中文摘要：

在经济、医药、教育、政策研究等领域中，研究者往往不满足于了解变量间的相关关系，而希望能找出某些因果关系。Rubin因果模型已在这些领域被广泛地应用于比较及评估各种处理（treatments）的效果。在实际观测中，某些数据常常因为观测者"消逝"而无法观测到，如经济研究中失业者的工资，医药研究中死亡者的生活质量等。此外，观测数据往往不是由随机试验产生的，所以在分析中需要对自选择偏差进行调整。我们将结

结论摘要：

在经济、医药、教育、政策研究等领域中，Rubin因果模型已被广泛地应用于比较及评估各种处理（treatments）的因果效果。在实际观测中，某些数据常常因为观测者"消逝"而无法观测到，如经济研究中未就业者的工资，医药研究中死亡者的生活质量等。本项目的主要研究内容是如何在有"消逝"数据的情况下进行因果分析。我们主要根据社会实验的数据评估就业培训项目对就业率和工资（尤其是后者）的影响。我们的研究结果表明，相对传统的选择模型而言，使用主分层方法能够定义培训实验参与者中重要而有意义的一些子群体，明确描述关于这些子群体的行为假设，并更加详细地分析社会实验的数据。在实际数据的分析中，我们还发现存在这样的子群体，他们没有接受培训时会对工作少有挑剔，而接受培训后会希望得到工资更高的工作机会，因而选择不就业；而这样的子群体在传统的选择模型中是假设不存在的。此外，我们针对变量选择设计了更好的办法，以期将来能更好地分析实际数据。我们还研究了一类新的粒子滤波算法，以处理通信、视觉跟踪等领域出现的一类问题。我们还进行了一些应用研究。