近期，中俄数学中心医学数学研究中心负责人周晓华教授与他人合作的文章“Identifying effects of multiple treatments in the presence of unmeasured confounding”（存在未观测混杂时识别多处理因果作用）在Journal of American Statistical Association （《美国统计学会会刊》, JASA）发表。美国统计学会会刊发表统计理论、应用，以及在经济、社会、物理、工程和医疗科学等学科上的方法问题，一直以来被认为是统计学科领域的的四大主要期刊之一。该文章的共同通讯作者为周晓华教授和苗旺，第一作者苗旺为北京大学数学科学学院助理教授。

当未观测混杂存在时如何识别因果作用是近年来因果推断领域十分关注的问题。现有的研究大多关注仅有一个处理变量的场景，方法包括利用辅助变量（例如，工具变量、阴性对照变量等）来识别因果作用，敏感性分析以及计算因果作用上下界等。而在社会学，心理学，生物统计等领域，往往会关心多个处理变量的因果作用，例如GWAS研究中，多个基因可以看成多个处理变量。最近有一些研究者尝试提出在多处理场景下的因果作用估计方法，然而这些方法或者在识别性方面存在一些漏洞，或者依赖于较强的参数模型假定。

周晓华教授团队提出了两种当存在未观测混杂时识别多处理因果作用的方法。辅助变量法（auxiliary variables approach）利用与结局变量不存在因果关系的变量作为辅助变量识别因果作用，该方法减弱了传统工具变量方法的识别性条件。零作用处理法（null treatments approach）假设受未观测混杂影响的处理中，有至少一半对结局变量没有因果作用，在该假设下，给出了因果作用的识别方法。这两种方法不需要对结局变量模型做参数模型假设，从而大大降低了模型错误设定的风险。

该论文将提出的方法运用到小鼠基因表达对体重影响的数据中。通过两种方法对数据分析，验证了之前已发现的对小鼠体重有影响的基因，同时也找出了一些新的可能对小鼠体重有影响的基因。

2022年1-2月发表论文：

[1] Miao W, Hu W, Ogburn EL, Zhou X. Identifying effects of multiple treatments in the presence of unmeasured confounding. Journal of the American Statistical Association. 2022 Feb 28.1-36.