A calculus for causal inference with instrumental variables
在因果推理的一般结构方程框架下，我们定义了一个变量X对另一个变量Y的因果效应，并提出了一种通过使用工具变量来估计这种因果效应的方法。
2021-04-23 math.ST stat.ME stat.TH
Instrumental Variable Value Iteration for Causal Offline Reinforcement Learning
Columbia University（哥伦比亚大学）；Northwestern University（西北大学）；Yale University（耶鲁大学）；University of Michigan（密歇根大学）；University of Washington（华盛顿大学）；University of Southern California（南加州大学）
针对离线强化学习中未观测变量导致的动作混淆问题，本文利用工具变量导出条件矩约束以识别转移动态，并提出首个可证明有效的工具变量辅助值迭代（IVVI）算法。
2024-10-14 cs.LG stat.ML
Rejoinder to discussions on "Instrumental variable estimation of the causal hazard ratio"
我们回应评论我们的论文，题为“工具变量估计的因果风险比。"
2022-10-24 stat.ME
Flow IV: Counterfactual Inference In Nonseparable Outcome Models Using Instrumental Variables
Chalmers University of Technology（查尔姆斯理工大学）
本文提出Flow IV方法，通过工具变量和正常化流估计可逆结果函数，实现非可分离模型中的反事实推断。
2026-03-28 cs.LG stat.ML
A Class of Algorithms for General Instrumental Variable Models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Cambridge（剑桥大学）；Helmholtz AI（亥姆霍兹人工智能中心）；University College London（伦敦大学学院）；The Alan Turing Institute（艾伦·图灵研究所）
因果治疗效果估计是一个关键问题，出现在各种现实世界的设置，从个性化医疗到政府的政策制定。最近机器学习领域有一系列关于当人们可以使用一种工具时估计因果效应的工作。然而，为了实现可识别性，它们通常需要一个通用的假设，例如结果的加性误差模型。另一种方法是部分识别，它提供了因果效应的界限。很少存在的边界方法，可以处理最一般的情况下，治疗本身可以是连续的。此外，定界方法通常不允许对因果效应的形状进行连续的假设，而这种连续的假设可以平滑地权衡更强的背景知识以获得更多信息的边界。在这项工作中，我们提供了一种方法，因果效应边界连续分布，利用最近的进展，基于梯度的方法优化计算棘手的目标函数。我们证明了一组合成和真实世界的数据，我们的边界捕获的因果关系时，添加剂的方法失败，提供了一个有用的范围内的答案与观察相兼容，而不是依赖于不必要的结构假设。
2020-10-21 cs.LG stat.ML
Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism
Sorbonne University（索邦大学）
基于条件独立的因果推理方法构造马尔可夫等价图，不能应用于二元情况。相反，基于原因和机制独立性的方法则认为因果发现可以从两个观测结果中推断出来。在我们的贡献，我们挑战调和这两个研究方向。我们研究了潜在的变量，如潜在的工具变量和隐藏的共同原因的因果图形结构中的作用。我们发现，基于原因和机制的独立性的方法，间接包含的痕迹存在的隐藏的工具变量。我们推导出一种新的算法来推断两个变量之间的因果关系，我们验证了模拟数据和基准的因果对所提出的方法。我们说明我们的实验，所提出的方法是简单的和极具竞争力的经验准确性相比，国家的最先进的方法。
2020-07-17 cs.AI cs.LG stat.ME
Demystifying Causal Features on Adversarial Examples and Causal Inoculation for Robust Network by Adversarial Instrumental Variable Regression
KAIST（韩国科学技术院）
