Selection bias when using instrumental variable methods to compare two treatments but more than two treatments are available
工具变量（IV）方法被广泛用于校正观察性研究中由未测量混杂因素引起的估计处理效应的偏倚。在本手稿中，我们提供了经验和理论证据，证明如果应用于受试者根据其接受的治疗进行预选的数据集，IV方法可能导致偏倚处理效应。我们认为这是一个选择偏差的问题，并提出了一个程序，确定感兴趣的处理效应的敏感性参数的向量的函数。我们还列出了分析预选数据不会导致偏倚处理效应估计的假设。使用模拟研究所提出的方法的性能进行检查。我们将我们的方法应用于健康改善网络（THIN）数据库，以评估二甲双胍和磺脲类药物对糖尿病患者体重增加的比较效果。
2015-03-03 stat.ME
Identification and Robust Inference for Multiple Treatments with Possibly Invalid Instruments
University of Macau（澳门大学）；The Chinese University of Hong Kong（香港中文大学）；Zhejiang University（浙江大学）
研究具有多个内生治疗和可能无效工具变量的线性IV模型，引入广义多数和多数规则用于识别多种治疗效果，提出对IV选择错误具有鲁棒性的抽样置信区间，建立其渐近覆盖和参数率长度并用于孟德尔随机化应用。
2026-09-09 stat.ME
Efficient semiparametric estimation of marginal treatment effects with genetic instrumental variables
MRC Biostatistics Unit, University of Cambridge（剑桥大学 MRC 生物统计单元）；Department of Economics, University of Oxford（牛津大学经济系）；Cardiovascular Epidemiology Unit, University of Cambridge（剑桥大学心血管流行病学单元）
本文提出利用遗传工具变量进行高效半参数估计，以解决酗酒对血压影响的异质治疗效应估计问题。
2026-03-09 stat.ME
Estimation of local treatment effects under the binary instrumental variable model
在观察性研究和不完善的随机对照试验中，工具变量被广泛用于处理不可测量的混杂因素。在这些研究中，研究人员通常以所谓的局部平均处理效应为目标，因为它在温和条件下是可识别的。本文考虑了二进制工具变量模型下局部平均处理效应的估计。我们讨论了二元结果的因果估计的挑战，并表明，令人惊讶的是，它可能比连续结果的情况下更困难。我们提出了新的建模和估计程序，改善现有的建议，在模型的相合性，可解释性，鲁棒性或效率。我们的方法是通过模拟研究和实际数据分析说明。
2022-03-22 stat.ME
Homogeneity in the instrument-treatment association is not sufficient for the Wald estimand to equal the average causal effect for a binary instrument and a continuous exposure
工作背景：解释工具变量的结果往往需要进一步的假设，除了相关性，独立性和排除限制的核心假设。研究方法：我们评估是否工具暴露添加剂的同质性，使沃尔德估计等于平均衍生效应（ADE）的情况下，一个二元工具和连续曝光。结果如下：当仪器为二进制、暴露为连续且暴露对结果的影响在加性标度上为非线性时，仪器暴露加性同质性不足以识别ADE。对于二元暴露，确定性-结果效应必然是加性线性的，因此齐性条件是充分的。结论：对于二元仪器，如果暴露也是二元的，则仪器暴露加性均匀性识别ADE。否则，需要额外的假设（如确定性-结果效应的加性线性）。
2022-04-18 stat.ME
Identification and Inference for Marginal Average Treatment Effect on the Treated With an Instrumental Variable
在观察性研究中，治疗通常不是随机的，因此估计的处理效应可能会受到混杂偏倚的影响。工具变量（IV）设计起到准实验处理的作用，因为IV与治疗相关，并且仅通过治疗影响结局。在本文中，我们提出了一个新的框架，识别和推理使用的边缘平均处理效应之间的治疗（ETT）在不可测量的混杂的存在下，IV。对于推断，我们提出了三种不同的半参数方法：（i）逆概率加权（IPW），（ii）结果回归（OR），（iii）双稳健（DR）估计，如果（i）或（ii）是一致的，但不一定两者都是一致的。在二进制IV和结果的简单情况下，得到了封闭形式的局部半参数有效估计，并在更一般的情况下导出了效率界。
2016-08-26 stat.ME
Instrumental Variable Quantile Regression with Misclassification
本文考虑了具有二元内生处理的工具变量分位数回归模型（Zhenzhukov and Hansen，2005，2013）。当无法直接观察治疗状态时，它提供两种识别结果。第一个结果是，值得注意的是，结果变量对工具变量的简化形式分位数回归提供了随机单调性条件下结构分位数处理效应的下限（Small和Tan，2007; DiNardo和Lee，2011）。这一结果不仅在治疗变量发生错误分类时具有相关性，而且在治疗变量的任何测量均不可用时也具有相关性。第二个结果是当治疗状态测量有误差时的结构分位数函数;我通过在广泛使用的测量误差假设下推导矩条件来获得尖锐的识别集。此外，我提出了一种推理方法，在其他协变量的存在。
