估计问题，与您对高维统计（稀疏模型）和统计计算（估计量优化方法）的研究兴趣高度契合。

3. 2605.13203 — Double Descent and Emergent Smoothing in Model Averaging Prediction¶

作者: Ke Chen, Dandan Jiang, Xinyu Zhang
相关性: 7/10
摘要: 本文研究了高维线性回归中模型平均的预测性能，其中预测变量数量与样本量相当。研究发现，在模型平均框架内会出现双下降轨迹，但加权聚合会同时触发一种新兴的平滑效应，能结构性抑制局部风险发散。利用随机矩阵理论工具，作者推导了嵌套模型设置下的精确极限样本外风险，并提出了结合样本内偏差和渐近样本外方差的LaMA方法。为什么对您有用：该研究在高维统计环境下，将随机矩阵理论与模型平均相结合，为理解复杂估计量的风险景观提供了精确的渐近刻画，与您在高维统计和统计计算方面的兴趣直接相关。

4. 2605.14275 — Double/debiased machine learning of quantile treatment effects on long-term outcomes in clinical trials¶

作者: Ziyang Liu, Niwen Zhou, Peng Wu, Xu Guo
相关性: 7/10
摘要: 本文研究如何结合随机试验数据和外部观察数据，估计试验人群中长期结果的量化处理效应。在随机化、正性和基于代理变量的可迁移性假设下，作者建立了识别条件并开发了一个双重稳健估计器。该估计器允许使用灵活的机器学习方法估计干扰函数，只要评分相关或结果回归相关的干扰函数之一被一致估计，就能保持一致性，并在正则条件下具有渐近正态性。模拟和真实数据结果表明，该方法在有限样本中表现良好，并能揭示不同分位数上异质的长期处理效应。为什么对您有用：该方法将因果推断中的双重稳健估计与机器学习相结合，直接涉及您感兴趣的纵向数据因果估计、半参数效率理论和去偏机器学习等方向。
为什么对您有用: 该方法将因果推断中的双重稳健估计与机器学习相结合，直接涉及您感兴趣的纵向数据因果估计、半参数效率理论和去偏机器学习等方向。

5. 2605.14936 — Relaxation of Projected Prior with Continuous Gap Shrinkage¶

作者: Leo L Duan, Sunghyun Cho, Mingzhang Yin
相关性: 6/10
摘要: 本文提出了一种投影先验的连续松弛方法，称为间隙收缩先验。该方法通过量化原始投影损失与对偶目标之间的对偶间隙，并施加一个使该间隙收缩至零的概率先验，从而避免了在每次后验更新中嵌套迭代优化程序。核心贡献在于建立了与全局-局部收缩先验的联系，证明了其适用于广义投影函数的广泛性，并在后验收缩中展示了有竞争力的性能。为什么对您有用：该方法为处理具有约束（如稀疏性、有向无环图）的参数空间提供了一种计算高效且理论性质良好的贝叶斯框架，与您在统计计算（MCMC、优化）和半参数/非参数理论方面的兴趣直接相关。

6. 2605.14453 — Estimating Precision Matrices for High-Dimensional Interval-Valued Data¶

作者: Zhongfeng Qin, Hao Xu, Wenhao Cui, Wan Tian
相关性: 6/10
摘要: 本文针对高维区间值数据（每个观测值为一个区间而非单点）的精度矩阵估计问题，提出了一种新颖的框架。核心方法是假设区间的上下界具有相同的条件依赖结构，并构建了区间图Lasso优化目标来估计精度矩阵。作者在优化层面提供了高效的计算方法，在理论层面证明了估计量的稀疏性和一致性。模拟和真实数据实验表明，该方法在估计精度和可解释性方面具有优越性。为什么对您有用：该方法直接针对高维统计中的稀疏模型和依赖结构估计问题，其优化框架和理论保证与您在高维统计和统计计算方面的兴趣高度契合。
为什么对您有用: 该方法直接针对高维统计中的稀疏模型和依赖结构估计问题，其优化框架和理论保证与您在高维统计和统计计算方面的兴趣高度契合。

