王一新；大卫·M·布莱。 多个原因的祝福。 （英语） Zbl 1428.62059号 美国统计协会。 114，第528号，1574-1596（2019）. 总结：从观测数据进行因果推断是一个关键问题，但它带有很强的假设。大多数方法都假设我们观察了所有混杂因素，即影响因果变量和结果变量的变量。这种假设是标准的，但也无法验证。在本文中，我们开发了deconfounder，这是一种用比传统方法要求的假设弱的假设进行因果推断的方法。解构师是为多重因果推理的问题而设计的：涉及多重原因的科学研究，其影响同时令人感兴趣。具体来说，解构师将无监督机器学习和预测模型检查相结合，使用多个原因之间的相关性作为一些未观察到的混杂因素的间接证据。我们开发了去卷积算法，证明了它是无偏的，并表明它需要比传统因果推理更弱的假设。我们在三类研究中分析了它的表现：关于吸烟和肺癌的半模拟数据，关于全基因组关联研究的半模拟数字，以及关于演员和电影收入的真实数据集。解构师是多重因果推理问题中估计因果效应的有效方法。对于本文，可以在线获取。 引用于6评论引用于13文件 MSC公司： 62D20型 观察性研究的因果推断 68T05型 人工智能中的学习和自适应系统 关键词：因果推理；机器学习；概率模型；无根据性；未观察到的混淆 软件：贝叶斯DA；ADVI公司；斯坦；艾根斯特拉；爱德华 PDF格式BibTeX公司 XML格式引用 \textit{Y.Wang}和\textit{D.M.Blei}，J.Am.Stat.Assoc.114，No.528，1574--1596（2019；Zbl 1428.62059） 全文： 内政部 arXiv公司 链接 参考文献： [1] Airoldi，E.M。；布莱，D.M。；费恩伯格，S.E。；Xing，E.P.，“混合成员随机块模型”，《机器学习研究杂志》，1981-2014年9月（2008年）·Zbl 1225.68143号 [2] Aldrich，J.，“自治”，《牛津经济论文》，41，15-34（1989）·doi:10.1093/oxfordjournals.oep.a041889 [3] 西阿斯特。；Balding，D.J.，“遗传关联研究中的种群结构和隐秘相关性”，《统计科学》，24451-471（2009）·Zbl 1329.62419号 ·doi:10.1214/09-STS307 [4] Baron，R.M。；Kenny，D.A.，“社会心理学研究中的中庸-中介变量区分：概念、战略和统计考虑”，《人格与社会心理学杂志》，51，1173（1986）·doi:10.1037/0022-3514.51.6.1173 [5] 巴亚里，M。；Castellanos，M.，“二级层次模型的贝叶斯检验”，《统计科学》，22，322-343（2007）·Zbl 1246.62029号 ·doi:10.1214/07-STS235 [6] Blei，D.M.，“构建、计算、批判、重复：使用潜在变量模型进行数据分析”，《统计及其应用年度回顾》，1203-232（2014）·doi:10.1146/annurev-statistics-022513-115657 [7] 布莱，D.M。；Ng，A.Y。；Jordan，M.I.，潜在（D）经验分配，“，机器学习研究杂志，1993-1022（2003）·Zbl 1112.68379号 [8] 卡彭特，B。；Gelman，A。；医学博士霍夫曼。；Lee，D。；古德里奇，B。；贝当古，M。；布鲁贝克，M。；Guo，J。；李，P。；Riddell，A.，“Stan:概率编程语言”，《统计软件杂志》，76，1，32（2017）·doi:10.18637/jss.v076.i01 [9] Cemgil，A.T.，“非负矩阵因式分解模型的贝叶斯推断”，计算智能与神经科学，785152（2009）·doi:10.1155/2009/785152 [10] Chen，Y.、Li，X.和Zhang，S.（2017），“大尺度数据的结构化潜在因素分析：可识别性、可估计性及其含义”，arXiv编号1712.08966。内政部：·Zbl 1452.62407号 [11] 切尔诺朱科夫，V。；Chetverikov，D。；Demirer，M。；迪弗洛，E。；Hansen，C。；纽伊，W。；Robins，J.，“治疗和结构参数的双/借方机器学习”，《计量经济学杂志》，21，C1-C68（2017）·Zbl 07565928号 ·doi:10.1111/ectj.12097 [12] Churchland，M.M。；坎宁安，J.P。；考夫曼，M.T。；福斯特·J·D。；努尤朱基安，P。；柳，S.I。；Shenoy，K.V.，“到达时的神经种群动力学”，《自然》，487，51（2012）·doi:10.1038/nature11129 [13] Cinelli，C。