Decision-Theoretic Causal Diagnostics via Le Cam Deficiency

ルカム欠損による決定理論的因果診断

Implements Le Cam deficiency theory for causal inference, as described in Akdemir (2026) <doi:10.5281/zenodo.18367347>. Provides theorem-backed bounds together with computable proxy diagnostics for information loss from confounding, selection bias, and distributional shift. Supports continuous, binary, count, survival, and competing risks outcomes. Key features include propensity-score total-variation deficiency proxies, negative control diagnostics, policy regret bounds, and sensitivity analysis via confounding frontiers.

Akdemir (2026) <doi:10.5281/zenodo.18367347>で説明されている、因果推論のためのLe Cam欠損理論を実装しています。定理に基づいた境界値と、交絡、選択バイアス、分布シフトによる情報損失に対する計算可能な代理診断を提供します。連続変数、二値変数、カウント変数、生存変数、競合リスク変数に対応しています。主な機能には、傾向スコアに基づく総変動欠損指標、ネガティブコントロール診断、政策後悔境界、交絡フロンティアによる感度分析などが含まれます。

Nonlinear Causal Dose-Response Estimation via Splines

スプラインによる非線形因果用量反応推定

Estimates nonlinear causal dose-response functions for continuous treatments using spline-based methods under standard causal assumptions (unconfoundedness / ignorability). Implements three identification strategies: Inverse Probability Weighting (IPW) via the generalised propensity score (GPS), G-computation (outcome regression), and a doubly-robust combination. Natural cubic splines and B-splines are supported for both the exposure-response curve f(T) and the propensity nuisance model. Pointwise confidence bands are obtained via the sandwich estimator or nonparametric bootstrap. Also provides fragility diagnostics including pointwise curvature-based fragility, uncertainty-normalised fragility, and regional integration over user-defined treatment intervals. Builds on the framework of Hirano and Imbens (2004) <doi:10.1111/j.1468-0262.2004.00481.x> for continuous treatments and extends it to fully nonparametric spline estimation.

標準的な因果関係の仮定（交絡なし／無視可能性）の下で、スプラインベースの手法を用いて、連続治療に対する非線形因果用量反応関数を推定します。3つの識別戦略を実装しています。一般化傾向スコア（GPS）による逆確率重み付け（IPW）、G計算（結果回帰）、および二重ロバストな組み合わせです。曝露反応曲線f(T)と傾向スコアモデルの両方において、自然三次スプラインとBスプラインがサポートされています。点ごとの信頼区間は、サンドイッチ推定法またはノンパラメトリックブートストラップによって取得されます。また、点ごとの曲率に基づく脆弱性、不確実性正規化脆弱性、ユーザー定義の治療間隔における地域統合など、脆弱性診断機能も提供します。連続治療に関するHiranoとImbens (2004) <doi:10.1111/j.1468-0262.2004.00481.x>のフレームワークを基盤とし、完全なノンパラメトリックスプライン推定へと拡張されています。

Comparative Cohort Method with Large Scale Propensity and Outcome Models

大規模傾向スコアおよび結果モデルを用いた比較コホート法

Functions for performing comparative cohort studies in an observational database in the Observational Medical Outcomes Partnership (OMOP) Common Data Model. Can extract all necessary data from a database. This implements large-scale propensity scores (LSPS) as described in Tian et al. (2018) <doi:10.1093/ije/dyy120>, using a large set of covariates, including for example all drugs, diagnoses, procedures, as well as age, comorbidity indexes, etc. Large scale regularized regression is used to fit the propensity and outcome models as described in Suchard et al. (2013) <doi:10.1145/2414416.2414791>. Functions are included for trimming, stratifying, (variable and fixed ratio) matching and weighting by propensity scores, as well as diagnostic functions, such as propensity score distribution plots and plots showing covariate balance before and after matching and/or trimming. Supported outcome models are (conditional) logistic regression, (conditional) Poisson regression, and (stratified) Cox regression. Also included are Kaplan-Meier plots that can adjust for the stratification or matching.