7. 2605.13388 — Toward a practical handbook for choosing among causal inference methods in non-randomized studies with binary outcomes: A simulation study for applied researchers¶

作者: Adrián Aurensanz-Crespo, Cristóbal M Rodríguez-Leal, Rosario Susi, Jorge Castillo-Mateo, Jesús Asín, José M Ramírez et al.
相关性: 6/10
摘要: 本研究通过大规模模拟实验，系统评估了在二元处理和二元结局的非随机化研究中四种主流因果推断方法（倾向得分全匹配、逆概率加权、G-计算、目标最大似然估计）的性能。研究考察了样本量、处理比例、结局发生率、效应大小、目标估计量以及基本假设违反等多种因素对方法表现的影响，并基于结果构建了面向应用研究者的实用选择手册。该手册在两个真实世界数据集（COVID-19轻症患者和结直肠手术患者）上进行了应用验证。为什么对您有用：该研究直接针对因果推断方法在观测数据下的实际选择问题，其系统性的模拟评估框架和对手册的构建，与您对因果推断（特别是识别与估计）以及统计计算（数值方法、估计量优化）的研究兴趣高度契合。
为什么对您有用: 该研究直接针对因果推断方法在观测数据下的实际选择问题，其系统性的模拟评估框架和对手册的构建，与您对因果推断（特别是识别与估计）以及统计计算（数值方法、估计量优化）的研究兴趣高度契合。

8. 2605.14971 — Denoising Interferometric Observations Using Visibilities-Informed Neural Networks¶

作者: Jason P. Terry, Cassandra Hall, Sergei Gleyzer
相关性: 6/10
摘要: 本文提出了一种名为VIREO的机器学习方法，用于对射电干涉观测数据进行降噪。该方法的核心创新在于，将干涉观测的点扩散函数（PSF）同时作为U-Net网络的额外输入和损失函数中的一项约束。在合成原行星盘数据和真实ALMA数据上的实验表明，VIREO在定量降噪效果和保留/增强亚结构方面，均优于传统的CLEAN方法和忽略PSF的降噪模型。为什么对您有用：该方法将点扩散函数作为正则化项融入深度学习损失函数的设计思路，与您在逆问题（特别是解卷积）和统计计算（优化方法）方面的研究兴趣直接相关。

9. 2605.14943 — Piece-wise linear isotonic regression¶

作者: Timo Kuosmanen, Juan F. Monge, José L. Ruiz, Xun Zhou
相关性: 5/10
摘要: 本文针对保序回归估计结果为阶梯函数、无法提供有意义的边际性质（如影子价格、弹性）这一关键局限，提出了一种新颖的分段线性平滑框架。该方法基于确定性前沿分析中的条件凸性概念，将平滑过程构建为一个双层优化问题，为初始保序回归预测拟合一个连续、单调、分段线性的函数。蒙特卡洛模拟表明，该方法在凸和非凸设置下，对于单变量和多变量数据，都能显著提高估计精度，降低均方误差。为什么对您有用：该方法为解决非参数/半参数估计中的形状约束和函数平滑问题提供了新的优化框架，与您对非参数理论、统计计算和逆问题的研究兴趣直接相关。

10. 2605.14610 — Parametrically Adaptive Transition Polynomial: a Signed-Parity Continuous-alpha Extension of Kunchenko Stochastic Polynomials¶

作者: Serhii Zabolotnii
相关性: 5/10
摘要: 本文提出了参数自适应过渡多项式（PATP），作为Kunchenko多项式方法的一个扩展。该方法通过一个连续参数α∈[0,1]控制带符号奇偶性的分数幂基函数族，连接了分形、退化和整数幂三种机制。作者推导了S=2阶情形下方差缩减系数g_2(α)的闭式解，该解依赖于带符号和绝对分数矩，并分析了α=1/2处的奇异行为。数值模拟展示了该估计器在典型分布下的有限样本性质及其在柯西分布等极端重尾情形下的适用边界。
为什么对您有用: 该方法为非高斯误差下的参数估计提供了新的半参数工具，与您对半参数/非参数理论、统计计算（估计量优化）以及矩条件/正则性分析的兴趣直接相关。