；Kumor，D。；陈，B。；Pearl，J。；Bareinboim，E.，1252-1261（2019） [14] 柯林斯，M。；达斯古普塔，S。；Schapire，R.E.，指数族主成分分析的推广，神经信息处理系统的进展，617-624（2002） [15] Crump，R.K。；霍茨，V.J。；Imbens，G.W。；Mitnik，O.A.，“处理平均治疗效果评估中的有限重叠”，《生物统计学》，96，187-199（2009）·Zbl 1163.62083号 ·doi:10.1093/biomet/asn055 [16] D’Amour，A.（2019），“关于未观察到的混淆的多原因因果推断：反例、不可能和替代方案”，arXiv编号1902.10286。 [17] D'Amour，A。；丁·P。；Feller，A。；Lei，L。；Sekhon，J.，“高维协变量观测研究中的重叠”，arXiv no，1711，02582（2017） [18] Dawid，A.P。；Didelez，V.，“确定动态治疗策略的后果：决策理论概述”，《统计调查》，第4期，第184-231页（2010年）·Zbl 1274.62072号 ·doi:10.1214/10-SS081 [19] Dehejia，R.H。；Wahba，S.，“非实验因果关系研究的倾向得分匹配方法”，《经济学与统计学评论》，8515-161（2002）·doi:10.1162/003465302317331982 [20] 戴伊·D。；Gelfand，A。；斯瓦茨，T。；Vlachos，P.，“层次模型的基于仿真的模型检查”，测试，7325-346（1998）·Zbl 0935.62082号 ·doi:10.1007/BF02565116 [21] Erosheva，E.A.，《成员等级模型的贝叶斯估计》，《贝叶斯统计》，第7期，第501-510页（2003年） [22] 冯·P。；周，X.-H。；邹庆明。；Fan，M.-Y。；Li，X.-S.，“评估多重治疗平均疗效的广义倾向评分”，《医学统计学》，31，681-697（2012）·doi:10.1002/sim.4168 [23] Franks，A。；D'Amour，A。；Feller，A.，“无可观测影响的观测研究的灵活敏感性分析”，《美国统计协会杂志》，1-33（2019）·Zbl 1452.62177号 ·doi:10.1080/01621459.2019.1604369 [24] 弗罗特，B。；南迪，P。；Maathuis，M.H.，“具有一些隐藏变量的稳健因果结构学习”，《皇家统计学会杂志》，B辑，81，459-487（2019）·Zbl 1420.62361号 ·doi:10.1111/rssb.12315 [25] 盖瑟，S。；霍奇斯，J。；出版社，S。；ZeUner，A.，“基于拉普拉斯方法的后验展开的有效性”，统计学和计量经济学中的贝叶斯和似然方法，77473（1990）·Zbl 0734.62034号 [26] Gelfand，A.E.、Dey，D.K.和Chang，H.（1992年），“通过基于采样的方法实现预测分布的模型确定”，技术报告，DTIC文件。 [27] Gelman，A。；X孟。；Stern，H.，“通过实现的差异对模型适合性进行后验预测评估”，《中国统计》，6733-807（1996）·Zbl 0859.62028号 [28] Gelman，A。；斯特恩，H.S。；Carlin，J.B。；邓森，D.B。；Vehtari，A。；Rubin，D.B.，贝叶斯数据分析（2013），佛罗里达州博卡拉顿：Chapman和Hall/CRC，佛罗里达州博卡拉顿 [29] 吉尔伯特，P.B。；博世，R.J。；Hudgens，M.G.，“HIV疫苗试验中因果疫苗对病毒载量影响评估的敏感性分析”，生物计量学，59，531-541（2003）·Zbl 1210.62161号 ·数字对象标识代码：10.1111/1541-0420.0063 [30] 戈帕兰，P。；霍夫曼，J.M。；布莱，D.M.，326-335（2015） [31] GTEx财团，Battle，A。；C.D.布朗。；Engelhardt，B.E。；Montgomery，S.M.，《人类组织中基因表达的遗传效应》，《自然》，550204-213（2017） [32] Haavelmo，T.，“计量经济学中的概率方法”，《计量经济学：计量经济学社会杂志》，12，iii-115（1944）·Zbl 0063.01837号 ·doi:10.2307/1906935 [33] 郝伟（Hao，W.）。；宋，M。；Storey，J.D.