2019-12-16 stat.ME
On Semiparametric Instrumental Variable Estimation of Average Treatment Effects through Data Fusion
假设一个人有兴趣在一个有效的工具变量的帮助下，在存在潜在的不可测量的混杂因素的情况下估计因果效应。本文研究了从两个独立的来源，其中一个包含信息的治疗和其他包含信息的结果，而仪器和基线协变量的向量值记录在两个数据融合时，对平均处理效应的推断问题。我们提供了一个一般的充分条件下，平均处理效应是非参数识别的数据融合引起的观察数据法，即使当数据是从两个异质群体，并推导出估计这个因果参数的效率界。对于推理，我们开发了参数和半参数的方法，包括一个多个强大的和局部有效的估计，即使在部分误指定的观测数据模型是一致的。我们通过模拟和公共住房项目的应用程序来说明的方法。
2020-02-13 stat.ME
Instrumental Variable Estimation of Marginal Structural Mean Models for Time-Varying Treatment
Robins在1997年引入了边际结构模型（MSMs），这是一种针对复杂纵向研究中时变治疗方案联合效应的一般反事实模型，受时变混杂影响。在他的工作中，MSM参数的识别是在序贯随机化假设（SRA）下建立的，该假设排除了治疗分配随时间推移的不可测量的混杂。我们考虑充分条件识别的一个子类，边际结构平均模型（MSMMs），当顺序随机化未能举行由于不可测量的混杂，而不是使用随时间变化的工具变量的参数。我们的识别条件要求没有未观察到的混杂因素预测随时间变化的治疗的依从性类型。我们描述了一个简单的加权估计，并在模拟研究中检查其有限样本性质。我们应用所提出的估计量来检验分娩医院对新生儿存活概率的影响。
2020-07-24 stat.ME
An Instrumental Variable Approach to Account for Informative Treatment Switching in Real-world Evidence
University of Minnesota（明尼苏达大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Pittsburgh（匹兹堡大学）
针对真实世界研究中信息性治疗转换导致的偏倚，提出基于工具变量的估计方法，通过基线治疗作为工具变量，结合鞅残差过程识别结构累积生存模型下的处理效应，并具有双重稳健性。
2026-07-01 stat.ME
Estimation of Complier Expected Shortfall Treatment Effects with a Binary Instrumental Variable
在许多生物医学和经济学研究中，估计治疗或暴露对亚群的因果效应具有极大的意义。预期不足，也称为超分位数，是一种有吸引力的效应大小度量，可以适应数据异质性并聚合结果分布的某个感兴趣区域上的局部效应信息。在这篇文章中，我们提出了一个工具变量框架下的符合预期不足的处理效应（CRESTE）模型来量化CRESTE的二元内生治疗变量。利用二元工具变量的特殊性质和Neyman正交化的特殊形式，提出了一种两步估计方法，该方法可以通过简单地求解加权最小二乘回归和加权分位数回归来实现。我们开发的估计的渐近性质，并使用数值模拟，以确认其有效性和强大的有限样本性能。一个国家的就业培训合作伙伴关系法研究的说明性分析，以显示所提出的方法的实际效用。
2023-03-22 stat.ME
The Multiplicative Quasi-Instrumental Variable Model
University of Pennsylvania（宾夕法尼亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, Irvine（加州大学尔湾分校）
本文提出乘法准工具变量模型，用于处理未测量混杂因素的因果推断，允许准工具变量对结果有直接效应，不通过处理变量，从而违反标准IV排除限制，并通过修改的Wald比估计量进行识别。
2026-05-11 stat.ME
The Nudge Average Treatment Effect
本文提出一种替代单调性假设的识别条件，允许存在违抗者和异质处理效应，证明工具变量估计量可恢复受工具变量操纵的子群的平均因果效应，即Nudge平均处理效应。
2025-08-12 stat.ME
The Multiplicative Instrumental Variable Model
University of Pennsylvania（宾夕法尼亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Washington University in St. Louis（圣路易斯华盛顿大学）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
本文提出乘法工具变量模型，通过非参数方法识别处理效应，引入了新的估计器以提高效率和鲁棒性。
2026-05-11 stat.ME
Doubly robust estimation of optimal treatment regimes for survival data using an instrumental variable
本文针对存在不可观测混杂因素和工具变量的生存数据，提出基于 Kaplan-Meier 型生存函数最大化的半参数最优治疗方案估计方法，并构造 doubly robust 估计量及核平滑改进，通过模拟和实际癌症筛查数据验证其有效性。