11. 2605.13504 — Structural identifiability of partially-observed stochastic processes: from single-particle trajectories to total particle density data¶

作者: Arianna Ceccarelli, Alexander P. Browning, Ruth E. Baker
相关性: 5/10
摘要: 本文针对时空随机过程，发展了一套分析结构可识别性的方法论。核心贡献在于区分了单粒子轨迹数据与总粒子密度数据两种观测类型，并分别采用个体模型描述和偏微分方程表示进行分析。作者还引入了一种基于特征方程构造密度演化泰勒展开的新方法，以研究初始条件对识别额外参数组合的作用。应用表明，同一模型在轨迹数据下完全可识别，而在密度数据下仅局部可识别，凸显了初始条件在可识别性分析中的关键影响。
为什么对您有用: 这项工作与您在因果推断中的识别问题、逆问题（特别是病态问题）以及随机过程建模方面的研究兴趣直接相关，为随机模型的参数识别提供了系统的理论框架。

12. 2605.13397 — Stabilised weighted data subsampling for accelerated inference in models with recursive likelihoods¶

作者: Matias Quiroz, Aishwarya Bhaskaran, Zixuan Wang, Thomas Goodwin
相关性: 5/10
摘要: 本文提出了一种用于加速递归似然模型推断的稳定加权子抽样方法。该方法通过为早期观测分配更高的抽样概率来减少递归似然评估的有效深度，从而降低计算成本。作者开发了一个理论支撑的稳定化框架，通过超参数调优来限制抽样概率的衰减，以避免方差膨胀和计算病理。该方法可嵌入随机优化、变分贝叶斯和MCMC等框架，并在条件波动率模型中展示了显著的计算加速效果。为什么对您有用：该方法为依赖数据的统计计算（如MCMC）提供了新的高效子抽样策略，与您在统计计算和高效推断方面的研究兴趣直接相关。

13. 2605.12881 — Change-point detection in variance-covariance matrix¶

作者: Ying Lin, Benjamin Poignard
相关性: 5/10
摘要: 本文研究方差-协方差矩阵的变点检测问题，假设矩阵以分段常数方式演化。作者通过将Group Fused LASSO和LASSO惩罚项应用于Frobenius范数的平方，联合估计变点位置和协方差矩阵的稀疏模式，并引入自适应权重以提高估计精度。理论分析证明了估计变点和分段内稀疏估计量的一致性，并开发了基于ADMM的高效优化算法。数值实验验证了该方法在合成和真实数据上的性能。
为什么对您有用: 该方法结合了高维统计（稀疏模型估计）与变点检测的优化计算，与您在高维统计和统计计算方面的兴趣直接相关。

14. 2605.14400 — Partial Identification of the Valuation Distribution in Sequential English Auctions¶

作者: Dongwoo Kim, Kyoo il Kim, Pallavi Pal
相关性: 5/10
摘要: 本文将Hail和Tamer（2003）的静态英式拍卖不完全模型扩展至序贯英式拍卖。由于竞拍者可能等待未来机会，静态模型中‘竞拍者不会让对手以可击败价格获胜’的条件不再成立。作者用动态机会成本限制替代该条件，从而在不求解动态均衡的情况下获得了非参数估值边界，并刻画了尖锐边界。他们提出了一种新颖的矩条件逆估计量，该估计量能汇集具有异质性竞拍者数量的拍卖数据，缓解了次序统计量方法的有限样本不稳定性，并允许解析标准误和平滑置信区间。在韩国批发二手车拍卖和Cars and Bids在线拍卖中的应用得到了信息丰富的边界。反事实分析表明，在韩国市场中，等待的选择权使第一期收入降低了8-11%；在Cars and Bids中，将有效竞争从8个增加到20个严肃竞拍者，卖家收入提高了40-65%；且极大极小保留价在不同车辆集群间差异显著。
为什么对您有用: 该研究通过非参数识别和矩条件估计方法处理动态拍卖中的部分识别问题，与您在因果推断（特别是识别和估计）、非参数理论以及统计计算方面的兴趣直接相关。