，“应用于全球人类研究的结构化人群遗传变异概率模型”，生物信息学，32，713-721（2015）·doi:10.1093/bioinformatics/btv641 [34] Heckerman，D.（2018），“从观测数据推断因果关系时对隐藏的常见原因的解释”，arXiv编号1801.00727。 [35] 赫克曼，J。；一村，H。；史密斯，J。；Todd，P.，《技术报告》，“使用实验数据表征选择偏差”（1998年），国家经济研究局·Zbl 1055.62573号 [36] Hill，J.L.，“因果推断的贝叶斯非参数建模”，《计算与图形统计杂志》，20，217-240（2011）·文件编号：10.1198/jcgs.2010.08162 [37] Hirano，K。；Imbens，G.W。；Gelman，A。；Meng，X.-L.，应用贝叶斯建模和不完全数据视角的因果推断，持续治疗的倾向评分，”，73-84（2004），纽约：威利出版社，纽约·Zbl 05274806号 [38] Holland，P.，“统计和因果推断”，《美国统计协会杂志》，81945-960（1986）·Zbl 0607.62001 ·doi:10.1080/01621459.1986.10478354 [39] 霍维茨，D.G。；汤普森，D.J.，“从有限宇宙中不替换抽样的推广”，美国统计协会杂志，47663-685（1952）·兹比尔0047.38301 ·网址：10.1080/01621459.1952.10483446 [40] Imai，K。；基尔，L。；Yamamoto，T.，“因果中介效应的识别、推断和敏感性分析”，《统计科学》，25，51-71（2010）·Zbl 1328.62478号 ·doi:10.1214/10-STS321 [41] Imai，K。；Van Dyk，D.A.，“一般治疗方案的因果推断：倾向评分的推广”，《美国统计协会杂志》，99，854-866（2004）·Zbl 1117.62361号 ·doi:10.1198/0162145000001187 [42] Imbens，G.W.，“倾向评分在估计剂量反应函数中的作用”，《生物统计学》，87，706-710（2000）·Zbl 1120.62334号 ·doi:10.1093/biomet/87.3.706 [43] Imbens，G.W。；Rubin，D.B.，《统计学、社会和生物医学科学中的因果推断：导论》（2015），纽约：剑桥大学出版社，纽约·Zbl 1355.6202号 [44] Janzing，D。；Schölkopf，B.，“通过谱分析检测多元线性模型中的混淆”，《因果推断杂志》，6，1，27（2018）·doi:10.1515/jci-2017-0013 [45] Janzing，D.和Schölkopf，B.（2018b），“检测多元线性回归模型中的非因果伪影”，arXiv编号1803.00810。 [46] Kallenberg，O.，《现代概率基础》，《集合：概率及其应用》（1997），纽约：斯普林格出版社，纽约·Zbl 0892.60001号 [47] Kaltenpoth，D.和Vreeken，J.（2019年），“我们不是你真正的父母：使用MDL说出困惑的原因”，arXiv编号1901.06950。 [48] Kang，H.M。；Sul，J.H。；Zaitlen，N.A。；Kong，S.年。；Freimer，N.B。；萨巴蒂，C。；Eskin，E.，“解释全基因组关联研究中样本结构的方差分量模型”，《自然遗传学》，42，348（2010）·doi:10.1038/ng.548 [49] Kingma，D.P。；Welling，M.，“自动编码变分贝叶斯”，arXiv no，1312，6114（2013） [50] Kucukelbir，A。；Tran，D。；Ranganath，R。；Gelman，A。；Blei，D.M.，“自动微分变分推理”，《机器学习研究杂志》，第18期，第430-474页（2017年）·兹比尔1437.62109 [51] 新墨西哥州莱尔德。；Louis，T.A.，“不完全数据问题的近似后验分布”，《皇家统计学会杂志》，B辑，44190-200（1982）·Zbl 0502.62031号 ·doi:10.1111/j.2517-6161.1982.tb01198.x [52] Lanes，S.F。；Rothman，K.J.，因果推理，因果推理的逻辑，59-75（1988），波士顿：ERI，波士顿 [53] Lechner，M。；Lechner，M。；Pfeiffer，F.，《劳动力市场政策的计量经济学评估，条件独立假设下多重治疗因果效应的识别和估计》，43-58（2001），海德堡：斯普林格 [54] Lee，B.K。；Lessler，J。