2025-07-23 stat.ME
Nonparametric Inference with an Instrumental Variable under a Separable Binary Treatment Choice Model
Department of Statistics, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校统计学系）；Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系）
本文提出了一种基于可分离二元治疗选择模型的非参数推断方法，通过引入变分独立参数化和固定点论证，实现对治疗效应的半参数有效估计。
2026-02-02 stat.ME
Measurement errors in the binary instrumental variable model
工具变量方法即使在治疗和结局混杂时也能识别因果效应。我们研究了二进制工具变量，治疗或结果的不完善测量的问题。我们首先考虑非微分测量误差，也就是说，被误测量的变量不依赖于给定其真值的其他变量。我们发现，测量误差的工具变量不偏估计，测量误差的治疗偏估计远离零，和测量误差的结果偏估计向零。此外，我们在没有额外假设的情况下推导出因果效应的精确界限。这些界限是信息性的，因为它们排除了零。然后，我们考虑差分测量误差，并专注于在这些设置的敏感性分析。
2019-06-05 stat.ME
Paradoxes in instrumental variable studies with missing data and one-sided noncompliance
在工具变量研究中，工具值缺失是常见的，例如，当工具是孟德尔随机化研究中的遗传检测时。在本文中，我们讨论了两个明显的悖论，出现在所谓的单一同意设计，其中有片面的不遵守，即，不受鼓励的单位无法获得治疗。第一个悖论是，即使在完全随机缺失的假设下，当考虑到单侧不依从的知识时，完整的案例分析也是有偏差的;当忽略这些信息时，情况并非如此。发生这种情况是因为纳入关于单侧不依从性的信息会导致缺失和治疗之间的依赖性。第二个悖论是，虽然在没有缺失数据的情况下，纳入此类信息并不会导致效率提高，但当工具值缺失时，情况就不同了：在这种情况下，纳入此类信息会改变效率界限，从而可能提高效率。这是因为有些缺失的数值是可以填补的，因为任何接受治疗的人都必须受到该文书的鼓励（因为不受鼓励的人无法获得治疗）。
2018-04-18 stat.ME
Causal Inference for Nonlinear Outcome Models with Possibly Invalid Instrumental Variables
工具变量方法被广泛用于在存在不可测量混杂因素的情况下推断因果效应。现有的非线性产出模型的工具变量方法需要严格的可辨识性条件。本文考虑了一个灵活的半参数潜在的结果模型，允许可能无效的工具。当大多数工具变量有效时，我们提出了新的可识别性条件来识别因果参数。我们设计了一个新的推理过程的一个新的平均结构函数和条件平均处理效应。我们建立了所提出的估计量的渐近正态性，并通过自助法构造了因果被估计量的置信区间。所提出的方法在大规模的模拟研究中得到了证明，并被应用于推断收入对房屋所有权的影响。
2022-06-30 stat.ME
Selective Machine Learning of the Average Treatment Effect with an Invalid Instrumental Variable
工具变量方法已被广泛用于在存在不可测量混杂的情况下识别因果效应。被称为排除限制的关键识别条件规定，该工具不能对结果产生直接影响，这不是由所考虑的暴露所介导的。在健康和社会科学中，这样的假设往往是不可信的。为了解决这一问题，我们考虑了识别条件的人口平均处理效应与无效的工具变量，不满足排除限制，并推导出有效的影响函数的目标识别功能下的非参数观测数据模型。我们提出了一种新的多重鲁棒局部有效估计的平均处理效应，这是一致的，在工会的多个参数滋扰模型，以及一个多重去偏机器学习估计的滋扰参数估计使用通用的机器学习方法，有效地利用各种形式的线性或非线性结构稀疏的滋扰参数空间。当人们不能确信这些机器学习器中的任何一个在足够快的速率下是一致的以确保平均处理效应的$\surd{n}$ -一致性时，我们引入了一个新的选择性机器学习标准，该标准利用多鲁棒性属性以确保小偏差。通过大量的模拟和数据分析来说明所提出的方法，评估401（k）参与储蓄的因果关系。
2022-08-04 stat.ME
Estimating Optimal Treatment Rules with an Instrumental Variable: A Partial Identification Learning Approach
个体化治疗规则被认为是提供更好的政策干预的一个有希望的处方。最佳ITR估计问题的一个关键因素是根据受试者的协变量信息估计平均处理效应，由于普遍关注不可测量的混杂因素，这在观察性研究中通常具有挑战性。工具变量（IV）是在治疗和结局之间存在不可测量的混杂时推断处理效应的广泛使用的工具。在这项工作中，我们提出了一个一般框架接近最佳ITR估计问题时，一个有效的IV被允许只部分识别的处理效应。我们引入了一个新的概念，称为“IV-最优”的最优性。如果一个治疗规则最小化了关于假定的IV和IV识别假设集的最大风险，则该治疗规则被称为IV最优的。我们推导出一个IV-最优规则的风险，照亮IV-最优规则具有良好的泛化性能的界限。我们提出了一个基于分类的统计学习方法，估计这样的IV-最优规则，设计计算效率高的算法，并证明理论保证。我们通过广泛的模拟将我们提出的方法与流行的结果加权学习（OWL）方法进行了对比，并将我们的方法应用于研究哪些母亲将受益于在具有高水平新生儿重症监护病房的医院分娩早产儿。