15. 2605.14791 — Beyond AI as Assistants: Toward Autonomous Discovery in Cosmology¶

作者: Licong Xu, Thomas Borrett
相关性: 5/10
摘要: 本文提出了两种用于宇宙学的自主AI智能体系统：CMBEvolve（通过LLM引导的代码进化和树搜索处理有明确量化目标的任务）和CosmoEvolve（通过虚拟多智能体研究实验室处理开放式科学工作流）。初步演示表明，CMBEvolve能通过代码迭代改进弱透镜图中的分布外检测基准分数，而CosmoEvolve在自主分析ACT DR6数据时发现了非平凡的对相关和尺度依赖行为。这些系统展示了宇宙学如何为AI科学家系统的发展提供受控基准任务和现实开放式研究问题。为什么对您有用：该工作将自主AI系统应用于天体物理数据分析（astrostatistics），展示了智能体架构如何自动化复杂的统计工作流，与您的天文统计兴趣直接相关。
为什么对您有用: 该工作将自主AI系统应用于天体物理数据分析（astrostatistics），展示了智能体架构如何自动化复杂的统计工作流，与您的天文统计兴趣直接相关。

16. 2605.14222 — Robust and Data-Adaptive Integration of Nonconcurrent Data in Platform Trials via Gaussian Processes¶

作者: Yuhan Qian, Yu Du, Jingning Zhang, Yanyao Yi, Patrick J. Heagerty, Ting Ye
相关性: 4/10
摘要: 本文针对平台试验中非同期数据整合的难题，提出了一个基于高斯过程的稳健框架。该框架通过利用时间平滑性，以数据自适应方式整合非同期对照数据，并提供不确定性量化。理论分析表明，纳入非同期对照能降低治疗效应估计的后验方差，且偏差受非递增界控制。为什么对您有用：该方法在因果推断（特别是纵向数据与敏感性分析）和统计计算（高斯过程建模与不确定性量化）方面与您的研究兴趣高度契合。
为什么对您有用: 该方法在因果推断（特别是纵向数据与敏感性分析）和统计计算（高斯过程建模与不确定性量化）方面与您的研究兴趣高度契合。

17. 2605.14008 — Predictive Inference via Kernel Density Estimates¶

作者: Torey Hilbert
相关性: 4/10
摘要: 本文研究了基于核密度估计的两种预测规则：经典核密度估计器和一种用于在线问题的递归版本。作者证明了这两种预测过程都几乎必然弱收敛，这为核密度估计提供了新的贝叶斯解释。一个有趣的发现是，基于经典核密度估计的过程收敛到一个紧支撑测度，而递归版本则收敛到一个非紧支撑测度。为什么对您有用：这项工作将非参数密度估计与贝叶斯预测推断的理论收敛性联系起来，与您在非参数理论和统计计算方面的兴趣直接相关。
为什么对您有用: 这项工作将非参数密度估计与贝叶斯预测推断的理论收敛性联系起来，与您在非参数理论和统计计算方面的兴趣直接相关。

18. 2605.13710 — Pattern-based tests for two-dimensional copulas¶

作者: L. Baringhaus, R. Grübel
相关性: 4/10
摘要: 本文提出了一种基于模式频率的二维copula非参数检验框架。作者首先建立了二维随机样本中模式频率的函数中心极限定理，以此为基础构建了拟合优度检验、两样本检验和对称性检验。方法包含适用于获取临界值的自助法变体，并在Farlie-Gumbel-Morgenstern类和延迟copula族等参数模型中进行了应用验证。为什么对您有用：该工作将离散数学中的permuton理论与统计推断结合，为非参数检验和copula模型评估提供了新的渐近理论框架，与您在非参数理论和统计计算方面的研究兴趣直接相关。