；Stuart，E.A.，“使用机器学习改进倾向性得分权重”，《医学统计学》，29，337-346（2010）·doi:10.1002/sim.3782 [55] Lee，D.D。；Seung，H.S.，“通过非负矩阵分解学习对象的各个部分”，《自然》，401788（1999）·Zbl 1369.68285号 ·doi:10.1038/44565 [56] Lee，D.D.和Seung，H.S.（2001），“非负矩阵分解算法”，《神经信息处理系统进展》，第556-562页。 [57] Liu，F.和Chan，L.（2018），“使用谱测度的第一矩在高维线性模型中检测混淆器”，arXiv编号1803.06852·兹比尔1475.62242 [58] 洛佩兹，M.J。；Gutman，R.，“多重治疗的因果效应评估：回顾与新思路”，《统计科学》，32，432-454（2017）·Zbl 1442.62021号 ·doi:10.1214/17-STS612 [59] 路易斯，C。；沙利特，美国。；穆伊杰，J.M。；桑塔格，D。；泽梅尔，R。；Welling，M.，《用深层潜在变量模型进行因果推断，神经信息处理系统的进展》，6449-6459（2017） [60] Lunseford，J.K。；Davidian，M.，“通过倾向得分评估因果治疗效果的分层和加权：比较研究”，《医学统计学》，23，2937-2960（2004）·数字对象标识代码：10.1002/sim.1903 [61] McCaffrey，D.F。；Griffin，B.A。；阿尔米拉尔，D。；屠宰，M.E。；拉姆昌德，R。；Burgette，L.F.，“使用广义增强模型对多种治疗进行倾向评分估计的指南”，《医学统计学》，32，3388-3414（2013）·数字对象标识代码：10.1002/sim.5753 [62] McCaffrey，D.F。；里奇韦，G。；Morral，A.R.，“在观察研究中评估因果关系的增强回归倾向得分估计”，《心理学方法》，第9403页（2004年）·doi:10.1037/1082-989X.9.4.403 [63] McCullagh，P.和Nelder，J.A.（1989），广义线性模型（第二版），统计学和应用概率专著，查普曼和霍尔/CRC，37·Zbl 0744.62098号 [64] Mckeigue，P。；Krohn，J。；Storkey，A.J。；Agakov，F.V.，基因组研究的稀疏仪器变量（SPIV），神经信息处理系统进展，28-36（2010） [65] 麦克拉克伦，G.J。；Basford，K.E.，《混合模型：推断和聚类应用》，84（1988），纽约：Marcel Dekker，纽约·Zbl 0697.62050号 [66] 莫加达斯，R。；鲁丁，C。；Madigan，D.，“因子化自我控制病例系列方法：评估多种药物对多种结果影响的方法”，《机器学习研究杂志》，17，1-24（2016）·Zbl 1392.62325号 [67] 穆罕默德，S。；Ghahramani，Z。；Heller，K.A.，“贝叶斯指数族PCA”，《神经信息处理系统进展》，第1089-、1096页（2009） [68] 穆罕默德，S。；Lakshminarayanan，B.，“内隐生成模型中的学习”，arXiv no，1610，03483（2016） [69] Mooij，J.M。；炖牛肉，O。；Janzing，D。；张凯。；Schölkopf，B.，区分因果的概率潜在变量模型，神经信息处理系统进展，1687-1695（2010） [70] 摩根，S。；Winship，C.，《反事实和因果推断》（2015），纽约：剑桥大学出版社，纽约 [71] Neal，R.M.，《学习随机前馈网络》，多伦多大学计算机科学系，641283（1990） [72] Pearl，J.，《智能系统中的概率推理：似然推理网络》（1988），加利福尼亚州旧金山：Morgan Kaufmann Publishers Inc，加利福尼亚州洛杉矶 [73] Pearl，J.，《因果关系》（2009），纽约：剑桥大学出版社，纽约·Zbl 1188.68291号 [74] 彼得斯，J。；Bühlmann，P。；Meinshausen，N.，“使用不变预测进行因果推断：识别和置信区间”，《皇家统计学会杂志》，B辑，78947-1012（2016）·Zbl 1414.62297号 ·doi:10.1111/rssb.12167 [75] 彼得斯，J。；Janzing，D。；Schölkopf，B.，“因果推理的要素：基础和学习算法（2017）”，马萨诸塞州剑桥：麻省理工学院出版社·Zbl 1416.62012年 [76] 价格，A.L。；新泽西州帕特森。；Plenge，R.M。