信息来源：统计与大数据研究院公众号 发布日期：2026年9月11日

近日，2025年度中国人民大学科研标兵评选结果公布，统计与大数据研究院张政教授获评“科研标兵”。

张政教授长期从事统计因果推断的方法与理论研究，主要关注复杂数据结构下因果效应的识别、估计和推断问题。传统因果推断多研究“是否接受处理”这类二元处理变量，而在许多实际问题中，处理变量往往表现为连续剂量、政策强度、环境暴露水平，或随时空变化的干预过程。围绕这些复杂处理变量和复杂数据结构，张政教授及合作者形成了以下三方面代表性成果。

一是提出了连续处理效应的非参数推断方法，研究“剂量、强度或暴露水平连续变化时，结果如何随之变化”的因果问题。相关工作提出了基于协变量平衡和稳定权重的估计框架，并进一步研究了测量误差和函数型处理变量两类情形：针对剂量观测不准确的问题，提出了结合去卷积核和局部协变量平衡的估计方法；针对处理变量本身是一条曲线或随机过程的问题，提出了函数型稳定权重方法，用于避免函数型处理变量难以直接定义概率密度的困难。相关成果发表于Journal of the Royal Statistical Society: Series B、Quantitative Economics、Journal of Econometrics、Journal of Business & Economic Statistics、Journal of Machine Learning Research 等期刊。

二是提出了高维混杂下处理效应估计的神经网络和投影追踪方法。因果推断需要调整混杂因素，但当协变量维度很高、关系高度非线性时，传统非参数方法容易受到“维数灾难”影响。张政教授团队提出基于神经网络的处理效应估计方法，用于刻画高维协变量与处理、结果之间的复杂关系，并建立了相应统计理论；同时提出用于因果推断的投影追踪密度比估计方法，直接估计稳定权重，通过低维投影结构处理高维密度比估计问题。相关成果发表于 Journal of Econometrics 和 International Conference on Machine Learning。

三是提出了面向广义因果效应和非光滑参数的高阶去偏方法。许多因果参数并非简单均值，而是分位数、尾部均值效应或由非线性方程定义的一般处理效应；这类问题通常涉及非光滑的辅助函数，一阶去偏方法仍可能留下较高阶偏差。张政教授及合作者利用高阶影响函数构造去偏估计量，用于减弱辅助函数估计误差对最终因果推断的影响，并给出一般处理模型下的理论分析。相关成果发表于 Econometric Theory。

张政，中国人民大学长聘教授、博士生导师，统计与大数据研究院副院长，入选国家高层次人才计划青年项目。2011年毕业于东南大学数学系，获理学学士学位；2015年毕业于香港中文大学统计系，获统计学博士学位。2016年加入中国人民大学统计与大数据研究院，先后任助理教授、长聘副教授、长聘教授。主要研究方向为统计因果推断。已在统计学、计量经济学和机器学习领域期刊与会议发表论文20余篇，并出版英文专著1部。