本项目在机理和数据融合的因果推断问题获得重要成果。潜在的机理经常存在不可观测的不确定性，难以直接利用动力系统模型对观测数据进行建模、推断和预测，而基于机器学习方法的因果推断可解释性差。研究团队利用潜变量对不可观测的不确定性进行刻画，得到带有潜变量的动力系统模型，给出具有可解释性的因果推断方法。通过综合控制方法、回归不连续模型和状态空间分区模型，评估了COVID-19干预政策的治疗和阶段性效果。研究表明，在疫情早期阶段，对COVID-19的最高级别警报是有效的；在COVID-19继续传播的情况下，保持身体和社交距离的政策是必要的。

研究成果：Ting Tian; Jianbin Tan; Wenxiang Luo; Yukang Jiang; Minqiong Chen; Songpan Yang; Canhong Wen; Wenliang Pan; Xueqin Wang. The Effects of Stringent and Mild Interventions for Coronavirus Pandemic, Journal of the American Statistical Association, 2021, 116(534), 481-491. (SCIE Q1, IF=3; ABS 4星)