；Weinblatt，M.E。；北卡罗来纳州沙迪克。；Reich，D.，“主成分分析修正了全基因组关联研究中的分层”，《自然遗传学》，38，904（2006）·doi:10.1038/ng1847 [77] Pritchard，J.K。；斯蒂芬斯，M。；罗森博格，N.A。；Donnelly，P.，“结构化人群中的关联映射”，《美国人类遗传学杂志》，67，170-181（2000）·doi:10.1086/302959 [78] Ranganath，R。；Blei，D.M.，“人口预测检查”，arXiv no.，1908，00882（2019） [79] Ranganath，R。；格里什，S。；布莱，D。；塞缪尔·卡斯基（Samuel Kaski）；科兰德，朱卡，《第十七届国际人工智能与统计会议论文集》，33，黑箱变分推断，814-822（2014），冰岛雷克雅未克：PMLR，冰岛雷克雅未克 [80] Ranganath，R.和Perotte，A.（2018），“潜在混淆的多重因果推断”，arXiv编号1805.08273。 [81] Ranganath，R。；Tang，L。；查林，L。；Blei博士。；黎巴嫩，G。；Vishwanathan，S.V.N.，《第十八届国际人工智能与统计会议论文集》，38，深指数族，762-771（2015），美国加利福尼亚州圣地亚哥：美国加利福尼亚州圣迭戈PMLR [82] Ranganath，R。；Tran，D。；布莱，D.，324-333（2016） [83] Rassen，J.A。；所罗门·D·H。；Glynn，R.J。；Schneeweiss，S.，“同时评估多种治疗方案的预期和非预期治疗效果：实用的‘矩阵设计’”，药物流行病学和药物安全，20675-683（2011）·doi:10.1002/pds.2121 [84] 赖兴巴赫，H。；Reichenbach，M.，《时间的方向》（The Direction of Time，1956），加州伯克利：加州大学出版社，加州伯克莱 [85] Rezende，D.J.和Mohamed，S.（2015），“归一化流的变分推断”，arXiv编号1505.05770。 [86] Rezende，D.J。；穆罕默德，S。；Wierstra，D.，《深层潜在高斯模型中的随机反向传播和变分推断》，载于《机器学习国际会议》（，2（2014） [87] 罗宾斯，J.M。；Rotnitzky，A。；沙夫斯坦，D.O。；Halloran，M.E。；Berry，D.，流行病学、环境和临床试验中的统计模型，缺失数据和因果推断模型中选择偏差和未测量混淆的敏感性分析，1-94（2000），纽约：Springer，纽约·Zbl 0998.62091号 [88] 罗森鲍姆，P.R。；Rubin，D.B.，“倾向评分在因果效应观察研究中的中心作用”，《生物统计学》，70，41-55（1983）·Zbl 0522.62091号 ·doi:10.1093/biomet/70.1.41 [89] 鲁宾，D.B.，“在随机和非随机研究中评估治疗的因果效应”，《教育心理学杂志》，66，688（1974）·doi:10.1037/h0037350 [90] Rubin，D.B.，“实验数据的随机化分析：Fisher随机化检验评论”，《美国统计协会杂志》，75，591-593（1980） [91] Rubin，D.B.，《应用统计学家的贝叶斯合理和相关频率计算》，《统计年鉴》，第12卷，第1151-1172页（1984年）·兹伯利0555.62010 [92] 鲁宾，D.B.，评论：内曼（1923）和实验和观察研究中的因果推断”，《统计科学》，第5472-480页（1990）·Zbl 0955.01559号 [93] Rubin，D.B.，“利用潜在结果进行因果推断：设计、建模、决策”，《美国统计协会杂志》，100322-331（2005）·Zbl 1117.62418号 [94] 施密特，M.N。；Winther，O。；Hansen，L.K.，540-547（2009年） [95] Schneeweiss，S。；Rassen，J.A。；Glynn，R.J。；Avorn，J。；莫根，H。；Brookhart，M.A.，“利用医疗索赔数据研究治疗效果的高维倾向得分调整”，《流行病学》，第20期，第512页（2009年）·doi:10.1097/EDE.0b013e3181a663cc [96] Schölkopf，B.、Janzing，D.、Peters，J.、Sguritsa，E.、Zhang，K.和Mooij，J.（2012），“因果和反因果学习”，arXiv编号1206.6471·Zbl 1330.68253号 [97] Shah，R.D.和Meinshausen，N.