2021-01-12 stat.ME
A Doubly Robust Instrumental Variable Approach for Estimating Average Treatment Effects in Time-to-Event Data with Unmeasured Confounding: Application to Real-World Data on ICU Patients with Septic Shock
针对感染性休克ICU患者真实世界数据中的未测量混杂问题，提出基于EIF的双稳健、渐近有效IV估计量，并发现氢化可的松对死亡率无显著获益或危害。
2025-03-16 stat.ME
Identifiability of the instrumental variable model with the treatment and outcome missing not at random
University of Michigan（密歇根大学）；University of California（加州大学）；Tsinghua University（清华大学）
研究工具变量模型中，当处理变量和结果变量非随机缺失时，局部平均处理效应的可识别性，通过穷举缺失机制刻画了无需辅助信息即可识别CACE的条件。
2026-06-23 stat.ME
Instrumental variable estimation of early treatment effect in randomized screening trials
癌症随机筛查试验的主要分析通常遵循意向筛查原则，测量筛查组和对照组之间癌症特异性死亡率的降低。这些死亡率的降低是筛查方案、筛查技术和早期筛查诱导的治疗效果相结合的结果。这促使分别处理这些不同的方面。在这里，我们感兴趣的是早期与延迟治疗对筛查可检测亚组中癌症死亡率的因果关系，在某些假设下，可以使用工具变量类型的方法从传统的随机筛查试验中估计。为了定义感兴趣的因果效应，我们制定了一个简化的结构多状态模型的筛选试验，基于一个假设的干预试验，筛选检测到的个人将被随机分为早期与延迟治疗。通过病因特异性风险比量化筛查检测后癌症特异性死亡率的降低。为此，我们提出了两个估计，估计方程和似然表达式的基础上。该方法将现有的时间至事件和竞争风险结果的工具变量方法扩展到时间依赖性中间变量。使用的多状态模型的数据生成机制的基础上，我们通过仿真研究新的估计器的性能。此外，我们说明了所提出的方法的背景下，CT筛查肺癌使用美国国家肺筛查试验（NLST）的数据。
2021-06-07 stat.ME
Marginal Structural Models for Time-varying Endogenous Treatments: A Time-Varying Instrumental Variable Approach
Robins（1998）介绍了边际结构模型（MSM），这是在复杂的纵向研究中时变治疗方案联合效应的一般反事实模型，受时变混杂影响。他在序贯随机化假设（SRA）下建立了MSM参数的识别，这基本上排除了治疗分配随时间变化的不可测量的混杂因素。在本技术报告中，当序贯随机化因未测量的混杂因素而无法成立时，我们考虑了借助时变工具变量识别MSM参数的充分条件。我们的识别条件基本上要求没有未观察到的混杂因素预测时变治疗的依从性类型，这是Wang和Tchetgen Tchetgen（2018）识别条件的纵向概括。在这个假设下，我们得到了一个大类的半参数估计，扩展标准的逆概率加权（IPW），最流行的方法估计MSM下SRA，通过将随时间变化的IV通过修改的权重集。MSM参数的影响函数的集合是在一个半参数模型下推导出来的，该模型只对MSM给出的观测数据分布进行限制，并证明了该模型提供了一个丰富的多鲁棒估计类，包括一个局部半参数有效估计。
2018-09-14 stat.ME
Bounded, efficient and multiply robust estimation of average treatment effects using instrumental variables
工具变量（IV）被广泛用于在存在不可测量混杂的情况下估计因果效应。然而，在标准IV模型下，平均处理效应（ATE）仅部分可识别。为了解决这个问题，我们提出了新的假设，允许识别的ATE。我们的识别假设与估计所需的模型假设明确分开，因此研究人员在建立识别时不需要承诺特定的观察数据模型。然后，我们构造多个估计，是一致的三个不同的观测数据模型，并乘以稳健估计，是一致的，在这些观测数据模型的联盟。我们特别注意的情况下，二进制的结果，我们得到有界估计的ATE，保证躺在-1和1之间。我们的方法说明了模拟和数据分析评估教育收入的因果关系。
2018-01-04 stat.ME
Mediation Analysis Without Sequential Ignorability: Using Baseline Covariates Interacted with Random Assignment as Instrumental Variables
在随机试验中，研究人员通常对中介分析感兴趣，以了解治疗是如何工作的，特别是有多少治疗的效果是由中介变量介导的，以及有多少治疗直接影响结果而不是通过中介。中介分析的标准回归方法假设中介的序贯可验证性，也就是说，给定基线协变量和随机化治疗，中介被有效地随机分配。由于实验没有随机化中介，序贯可验证性往往不合理。Ten Have et al.（2007，Biometrics）、Dunn and Bentall（2007，Statistics in Medicine）和Albert（2008，Statistics in Medicine）提出了使用基线协变量与随机分配相互作用作为工具变量的方法，并且不需要序贯可验证性。我们对这一方法做出了两个贡献。首先，在以前的工作中的工具变量的方法，它已被假定为治疗的直接影响和中介的影响是恒定的跨学科，我们允许跨学科的影响的变化，并显示需要什么样的假设，以获得相合估计这种设置。其次，我们开发了一种敏感性分析的方法，违反了关键假设，治疗的直接影响和中介的影响不依赖于基线协变量。
