两样本孟德尔随机化中工具变量对因果估计的性别特异性影响——人体测量学性状与乳腺癌关系的实证研究

目的研究两样本孟德尔随机化(mendelian randomization, MR)分析中性别特异工具变量对因果效应估计的影响。方法利用全基因组关联数据以乳腺癌作为结局,以人体测量学性状(身体质量指数(BMI)、腰臀比(WHR)、腰围(WC)和臀围(HIP))作为暴露,采用两样本MR逆方差加权法估计因果效应;通过差异检验比较使用女性特异工具变量与性别合并工具变量的因果效应(OR值);进一步通过敏感性分析验证结果的稳健性。结果使用性别合并工具变量的MR结果表明BMI/WC与乳腺癌风险存在因果关联(OR值分别为0.85(P=0.003)和0.87(P=0.020));剔除性别差异的工具变量后,每组OR值与未剔除前基本一致,但WC与乳腺癌的因果关联不再显著(P=0.069);使用女性特异工具变量的MR结果与使用性别合并工具变量结果相比,每组OR值均呈下降趋势;其中BMI/HIP与乳腺癌的因果关联效应大小发生了明显改变(P<0.05);例如BMI与乳腺癌因果关联的OR值由0.85下降至0.76。结论工具变量的性别异质会对MR的因果效应估计产生实质影响,使用性别合并的工具变量可能导致有偏的因果关联。

重加权的对抗变分自编码器及其在工业因果效应估计中的应用

反事实预测和选择偏差是因果效应估计中的重大挑战。为对潜在协变量的复杂混杂分布进行有效表征,同时增强反事实预测泛化能力,提出一种面向工业因果效应估计应用的重加权对抗变分自编码器网络(RVAENet)模型。针对混杂分布去偏问题,借鉴域适应思想,采用对抗学习机制对由变分自编码器(VAE)获得的隐含变量进行表示学习的分布平衡;在此基础上,通过学习样本倾向性权重对样本进行重加权,进一步缩小实验组(Treatment)与对照组(Control)样本间的分布差异。实验结果表明,在工业真实场景数据集的两个场景下,所提模型的提升曲线下的面积(AUUC)比TEDVAE(Treatment Effect with Disentangled VAE)分别提升了15.02%、16.02%;在公开数据集上,所提模型的平均干预效果(ATE)和异构估计精度(PEHE)普遍取得最优结果。

因果效应估计在SAS软件中的实现

目的利用SAS开发的CAUSALTRT过程,实现三类估计方法的因果效应估计。方法采用SmokingWeight数据集,以戒烟为处理变量,体重变化为结局变量,其他因素为混杂变量,通过增强逆概率加权法(augmented inverse probability weighting,AIPW)对平均处理效应(the average treatment effect,ATE)进行估计,通过回归调整法(regression adjustment,REGADJ)对处理组平均处理效应(the average treatment effect for the treated,ATT)进行估计。结果戒烟对体重变化的ATE和ATT分别为3.209(95%CI:2.232~4.187)和3.276(95%CI:2.332~4.219)。结论CAUSALTRT可以实现不同的因果效应估计,但应用时需要考虑其是否满足前提假设以及注意事项。

基于工具变量的丁苯酞-急性缺血性卒中的因果效应评估

因果效应分析在临床统计中是一种常见的研究方法,其通常基于观察数据进行分析。然而,在使用观察数据进行因果效应分析时,常受到未观测变量的影响,从而使因果效应评估出现偏差。当无法忽略未观测变量带来的偏差或无法找到适当的代理变量来削弱这种偏差时,传统方法无法提供可靠的因果效应估计。为了解决这一问题,本文采用工具变量法,在临床统计的药效分析领域提出一种比传统方法更加准确的计算方法,将未观测变量的影响纳入误差项,以实现准确的因果效应估计。通过将观察数据中满足特定假设的变量作为工具变量,计算了丁苯酞(一种药物)对急性缺血性卒中(Acute Ischemic Stroke,AIS)患者在存在未观测变量的情况下,其3个月预后的因果效应,并评估了该因果估计量的置信区间。研究结果揭示了丁苯酞对急性缺血性卒中患者的预后恢复具有明显的积极作用。