📅 会议 / Seminar¶

ACIC 2026¶

American Causal Inference Conference (ACIC) 2026 — 2026-05-11 to 2026-05-14 · Salt Lake City, Utah
Annual meeting organized by the Society for Causal Inference

EuroCIM Oxford 2026¶

Keynote: The Categorical Instrumental Variable Model: Characterization, Partial Identification, and Statistical Inference — 2026-04-15 · Thomas Richardson · EuroCIM 2026, Oxford, UK
9:00-10:00
Parallel Session: Difference-in-Differences Meets Synthetic Control: Doubly Robust Identification and Estimation — 2026-04-15 · Yuhang Zhang, The Chinese University of Hong Kong · EuroCIM 2026, Oxford, UK
Parallel Session 10:20-11:20
Parallel Session: Omitted Variable Bias in Difference-in-Differences Designs — 2026-04-15 · Juejue Wang, Department of Statistics, University of Washington, USA · EuroCIM 2026, Oxford, UK
Parallel Session 10:20-11:20
Parallel Session: Difference-in-Differences with Time-varying Continuous Treatments Using Double/Debiased Machine Learning — 2026-04-15 · Michel Haddad, Queen Mary University of London, Dept. of Business Analytics and Applied Economics, UK · EuroCIM 2026, Oxford, UK
Parallel Session 10:20-11:20
Parallel Session: Design-Aware Constraint-Based Causal Discovery for Complex Survey Data — 2026-04-15 · Enrico Roma, Research group EPIDERME, Faculty of Medicine, University Paris Est Creteil, France; Department of Statistical Science “Paolo Fortunati”, University of Bologna, Italy · EuroCIM 2026, Oxford, UK
Parallel Session 10:20-11:20
Parallel Session: Coarsening Causal DAG Models — 2026-04-15 · Alex Markham, Department of Mathematical Sciences, University of Copenhagen, Denmark · EuroCIM 2026, Oxford, UK
Parallel Session 10:20-11:20
Parallel Session: Marginalising graphs after causal discovery — 2026-04-15 · Christine Bang, Department of Mathematical Sciences, University of Copenhagen, Denmark · EuroCIM 2026, Oxford, UK
Parallel Session 10:20-11:20
Parallel Session: A Design-Based Matching Framework for Staggered Adoption with Time-Varying Confounding — 2026-04-15 · Suehyun Kim, Department of Statistics, Seoul National University, South Korea · EuroCIM 2026, Oxford, UK
Parallel Sessions 11:20-12:20
Parallel Session: A Single World Intervention Simulation approach for informing equitable health policy — 2026-04-15 · Nia Kang, Department of Family Medicine, McGill University, Canada · EuroCIM 2026, Oxford, UK
Parallel Sessions 11:20-12:20
Parallel Session: Right Treatment, Right Patient, Right Time, Wrong Data? Measurement Error and Dynamic Treatment Regimes — 2026-04-15 · Michael Wallace, Department of Statistics and Actuarial Science, University of Waterloo, Canada · EuroCIM 2026, Oxford, UK
Parallel Sessions 11:20-12:20
Parallel Session: When the Causal Graph is Unknown, Embrace Model Pluralism — 2026-04-15 · Rohit Bhattacharya, Computer Science, Williams College, USA · EuroCIM 2026, Oxford, UK
Parallel Sessions 11:20-12:20
Parallel Session: Causal Invariance and Time Reparameterizations in Block-Structured Dynamical Systems — 2026-04-15 · Tess Baker, Department of Mathematics and Statistics, McGill University, Canada · EuroCIM 2026, Oxford, UK
Parallel Sessions 11:20-12:20
Parallel Session: Single-world exchangeability conditions for a large class of regimes — 2026-04-15 · Catharina Stoltenberg, Department of Biostatistics, University of Oslo, Norway · EuroCIM 2026, Oxford, UK
Parallel Sessions 11:20-12:20

PCIC 2026¶

The 8th Pacific Causal Inference Conference (PCIC 2026) — 2026-07-18 to 2026-07-19 · Tianjin, China
Official Satellite Conference of IBC 2026