Observational Medical Outcomes Partnership（OMOP）共通データモデルの観察データベースで比較コホート研究を実行するための関数です。データベースから必要なすべてのデータを抽出できます。これは、Tianらによって説明されている大規模傾向スコア（LSPS）を実装しています。(2018) <doi:10.1093/ije/dyy120>では、例えばすべての薬剤、診断、処置、年齢、併存疾患指数などを含む大規模な共変量セットを使用しています。大規模な正則化回帰は、Suchardら(2013) <doi:10.1145/2414416.2414791>で説明されているように、傾向スコアと結果モデルに適合するために使用されます。トリミング、層別化、(可変および固定比率)マッチング、傾向スコアによる重み付け、傾向スコア分布プロットやマッチングおよび/またはトリミングの前後の共変量バランスを示すプロットなどの診断機能が含まれています。サポートされている結果モデルは、(条件付き)ロジスティック回帰、(条件付き)ポアソン回帰、および(層別) Cox回帰です。層別化やマッチングを調整できるカプラン・マイヤー曲線も含まれています。

Pipeline for Debiased Target Trial Emulation

バイアス除去ターゲット試験エミュレーションのためのパイプライン

Supports propensity score-based methods—including matching, stratification, and weighting—for estimating causal treatment effects. It also implements calibration using negative control outcomes to enhance robustness. 'debiasedTrialEmulation' facilitates effect estimation for both binary and time-to-event outcomes, supporting risk ratio (RR), odds ratio (OR), and hazard ratio (HR) as effect measures. It integrates statistical modeling and visualization tools to assess covariate balance, equipoise, and bias calibration. Additional methods—including approaches to address immortal time bias, information bias, selection bias, and informative censoring—are under development. Users interested in these extended features are encouraged to contact the package authors.

マッチング、層別化、重み付けなどの傾向スコアベースの手法を用いて、因果的治療効果を推定します。また、ネガティブコントロール結果を用いたキャリブレーションも実装し、堅牢性を高めます。「debiasedTrialEmulation」は、リスク比（RR）、オッズ比（OR）、ハザード比（HR）を効果指標としてサポートし、バイナリーおよびイベント発生時間の両方の結果に対する効果推定を容易にします。共変量バランス、均衡、バイアスキャリブレーションを評価するための統計モデリングツールと可視化ツールを統合しています。不死時間バイアス、情報バイアス、選択バイアス、情報打ち切りに対処するためのアプローチを含む、追加の手法も開発中です。これらの拡張機能にご興味のあるユーザーは、パッケージの作者までお問い合わせください。

Healthcare Analysis Methods

ヘルスケア分析手法

Conducts analyses for healthcare program evaluations or intervention studies. Calculates regression analyses for standard ordinary least squares (OLS or linear) or logistic models. Performs regression models used for causal modeling such as differences-in-differences (DID) and interrupted time series (ITS) models. Provides limited interpretations of model results and a ranking of variable importance in models. Performs propensity score models, top-coding of model outcome variables, and can return new data with the newly formed variables. Conducts Bayesian analysis summaries and graphs, decision curve analysis, and produces some Shewhart control charts. Also performs Cronbach's alpha for various scale items (e.g., survey questions). See Github URL for examples in the README file. For more details on the statistical methods, see Allen & Yen (1979, ISBN:0-8185-0283-5), Angrist & Pischke (2009, ISBN:9780691120355), Cohen (1988, ISBN:0-8058-0283-5), Gebski (2012) <doi:10.1017/S0950268812000179>, Gelman & Goodrich (2019) <doi:10.1080/00031305.2018.1549100>, Harrell (2016, ISBN:978-3-319-19424-0), Kline (1999, ISBN:9780415211581), Kruschke (2014, ISBN:9780124058880), Linden (2015) <doi:10.1177/1536867X1501500208>, Merlo (2006) <doi:10.1136/jech.2004.029454>, Muthen & Satorra (1995) <doi:10.2307/271070>, Rabe-Hesketh & Skrondal (2008, ISBN:978-1-59718-040-5), Ryan (2011, ISBN:978-0-470-59074-4), and Vickers & Elkin (2006) <doi:10.1177/0272989X06295361>.

医療プログラムの評価や介入研究のための分析を実施します。標準的な最小二乗法（OLSまたは線形）またはロジスティックモデルの回帰分析を計算します。差分の差（DID）や中断時系列（ITS）モデルなどの因果モデリングに使用される回帰モデルを実行します。モデル結果の限定的な解釈と、モデルにおける変数の重要度のランク付けを提供します。傾向スコアモデル、モデル結果変数のトップコーディングを実行し、新しく形成された変数を含む新しいデータを返すことができます。また、様々な尺度項目（例：アンケート質問）に対してCronbachのα検定を実行します。READMEファイルの例については、GithubのURLをご覧ください。統計手法の詳細については、Allen & Yen (1979, ISBN:0-8185-0283-5)、Angrist & Pischke (2009, ISBN:9780691120355)、Harrell (2016, ISBN:978-3-319-19424-0)、Kline (1999, ISBN:9780415211581)、およびLinden (2015) <doi:10.1177/1536867X1501500208>を参照してください。

Techniques to Build Better Balance

より良いバランスを構築する技術

Build better balance in causal inference models. 'halfmoon' helps you assess propensity score models for balance between groups using metrics like standardized mean differences and visualization techniques like mirrored histograms. 'halfmoon' supports both weighting and matching techniques.