2012-12-31 stat.ME
Instrumental Variable Estimation When Compliance is not Deterministic: The Stochastic Monotonicity Assumption
工具变量（IV）方法是一种基于观察性研究（其中存在未测量的混杂变量）对治疗效果进行因果推断的方法。该方法需要有效的IV，这是一个独立于未测量的混杂变量的变量，与治疗相关，但除了对治疗的影响外，对结局没有影响。IV方法经常采用的另一个假设是确定性单调性，即假设对于每例受试者，如果给定IV水平，受试者将接受的治疗水平是IV水平的单调递增函数。在确定性单调性下，IV方法确定依从者（如果IV鼓励接受治疗，则接受治疗，如果不鼓励则不接受治疗的受试者）的平均处理效应。然而，确定性单调性有时是不现实的。我们引入了一个随机单调性条件，放松确定性单调性，因为它不要求单调递增的关系保持在受试者之间的水平的IV和水平的治疗，受试者将采取，如果给定的水平的IV，但只有一个单调递增的关系保持在受试者之间的IV和治疗以某种方式。我们发现，在随机单调性下，IV方法确定了一个加权平均值的处理效应具有更大的权重的受试者的亚组上的IV具有较强的效果。我们提供了随机单调性和敏感性分析违反随机单调性假设的全局平均处理效应的界限。
2014-08-16 stat.ME
Learning Treatment Representations for Downstream Instrumental Variable Regression
Institute of Computational and Mathematical Engineering（计算与数学工程研究所）；Stanford University（斯坦福大学）；Management Science and Engineering（管理科学与工程）
针对高维内生治疗变量下传统工具变量估计的局限，提出在表示学习中显式纳入工具变量以构建治疗表示，从而减少遗漏变量偏误并优化结果预测。
2025-06-24 cs.LG stat.ME
Treatment Effects with Targeting Instruments
Columbia University（哥伦比亚大学）；Institute for Fiscal Studies（财政研究所）；FGV EPGE（巴西经企基金会经济政策研究所）
本文探讨了通过离散值仪器控制选择偏差的方法，分析了复合合规组的治疗效果识别问题，并通过Head Start研究展示了正向选择假设的识别力量。
2026-01-26 econ.EM stat.ME
Average Treatment Effect Estimation with Non-binary Instrumental Variables
University of Toronto（多伦多大学）；Shanghai Jiao Tong University（上海交通大学）；University of Ottawa（渥太华大学）；Princess Margaret Cancer Centre, University Health Network（公主玛格丽特癌症中心，联合健康网络）
本研究针对非二元工具变量的平均处理效应估计问题，提出广义Wald估计量及局部有效去偏估计量，经模拟和肺癌队列应用验证，其性能稳定且效率更高，揭示肥胖悖论背后的残余混杂。
2026-08-26 stat.ME
Data-adaptive doubly robust instrumental variable methods for treatment effect heterogeneity
我们认为，在存在有效（条件性）工具的情况下，将受试者的平均处理效应估计值作为基线协变量的函数。我们描述了两个双重鲁棒（DR）估计：局部有效的g-估计，和有针对性的最小损失估计（TMLE）。这两个DR估计可以被看作是两阶段最小二乘（TSLS）方法的推广，使较弱的假设半参数模型。我们利用最近的理论结果，扩展到g-估计使用的数据自适应适合的滋扰参数。一个模拟研究是用来比较标准的TSLS与两个DR估计的有限样本性能，（1）当使用参数滋扰模型拟合，和（2）使用数据自适应滋扰拟合，从超级学习者，集成机器学习方法。与错误指定的参数DR估计器和TSLS相比，数据自适应DR估计器具有更低的偏差和更好的覆盖范围。当正确指定处理效应曲线的参数模型时，g估计量优于所有其他估计量，但当错误指定该模型时，TMLE表现最佳，而TSLS可能导致大偏倚和零覆盖。最后，我们通过重新分析COPERS（持续性疼痛，自我管理的有效性研究）试验来说明这些方法，以推断实际接受的治疗的因果效应，以及基线抑郁症在多大程度上改变了这种因果效应。
2019-06-09 stat.ME
Identifying Causal Effects Using Instrumental Variables from the Auxiliary Dataset
Peking University（北京大学）；Beijing Technology and Business University（北京工商大学）；Center for Applied Statistics and School of Statistics, Renmin University of China（中国人民大学应用统计学院和统计学院）
本文提出利用辅助数据集中的工具变量结合结构方程模型，解决非线性治疗效应下的因果效应估计问题，通过构建控制函数和投影方法，提出三步估计器并进行实证分析。
2026-03-29 stat.ME
