INI · Summer 2026¶
- 共 2 场 · 1 篇精读
本季导览¶
自动生成：归纳本季主线与值得先看的几场，不打分、不排名。
这一季只有两场报告，主线非常清晰：观测数据中的纵向因果效应估计，以及因果推断与机器学习的交叉。两场报告分别从经典统计框架和现代算法视角切入同一核心问题——如何从非实验数据中识别并估计随时间变化的处理效应。
James M. Robins 的 keynote 是这一季的基石，系统梳理了观测数据模拟靶向试验的三大经典框架：G 公式、逆概率加权（IPW）与结构嵌套均值模型（SNMMs）。报告聚焦于这些方法在纵向数据中处理时依混杂时的模型一致性、参数可解释性以及偏倚来源，属于因果推断中“设计-模型-识别”这一传统主线的深度展开。另一场报告（CIFW04）则从机器学习角度切入，大概率会讨论如何用非参数或高维方法（如随机森林、神经网络）替代传统参数模型，在 IPW 或 G 公式中实现更灵活的估计，同时可能涉及双稳健估计或半参数效率理论在纵向数据中的适配。
若想快速把握这一季的脉络，建议先看 Robins 的 keynote 打底，理解经典框架的假设与局限；再看 CIFW04 作为进阶，观察机器学习如何尝试突破这些局限（如放松模型形式假设、处理高维协变量）。两场报告构成“理论-工具”的互补对，适合对纵向因果推断有具体应用需求或方法论兴趣的研究者。
报告列表¶
Causality and machine learning [CIFW04] （暂无精读）¶
2026-06-15
链接：视频
Keynote¶
讲者: James M. Robins · 2026-06
链接：视频
Maintained by 陈星宇 · Homepage · Source