因果関係推論モデルにおいて、より良いバランスを構築します。「halfmoon」は、標準化平均差のようなメトリクスとミラーヒストグラムのような可視化技術を使用して、グループ間のバランスについて傾向スコアモデルを評価するのを助けます。「halfmoon」は、重み付けとマッチングの両方のテクニックをサポートしています。

A Toolkit for Calculating and Working with Propensity Scores

傾向スコアの計算と操作のためのツールキット

Calculates propensity score weights for multiple causal 'estimands' across binary, continuous, and categorical exposures. Provides methods for handling extreme propensity scores through trimming, truncation, and calibration. Includes inverse probability weighted estimators that correctly account for propensity score estimation uncertainty.

バイナリ、連続、カテゴリの曝露における複数の因果的「推定値」の傾向スコア重みを計算します。トリミング、切り捨て、キャリブレーションによって極端な傾向スコアを処理するための方法を提供します。傾向スコア推定の不確実性を適切に考慮した逆確率重み付け推定量が含まれています。

Artless Automatic or Artful Multivariate Matching for Observational Studies

観察研究のためのシンプルな自動多変量マッチング

Implements a simple version of multivariate matching using a propensity score, near-exact matching, near-fine balance, and robust Mahalanobis distance matching (Rosenbaum 2020 <doi:10.1146/annurev-statistics-031219-041058>). You specify the variables, and the program does everything else.

傾向スコア、ほぼ正確なマッチング、ほぼ正確なバランス、そしてロバストなマハラノビス距離マッチングを用いた、簡易版の多変量マッチングを実装します(Rosenbaum 2020 <doi:10.1146/annurev-statistics-031219-041058>)。変数を指定すれば、あとはすべてプログラムが処理します。

Matching on Generalized Propensity Scores with Continuous Exposures

一般化された傾向スコアを用いた連続曝露のマッチング

Provides a framework for estimating causal effects of a continuous exposure using observational data, and implementing matching and weighting on the generalized propensity score. Wu, X., Mealli, F., Kioumourtzoglou, M.A., Dominici, F. and Braun, D., 2022. Matching on generalized propensity scores with continuous exposures. Journal of the American Statistical Association, pp.1-29.

観察データを用いて連続曝露の因果効果を推定するフレームワークを提供し、一般化された傾向スコアに対するマッチングと重み付けを実装しています。Wu, X., Mealli, F., Kioumourtzoglou, M.A., Dominici, F. and Braun, D., 2018. Matching on generalized propensity score with continuous exposures. arXiv preprint < arXiv:1812.06575 >.

Propensity Score Methods for Survival Analysis

生存分析のための傾向スコア法

Implements propensity score weighting methods for estimating counterfactual survival functions, marginal hazard ratios, and weighted Kaplan-Meier and cumulative risk curves in observational studies with time-to-event outcomes. Supports binary and multiple treatment groups with inverse probability of treatment weighting (IPW), overlap weighting (OW), and average treatment effect on the treated (ATT). Includes symmetric trimming (Crump extension) for extreme propensity scores. Variance estimation via analytical M-estimation or bootstrap. Methods based on Li et al. (2018) <doi:10.1080/01621459.2016.1260466>, Li & Li (2019) <doi:10.1214/19-AOAS1282>, and Cheng et al. (2022) <doi:10.1093/aje/kwac043>.

イベント発生時間（time-to-event）アウトカムを用いた観察研究において、反事実的生存関数と周辺ハザード比を推定するための傾向スコア重み付け法を実装します。平均治療効果（ATE）、治療群または対象群の平均治療効果（ATT）、および重複重み付け推定値を用いた2値および多重治療群をサポートします。極端な傾向スコアに対して、対称（Crump）および非対称（Sturmer）トリミングオプションを備えています。解析的M推定法またはブートストラップ法による分散推定が可能です。これらの手法は、Chengら(2022) <doi:10.1093/aje/kwac043>およびLi & Li (2019) <doi:10.1214/19-AOAS1282>に基づいています。