An instrumental variable method for point processes: generalised Wald estimation based on deconvolution
点过程是对事件数据建模的概率工具。虽然有一个快速增长的文献研究点过程之间的关系，它仍然没有探索如何连接到因果关系的影响。在存在不可测量的混杂因素时，点过程模型的参数不一定具有因果解释。我们提出了一个工具变量方法，用于具有点过程处理和结果的因果推断。我们定义的因果量的基础上，潜在的结果和建立非参数识别结果与二进制工具变量。我们将传统的Wald估计扩展到处理点过程治疗和结果，表明它应该在对治疗和结果的意向治疗效果进行傅立叶变换后进行，从而采取反卷积的形式。我们将其称为广义Wald估计，并提出了一种基于成熟的反卷积方法的估计策略。
2023-01-09 stat.ME
Instrumental variables, spatial confounding and interference
未观测的空间混杂变量在环境和生态应用中普遍存在，其中所研究的系统是复杂的，并且数据通常是观测的。工具变量（IV）是解决未观察到的混杂的常用方法;然而，使用IV对空间混杂的有效性在很大程度上是未知的。本文探讨了在这种情况下，静脉注射的有效性-特别注意的仪器的空间尺度。我们表明，在空间依赖性治疗的情况下，静脉注射是最有效的，当他们在一个更精细的空间分辨率比治疗。我们在广泛的模拟中研究了IV性能，并将该模型应用于1990-2010年美国空气污染和心血管死亡率长期趋势的示例中。最后，IV的方法也扩展到空间干扰设置，其中治疗可以影响附近的反应。
2021-02-27 stat.ME
Instrumental variable approaches for estimating complier average causal effects on bivariate outcomes in randomised trials with non-compliance
在随机对照试验（RCT）中，治疗不依从的情况下，使用工具变量方法来估计复杂的平均因果效应。我们将这些方法扩展到成本效益分析，其中方法需要认识到成本和健康结果之间的相关性。我们提出了一个贝叶斯全似然（BFL）的方法，它联合模型的随机分配对接受的治疗和结果的影响，和一个三阶段的最小二乘法（3SLS）的方法，它承认之间的相关性的终点，和接受的治疗的endointerval。本研究的动机是REFLUX研究，该研究证实了RCT和常规实践之间依从性差异的设置。通过仿真比较了这些方法的性能。我们发现，未能正确建模的结果和接受的治疗之间的相关性可能会导致不良的CI覆盖率和有偏估计。相比之下，BFL和3sls方法提供了具有良好覆盖率的无偏估计。
2016-12-01 stat.ME
Instrumental Variables Estimation of a Generalized Correlated Random Coefficients Model
我们研究了相关随机系数模型中平均处理效应的识别和估计，该模型允许第一阶段异质性和二进制工具。该模型还考虑到多个内生变量以及内生变量和协变量之间的相互作用。我们的识别方法是基于平均的系数从一个普通的线性回归的条件下，不同的实现控制功能的集合。该识别策略提出了一种透明且计算简单的修剪平均处理效应估计器，该估计器构建为核加权线性回归的平均值。我们发展了这个估计量，并建立了它的$\sqrt{n}$ --相合性和渐近正态性。蒙特卡罗模拟显示出优秀的有限样本性能，在精度上与标准的两阶段最小二乘估计相当。我们应用我们的研究结果来分析空气污染对房价的影响，发现第一阶段的工具效果以及处理效应的异质性，这是与家庭分类一致的实质性异质性。
2014-01-02 stat.ME
Detecting Grouped Local Average Treatment Effects and Selecting True Instruments
University of Innsbruck（因斯布鲁克大学）；TU Munich（慕尼黑工业大学）；University of Fribourg（弗里堡大学）；IHS, Vienna（维也纳国际高等教育研究所）
针对内生二元处理的异质性效应及多工具变量场景，提出两步法识别同LATE的依从者群体，可数据驱动选真实工具变量，经模拟与实证（监禁对累犯的影响）验证其一致性与有限样本性质。
2026-08-25 econ.EM stat.AP stat.ME
Estimating Causal Effects of Discrete and Continuous Treatments with Binary Instruments
MIT（麻省理工学院）；U of Bristol（布里斯托大学）；U of Michigan（密歇根大学）；CESifo（CESifo研究所）
提出基于局部copula的工具变量框架，通过恒定局部依赖性假设识别离散和连续治疗的因果效应，并应用于睡眠对幸福感的影响估计。
2026-09-09 econ.EM stat.ME
Instrumental Variables with Treatment-Induced Selection: Exact Bias Results
工具变量（IV）估计在分析条件为处理时存在选择偏差。Judea Pearl早期对工具变量的图形化定义明确禁止对治疗进行条件反射。尽管如此，这种做法仍然很普遍。在本文中，我们推导出精确的解析表达式IV选择偏差在一系列的数据生成模型，并为各种选择诱导程序。我们提出了四组线性模型的结果。首先，IV选择偏差取决于调节程序（协变量调整vs.样本截断）。其次，协变量调整导致的IV选择偏差是样本截断导致的IV选择偏差的极限情况。第三，在某些模型中，选择下的IV和OLS估计量限制了大样本中的真实因果效应。第四，我们描述的情况下，尽管选择的治疗IV仍然首选OLS。这些结果拓宽了IV选择偏差的概念，超越了样本截断，取代以前的模拟结果与精确的分析公式，并使正式的敏感性分析。