对抗性例证的起源在研究领域中仍然是一个谜，尽管有广泛的研究，但它引起了各种观点的争论。在本文中，我们提出了一种从因果角度深入研究对抗训练网络中意外脆弱性的方法，即对抗工具变量（IV）回归。通过部署它，我们估计的因果关系的对抗性预测在一个无偏的环境下分离未知的混杂因素。我们的方法旨在通过利用休闲特征估计器（即，假设模型）和最坏情况的反事实（即，测试功能）干扰寻找因果特征。通过广泛的分析，我们证明了估计的因果特征与对抗鲁棒性的正确预测高度相关，并且反事实表现出严重偏离正确预测的极端特征。此外，我们提出了如何有效地将因果特征（CAFE）引入防御网络，以提高对抗鲁棒性。
2023-03-02 cs.AI cs.CV cs.LG
Identification and Debiased Learning of Causal Effects with General Instrumental Variables
Zhejiang University（浙江大学）
本文提出了一种利用通用工具变量进行因果效应识别与去偏学习的非参数框架，通过半参数理论构建了两个一致且渐近正态的估计量，并通过模拟和真实数据验证了方法的有效性。
2026-02-07 econ.EM math.ST 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
RobustIV and controlfunctionIV: Causal Inference for Linear and Nonlinear Models with Invalid Instrumental Variables
本文介绍两个R软件包RobustIV和controlfunctionIV，分别用于线性与非线性模型下存在无效工具变量时的因果推断，并提供了经济数据和弗拉明汉心脏研究的应用示例。
2023-06-20 stat.CO stat.ME
Estimating Heterogeneous Causal Effects in the Presence of Irregular Assignment Mechanisms
IMT School for Advanced Studies（IMT高等研究院）
本文提供了因果推理和机器学习技术之间的联系-特别是分类和回归树（CART）-在观察性研究中，治疗的接受不是随机的，但治疗的分配可以假设是随机的（不规则分配机制）。本文有助于不断增长的应用机器学习文献的因果推理，提出了一个修改版本的因果树（CT）算法，从一个不规则的分配机制得出因果推理。该方法是通过将CT方法与工具变量框架合并到因果推理中来开发的，因此命名为工具变量因果树（CT-IV）。与CT相比，CT-IV的主要优势在于它可以更有效地处理因果效应的异质性，这一点已在合成数据上获得的一系列数值结果中得到证明。然后，所提出的算法被用来评估托斯卡纳地区管理局（意大利），其目的是减轻获得信贷的小企业实施的公共政策。在这方面，CT-IV为基于目标的政策开辟了新的天地，确定了有趣的异质因果效应。
2019-05-21 cs.LG stat.ML
Causal Inference with Treatment Measurement Error: A Nonparametric Instrumental Variable Approach
University College London（伦敦大学学院）；University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）
我们提出了一个基于核的非参数估计的因果效应时，原因被错误损坏。我们这样做是通过在工具变量设置中推广估计。尽管在具有测量误差的回归方面做了大量的工作，但在连续设置中处理未观察到的混杂是不平凡的：我们几乎没有看到以前的工作。作为我们研究的副产品，我们澄清了均值嵌入和特征函数之间的联系，以及如何同时学习一个允许一个学习另一个。这为核方法研究在特征函数估计中利用现有结果开辟了道路。最后，我们的经验表明，我们提出的方法，MEKIV，提高了基线和测量误差的强度和类型的误差分布的变化下是强大的。
2022-06-18 cs.LG stat.ME
Generalized Encouragement-Based Instrumental Variables for Counterfactual Regression
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Emory University（埃默里大学）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Carnegie Mellon University（卡内基梅隆大学）
本文针对激励设计中随机化不完全、数据有限及激励稀少导致因果效应估计困难的问题，提出了广义工具变量估计器EnCounteR，结合观察与激励数据有效识别条件平均处理效应，并在合成与真实数据集上验证了其优越性。