（2018），“Rsvp-图：潜在混淆下的快速高维协方差矩阵估计”，arXiv编号1811.01076。 [98] Sharma，A.、Hofman，J.M.和Watts，D.J.（2016），“因果识别的分门标准：自然实验的自动搜索”，arXiv编号1611.09414。 [99] Sklar，M.，《重新划分维度和Leurs Marges的功能》，《巴黎大学统计研究所出版物》，第8229-231页（1959年）·Zbl 0100.14202号 [100] Sober，E.，《简单性》（1976） [101] 宋，M。；郝伟（Hao，W.）。；Storey，J.D.，“任意结构群体的遗传关联测试”，《自然遗传学》，47，550-554（2015）·数字对象标识代码：10.1038/ng.3244 [102] 斯蒂芬斯，M。；Balding，D.J.，“遗传关联研究的贝叶斯统计方法”，《自然评论遗传学》，10，681（2009）·doi:10.1038/nrg2615 [103] 蒂尔尼，L。；Kadane，J.B.，“后验力矩和边缘密度的精确近似”，《美国统计协会杂志》，81，82-86（1986）·Zbl 0587.62067号 ·doi:10.1080/01621459.1986.10478240 [104] Tipping，M.E。；Bishop，C.M.，“概率主成分分析”，《皇家统计学会期刊》，B辑，61，611-622（1999）·Zbl 0924.62068号 ·doi:10.1111/1467-9868.00196 [105] Tran，D.和Blei，D.M.（2017年），“全基因组关联研究的隐性因果模型”，arXiv编号1710.10742。 [106] Tran博士。；医学博士霍夫曼。；苏鲁斯，R.A。；Brevdo，E。；墨菲，K。；Blei，D.M.，“深度概率规划”，学习表现国际会议（2017年） [107] Kucukelbir，Tran，D.，Dieng，A.，Rudolph，A.B.，Liang，M.，D.和Blei，D.M.（2016a），“爱德华：概率建模、推理和批评图书馆”，arXiv编号1610.09787。 [108] Tran，D.、Ruiz，F.J.、Athey，S.和Blei，D.M.（2016b），“贝叶斯因果推理的模型批评”，arXiv编号1610.09037。 [109] 2006-03（1987），密歇根州安娜堡：密歇根州立大学政治和社会研究联合会·doi:10.3886/ICPSR06371.v1 [110] VanderWeele，T.J。；Shpitser，I.，“关于混淆者的定义”，《统计年鉴》，第41期，第196-220页（2013年）·Zbl 1347.62017年 ·doi:10.1214/12-AOS1058 [111] 维图里，Y。；de los Campos，G。；Yi，N。；黄，W。；巴斯克斯，A.I。；Kühnel，B.，“使用随机效应相互作用模型模拟种族多样性群体遗传结构中的异质性”，遗传学，2111395-1407（2019）·doi:10.1534/genetics.119.301909 [112] Visscher，P.M。；Wray，N.R。；张，Q。；Sklar，P。；M.I.麦卡锡。；Brown，医学硕士。；Yang，J.，“GWAS发现的十年：生物学、功能和翻译”，《美国人类遗传学杂志》，101，5-22（2017）·doi:10.1016/j.ajhg.2017.06.005 [113] Wager，S。；Athey，S.，“利用随机森林评估和推断异质性处理效应”，《美国统计协会期刊》，1131228-1242（2018）·Zbl 1402.62056号 ·doi:10.1080/01621459.2017.1319839 [114] Yu，J。；Pressoir，G。；Briggs，W.H。；Bi、I.V。；山崎，M。；Doebley，J.F。；医学博士麦克马伦。；Gaut，B.S。；尼尔森医学博士。；Holland，J.B。；Kresovich，S.，“解释多层次相关性的关联映射统一混合模型方法”，《自然遗传学》，38，203（2006）·数字对象标识代码：10.1038/ng1702 [115] 扎努托，E。；卢，B。；Hornik，R.，“使用多个治疗剂量的倾向得分子分类来评估国家反毒品媒体运动”，《教育与行为统计杂志》，30，59-73（2005）·doi:10.102/10769986030001059 [116] 张凯。；Hyvärinen，A.，647-655（2009年），AUAI出版社 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。