2020-05-19 econ.EM stat.ME
Two-Phase Treatment with Noncompliance: Identifying the Cumulative Average Treatment Effect via Multisite Instrumental Variables
University of Chicago（芝加哥大学）
本文提出了一种通过多站点工具变量识别两阶段治疗累积平均治疗效应的方法，解决了不合规行为和排除限制问题，并通过模拟和实证研究验证了其有效性。
2026-01-30 stat.AP stat.ME
Partial Identification of Policy-Relevant Treatment Effects with Instrumental Variables via Optimal Transport
Stanford University（斯坦福大学）
本文提出通过约束条件下的条件最优传输问题，解决工具变量下政策相关处理效应的部分可识别问题，提出新的估计和推断方法，实验证明其优于传统方法。
2026-04-25 econ.EM stat.ME
A simple and robust confidence interval for causal effects with possibly invalid instruments
工具变量已被广泛用于估计治疗对结果的因果效应。基于工具变量的因果效应的现有置信区间假设所有推定的工具变量均有效;有效的工具变量是仅通过影响治疗而影响结局的变量，与未测量的混杂因素无关。然而，在实践中，一些假定的工具变量很可能是无效的。本文提出了一种简单而通用的方法来构造一个置信区间，这是强大的可能无效的工具。稳健的置信区间具有正确覆盖的理论保证，并且还可以用于在违反工具变量假设时评估推断的灵敏度。本文还表明，稳健的置信区间优于传统的置信区间流行的工具变量文献中，当无效的仪器。新的方法是适用于发展经济学研究的因果关系的收入对食品支出。
2016-07-12 stat.ME
High-dimensional Model-assisted Inference for Local Average Treatment Effects with Instrumental Variables
考虑使用工具变量估计局部平均处理效应的问题，其中在针对一组测量协变量进行调整后，工具不混淆性保持不变。需要通过回归模型估计协变量的几个未知函数，例如仪器倾向得分以及治疗和结局回归模型。我们开发了一个计算上易于处理的方法，在高维设置中的回归项的数量接近或大于样本量。我们的方法利用正则化校准估计，这涉及Lasso处罚，但仔细选择的损失函数估计这些回归模型中的系数向量，然后采用双稳健估计的治疗参数，通过增强逆概率加权。我们提供了严格的理论分析表明，如果正确指定了工具倾向得分模型，则在适当的稀疏条件下，所得到的Wald置信区间对于治疗参数是有效的，但治疗和结局回归模型可能被错误指定。对于现有的高维方法，如果正确指定了所有三个模型，则可以获得治疗参数的有效置信区间。我们评估所提出的方法，通过广泛的模拟研究和实证应用，以估计教育的回报。
2020-09-19 math.ST stat.ME stat.TH
Instrumented Difference-in-Differences
不可测量的混杂是基于观察性研究的可靠因果推断的关键威胁。从两个强大的自然实验设备，工具变量和差异中的差异的动机，我们提出了一种新的方法，称为仪表化的差异中的差异，明确地利用外源随机性的暴露趋势，估计的平均和条件平均处理效应在存在不可测量的混杂。我们使用潜在结果框架开发识别假设。我们提出了一个Wald估计和一类多重稳健有效的半参数估计，具有可证明的一致性和渐近正态性。此外，我们扩展的差异中的差异，以两个样本的设计，以促进延迟处理效应的调查，并提供了一个措施，弱识别。我们在模拟和真实数据集上展示了我们的结果。
2021-11-08 stat.ME
Identification and multiply robust estimation of causal effects via instrumental variables from an auxiliary population
针对目标总体工具变量缺失且存在未测量混杂的问题，利用辅助总体工具变量，提出等混杂假设以识别并去除混杂偏倚，开发多重稳健估计器，经模拟和真实数据验证。
2025-08-05 stat.ME
Bayesian Inference and Partial Identification in Multi-Treatment Causal Inference with Unobserved Confounding
在因果估计问题中，感兴趣的参数通常只能部分识别，这意味着即使有无限的数据，参数也不能被精确地恢复。在这里，我们研究贝叶斯推断的部分确定的处理效应在多治疗因果推断问题与未观察到的混杂。原则上，推断部分识别的处理效应在贝叶斯范式下是自然的，但结果可能对参数化和先前规范高度敏感，通常以令人惊讶的方式。因此，理解关于处理效应的结论的哪些方面完全由先前的规范驱动是至关重要的。我们使用了一个所谓的透明参数化的影响，更可解释的科学动机的多重效果的先验规范。我们证明了我们的分析在一个例子中量化基因表达水平对小鼠肥胖的影响。
2022-04-23 stat.ME
Bounding the local average treatment effect in an instrumental variable analysis of engagement with a mobile intervention
