周晓华教授团队与北京大学数学科学学院邱宇谋研究员合作，在统计学顶尖杂志Journal of the American Statistical Association （JASA）上发表题为《对不可观测的结果进行研究：针对多个派生变量的因果推断方法》（“Unveiling the Unobservable: Causal Inference on Multiple Derived Outcomes”）的研究论文(doi: 10.1080/01621459.2023.2252135)被Journal of the American Statistical Association （JASA）Editors选为Amstat News的封面文章。该杂志的封面文章由各杂志主编评选，每份期刊约两篇，旨在促进杂志发展、评选推广优秀的文章。

该文章的研究结果为不可直接观测但是可以从数据中估计的随机量的因果推断提供了新方法，为具有分层结构的数据的因果推断提供了一个广泛适用的框架。现有的因果推断框架大多聚焦于可以直接观测的随机变量的因果作用，而不能被用于研究不可被直接观测的具有个体异质性的参数。例如，在基于功能磁共振成像（fMRI）的脑链接研究中，研究者感兴趣的个体水平参数是不同脑区间的相关性，该参数需要从每个个体的脑区fMRI时间序列数据中估计得到。针对这一类目标参数不可直接观测问题的因果推断，该文章提出了一套研究派生变量的因果作用的框架。该框架首先对不可直接观测的随机量进行估计，之后通过对个体水平的参数进行逆概率加权来得不可直接观测的结果的群体水平的因果作用的估计，并基于高斯近似（Gaussian approximation）的结果提出了因果作用一致置信区间的构造方法和一种多重检验的步骤来控制非零因果作用的假阳性率。文章通过一项自闭症药物治疗的真实数据研究展示了新方法在现实中的广泛应用情景。