2024-12-19 cs.LG stat.ME stat.ML
Control Function Instrumental Variable Estimation of Nonlinear Causal Effect Models
当存在未测量的混杂因素和有效的工具变量时，工具变量方法可一致地估计治疗效果。有效的工具变量是独立于未测量的混杂因素的变量，影响治疗，但除了对治疗的影响外，对结局没有直接影响。两个常用的估计使用一个工具变量来估计一个处理效应是两阶段最小二乘估计和控制函数估计。对于线性因果效应模型，这两种估计是等价的，但对于非线性因果效应模型，这两种估计是不同的。我们提供了一个系统的比较，这两个估计的非线性因果效应模型，并开发了一种方法来结合这两个估计，一般表现得比单独的。我们证明了控制函数估计是一个两阶段的最小二乘估计与增广的工具变量。如果这些增广工具变量是有效的，那么控制函数估计器可以比没有增广工具变量的通常的两阶段最小二乘更有效，而如果增广工具变量是无效的，那么控制函数估计器可能是不一致的，而通常的两阶段最小二乘保持一致。我们应用Hausman检验来检验增广的工具变量是否有效，并在此检验的基础上构造一个预检验估计量。在模拟研究中的预检验估计工作良好。被认为是暴露于暴力的时间偏好的效果的应用程序。
2016-02-02 math.ST stat.ME stat.TH
Bayesian causal inference with some invalid instrumental variables
在观察性研究中，工具变量估计被大量用于识别因果效应。工具变量估计量一致的关键条件之一是排除限制，这表明工具仅通过感兴趣的暴露变量影响感兴趣的结果。我们提出了一个似然无贝叶斯方法，使一致的因果关系的影响时，有一些无效的工具，他们违反了排除限制条件的方式进行推断。所提出的贝叶斯估计的渐近性质，包括一致性和正态性，建立。仿真研究表明，对于含有一些无效工具的高斯和非高斯数据，所提出的贝叶斯方法均能得到一致的点估计和有效的可信区间，且具有正确的覆盖率.我们还通过实际数据的应用证明了所提出的方法。
2020-06-13 stat.ME
Discovering Ancestral Instrumental Variables for Causal Inference from Observational Data
University of South Australia（南澳大学）；Hefei University of Technology（合肥工业大学）
工具变量（IV）是一种强大的方法，即使在治疗和结果之间存在潜在的混杂因素时，也可以从观察数据中推断治疗对感兴趣结果的因果效应。然而，现有的IV方法需要选择IV并利用领域知识进行证明。无效的IV可能导致有偏估计。因此，发现一个有效的IV是至关重要的IV方法的应用。在本文中，我们研究和设计了一个数据驱动的算法，发现有效的IV数据下温和的假设。我们开发的理论的基础上部分祖先图（PAG），以支持搜索一组候选人的祖先IV（AIV），并为每个可能的AIV，其条件集的识别。在此基础上，我们提出了一个数据驱动的算法，从数据中发现一对IV。合成和真实世界的数据集上的实验表明，开发的IV发现算法估计准确的因果效应估计相比，国家的最先进的IV因果效应估计。
2022-06-04 cs.AI stat.ML
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
Identifiability of Sparse Causal Effects using Instrumental Variables
本文研究工具变量下稀疏线性因果模型的可识别性，提出图形准则与spaceIV估计器，并证明其一致性及在不可识别时恢复部分因果父节点的能力。
2024-10-18 math.ST stat.ME stat.ML
On Instrumental Variables Estimation of Causal Odds Ratios
因果效应的推断可以受益于工具变量（IV）的可用性，根据定义，工具变量（IV）与给定的暴露相关，但与感兴趣的结果无关，除非通过因果暴露效应。工具变量的估计方法现在已经很好地建立了连续的结果，但对二分法的结果要少得多。在这篇文章中，我们回顾了IV估计的所谓的条件因果比值比表示的效果，任意暴露的二分结果的暴露水平，工具变量和测量的协变量的条件。此外，我们提出了所谓的边际因果比值比的IV估计，表示在人口水平上的二分结果的任意暴露的影响，因此更大的公共卫生相关性。我们探索不同的估计之间的相互联系，并支持广泛的模拟研究和三个应用程序的结果。
2012-01-12 stat.ME