非图宾根基准下LLM ChatGPT的因果发现和因果推理能力

基于图宾根基准在多学科的因果测试,建立了不同于该基准的两个变量的因果关系对(人文社会科学)因果关系数据库;在此基础上分析了LLM在新的基准下因果发现中的能力和问题;探讨了在因果估计阶段,系统在数据或条件不充分下的因果推理能力。期望LLM以一种新的、友好的因果研究范式与传统方法结合,为我们日常处理因果问题提供全新的助力。

样例学习条件下的因果力估计

在逐个呈现因果样例的条件下 ,考察单一因果关系因果力估计的特点 ,同时检验联想解释 ,概率对比模型 ,权重ΔP模型 ,效力PC理论和pCI规则。实验让 6 5名大学生被试估计不同化学药物影响动物基因变异的能力。实验结果表明 :(1)对产生原因的因果力估计符合权重ΔP模型 ;(2 )对预防原因的因果力估计较多符合效力PC理论 ;(3)因果力估计具有复杂多样性 。

基于非因果先验信噪比估计的语音增强改进算法

为提高MMSE-LSA语音增强算法在低信噪比下的语音增强效果,提出一种改进的MMSE-LSA算法。该算法采用非因果先验信噪比估计法来估计先验信噪比,并引入无语音概率的思想,对增益函数进行改进。实验结果表明,相比传统MMSE-LSA算法,改进算法能更好地抑制残留噪声,提高语音的信噪比,增强效果更好。

目标原因密度对因果强度估计的影响研究

以往研究对是否接受目标原因密度(P(C))为因果强度估计的影响因素还存在争论。研究采用纸笔测验在鼓励被试做背景原因效力一致假设的条件下开展实验探索P(C)因素对大学生被试在图形集中呈现信息情境中的因果强度估计值的影响。结果显示:在ΔP=0、0.25、0.50、0.75四个设计中P(C)因素都不影响被试的因果强度估计,以往观察到的P(C)效应可能是由于实验材料并不鼓励被试做背景原因效力一致性假设。

非因果先验信噪比估计的LSA算法改进

对于大多数的语音增强算法,先验信噪比及背景噪音频谱估计的准确与否,对语音增强的效果影响至关重要。为此,在传统MMSE-LSA算法的基础上,提出一种基于非因果先验信噪比估计的LSA改进算法,较好地弥补了传统LSA算法在先验信噪比上估计的不足,同时采用平滑系数动态更新噪音频谱值,使估计值能更好地跟踪噪音的变化。实验结果表明,改进算法能有效减少残余噪音量,提高语音分段信噪比,改善语音质量。

用不同外部表征方式集中呈现信息条件下的因果力判断

在分别用文字陈述、表格和图形三种外部表征方式集中呈现因果信息的条件下 ,用直接估计因果力大小的实验范式考察单一因果关系因果力估计的特点 ,检验概率对比模型 ,效力PC理论和 pCI规则。让 2 87名大学生被试估计不同化学药物影响动物基因变异的能力。结果发现 ,对单一因果关系因果力估计具有以下 4个特点 :⑴不对称性 :在预防原因条件下的因果力估计较多符合效力PC理论 ,而在产生原因条件下的因果力估计一般符合概率对比模型 ;⑵文字陈述、表格和图形三种信息外部表征方式 ,不影响产生原因条件下的因果力估计 ,但影响预防原因条件下的因果力估计。在预防原因条件下 ,与文字陈述和表格表征相比 ,图形表征会促使更多被试按效力PC理论来做因果力估计 ;⑶没有被试使用 pCI规则 ;⑷被试估计因果力所使用的规则存在明显的个体差异。