该课题组目前的研究主要集中在以下三方面：高维模型下因果推断与测试的样本收敛性问题、实验设计问题、因果图模型学习问题。

1. 高维模型下因果效应估计问题

课题组成员提出了新的去偏差DIPW方法，通过求解二次规划问题来保证在潜在结果回归函数无法被正确估计的情况下依然可以按照最快估计速率来估计因果效应，突破现有理论极限。该成果目前在统计学顶刊the Annals of Statistics上审稿。

对应文章：

Wang, Yuhao, and Rajen D. Shah. "Debiased Inverse Propensity Score Weighting for Estimation of Average Treatment Effects with High-Dimensional Confounders." arXiv preprint arXiv:2011.08661 (2020).

海报：

2.实验设计问题

目前主要研究两个问题：再随机化（Rerandomization）问题，以及实验设计中的成本控制问题。

在再随机化问题上，课题组成员提出了新的理论框架，通过构造新的中心极限定理解决最优再随机化问题。该项目通过对有限样本情况下中心极限定理更精准的刻画来寻找到最优解。该项目成果目前在统计学顶刊the Annals of Statistics上审稿。

在实验设计的成本控制问题上，课题组成员提出新的成本控制模型，通过权衡实验期间成本与实验后的资产收益来挖掘最优实验策略，并将其成功应用于已有的供应链模型与定价模型当中。该项目成果目前在管理学顶刊Management Science上审稿。

对应文章：

Wang, Yuhao, and Xinran Li. "Rerandomization with Diminishing Covariate Imbalance and Diverging Number of Covariates." arXiv preprint arXiv:2109.02578 (2021).

Wang, Yuhao, and Weiming Zhu. "Profit-Driven Experimental Design." Available at SSRN 3896229 (2021).

3.因果图模型问题

因果图模型学习算法被广泛应用于经济学、流行病学、生物学等领域。然而已有的理论分析发现因果图模型学习方法往往在高维模型需要极强的假设。已有的计算机仿真分析与实际实验数据也支持了这一发现。通过把因果图模型发现问题建模成一个组合学问题，课题组提出了新的因果图发现算法，从而不需要这些假设实现因果图模型学习，该项目目前已经被统计学期刊之一Biometrika接收。

 Solus, Liam, Yuhao Wang, and Caroline Uhler. "Consistency guarantees for greedy permutation-based causal inference algorithms." Biometrika 108.4 (2021): 795-814.