在随机试验中估计局部平均处理效应通常需要一个假设，即排除限制，因为我们不愿意排除不可测量的混杂因素。在这种假设下，治疗的任何获益都将通过随机化后变量进行调节，并且不会直接归因于随机化本身或其潜在后代。最近，人们对提供医疗保健支持的移动健康干预产生了兴趣;这种研究可以以单向内容和/或双向内容为特征，后者允许受试者以可以在受试者特定水平上客观测量的方式参与干预（例如，收到响应的文本消息的比例）。因此，很有可能通过干预措施实现的获益部分可以通过接受干预措施内容来解释，部分可以通过参与/响应干预措施内容来解释。因此，当试图描述随机化后参与的平均因果效应时，排除限制几乎肯定会被违反。在本文中，我们提出了一个概念上直观的敏感性分析程序，这种设置，使当地的平均处理效应的急剧变化。大量的模拟研究表明，这种方法具有非常好的有限样本行为，并在灵敏度参数的正确规范下恢复局部平均处理效应。我们将我们的方法应用于一项随机试验，评估2型糖尿病自我护理的短信干预。
2020-08-14 stat.ME
Partial Identification Learning with Categorical Treatments for Individualized Treatment Rules
University of Copenhagen（哥本哈根大学）；University of Oxford（牛津大学）
该研究针对分类处理等变量，扩展了部分识别学习框架，提出广义极小极大损失准则与对称嵌入策略，所得个体化治疗规则在未测量混杂场景中更接近最优规则。
2026-08-21 stat.ME
Triangulating Instrumental Variable, confounder adjustment and Difference-in-Difference methods for comparative effectiveness research in observational data
观察性研究可以在评估竞争性治疗的相对有效性方面发挥有用的作用。在临床试验中，将受试者随机分配到治疗组和对照组通常会导致在可能的混杂因素方面平衡良好的组，这使得分析简单明了。然而，在分析观察性数据时，潜在的未测量混杂因素使得比较处理效应更具挑战性。因果推断方法，如工具变量和先验偶率比方法，可以避免调整数据中未测量或测量错误的混杂因素。通过多变量回归和倾向得分匹配进行的直接混杂因素调整也具有相当大的实用性。每种方法都依赖于一组不同的假设，并利用数据的不同方面。在本文中，我们描述了每种方法的假设，并评估违反这些假设的影响，在模拟研究。我们提出了先前结果增强的工具变量方法，该方法利用了治疗开始前后的数据，并且对违反关键假设具有鲁棒性。最后，我们建议使用异质性统计量来决定两个或多个估计是否在统计上相似，并考虑它们的相关性。我们使用临床实践研究数据链的观察数据，说明我们的因果框架，以评估将钠-葡萄糖协同转运蛋白-2抑制剂与二肽基肽酶-4抑制剂作为2型糖尿病二线治疗的患者生殖器感染的风险。
2022-07-27 stat.ME
Two Stage Least Squares with Time-Varying Instruments: An Application to an Evaluation of Treatment Intensification for Type-2 Diabetes
针对时变治疗评估中标准两阶段最小二乘法未充分适配时变场景的问题，提出稳健时变工具变量两阶段最小二乘法，经模拟和糖尿病治疗评估验证，其在多场景下表现优于标准方法，可与g估计时变工具方法媲美。
2024-07-10 stat.AP stat.ME
Nonparametric identification and efficient estimation of causal effects with instrumental variables
本文整理了基于条件Wald估计量的因果效应非参数识别条件，提出了对应边际和条件因果对比泛函的非参数有效估计量，并通过观察性研究和随机试验验证了方法。
2024-02-14 stat.ME
On a necessary and sufficient identification condition of optimal treatment regimes with an instrumental variable
不可测混杂对因果推理和个体化决策是一种威胁。与Cui和Tchetgen Tchetgen（2020）; Qiu等人（2020）; Han（2020 a）类似，我们考虑了使用有效工具变量识别最佳个体化治疗方案的问题。Han（2020 a）使用Cui和Tchetgen Tchetgen（2020）的条件Wald估计量提供了最佳治疗方案的替代识别条件; Qiu等人（2020）在治疗分配受内分泌影响且有效的二元工具变量可用时。本文给出了利用条件Wald估计量确定最优治疗方案的一个充要条件。Cui和Tchetgen Tchetgen（2020）; Qiu等人（2020）; Han（2020 a）的研究必然暗示了我们的新情况，并且可能继续存在于先前结果未涵盖的各种潜在环境中。
2021-09-29 math.ST stat.ME stat.TH
Optimal Treatment Policy Estimation for Recurrent Events with a Competing Terminal Event: An Instrumented Difference-in-Differences Approach
University of Pennsylvania（宾夕法尼亚大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）
针对存在竞争性终点事件的复发事件，提出基于工具变量差分法（iDID）的框架来估计最优治疗策略，通过多重稳健估计量解决未测量混杂问题，并避免因增加死亡率而减少不良事件的策略。
2026-06-02 stat.ME