Learning Conditional Instrumental Variable Representation for Causal Effect Estimation
University of South Australia（南澳大学）
本文提出DVAE.CIV方法，利用解纠缠表示学习自动学习条件工具变量及其条件集的表示，以消除未测量混杂偏差，在合成和真实数据上优于现有因果效应估计器。
2023-06-21 cs.AI cs.LG stat.ME
Instrumental Variable Estimation for Causal Inference in Longitudinal Data with Time-Dependent Latent Confounders
University of South Australia（南澳大学）
针对纵向数据中潜在时变混杂因素导致的因果推断难题，提出基于RNN的时变工具因子模型TIFM，经理论分析与合成、真实数据集验证，可有效估计时变因果效应。
2023-12-12 cs.AI cs.LG stat.ME
Two Robust Tools for Inference about Causal Effects with 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。本文提出了两种工具进行有效的推理和测试，在存在无效的仪器。首先，我们提出了一个简单而通用的方法来构建置信区间的基础上采取工会的知名置信区间。其次，我们提出了一种新的测试的零因果效应的基础上对撞机偏见。我们的两个建议，特别是当融合在一起，优于传统的工具变量置信区间时，无效的工具，也可以用作敏感性分析时，有关注的工具变量假设被违反。新的方法是适用于孟德尔随机化研究的因果关系的低密度脂蛋白对心血管疾病的发病率。
2020-06-02 stat.AP stat.ME
Using negative controls to identify causal effects with invalid instrumental variables
本文利用阴性对照人群或结果，在工具变量假设违反时识别因果效应，提出多重稳健估计量，并通过模拟和生命跨度研究验证其有效性。
2025-01-23 math.ST stat.ME stat.TH
Causal Gradient Boosting: Boosted Instrumental Variable Regression
文献中的最新进展表明，标准的监督学习算法是不适合的问题与内生解释变量。为了校正内参数偏差，已经开发了许多非参数工具变量回归方法的变体。在本文中，我们提出了一种替代算法称为boostIV，建立在传统的梯度增强算法，并纠正了内循环的偏见。该算法非常直观，类似于标准2SLS估计量的迭代版本。此外，我们的方法是数据驱动的，这意味着研究人员不必对目标函数近似的形式或工具的选择做出立场。我们证明了我们的估计是一致的温和的条件下。我们进行了广泛的蒙特卡罗模拟，以证明我们的算法相比，其他最近开发的方法的有限样本性能。我们表明，boostIV是在最坏的水平与现有的方法，平均显着优于他们。
2021-01-15 econ.EM stat.ML
Efficient Identification in Linear Structural Causal Models with Instrumental Cutsets
Purdue University（普渡大学）；Brex Inc.（Brex公司）；Columbia University（哥伦比亚大学）
在进行数据分析时，最常见的错误之一是将因果意义归因于回归系数。从形式上讲，只有当一个因果效应可以从观测数据和所研究领域的结构知识中识别出来时，才能计算出它（Pearl，2000，第5章）。建立在文献的工具变量（IV），大量的方法已被开发出来，以确定线性系统中的因果效应。然而，几乎无一例外地，最强大的这种方法依赖于指数时间的程序。在本文中，我们调查的图形条件，使有效的识别在任意线性结构因果模型（SCM）。特别是，我们开发了一种方法来有效地找到无条件的工具子集，这是IVs的推广，可用于驯服的复杂性，在文献中发现的许多典型的算法。此外，我们证明，确定是否可以用TSID识别效果（Weihs等人，2017），一种比无条件工具集和其他有效识别算法更强大的方法，是NP完全的。最后，建立在流约束的思想，我们引入了一个新的和有效的标准，称为工具割集（IC），这是能够解决所有其他现有的多项式时间算法错过的参数。
2019-10-29 cs.AI stat.ME
Learning causal effects from many randomized experiments using regularized instrumental variables
科学和商业实践越来越多地导致大量的随机实验。这些集合可以告诉我们集合中的单个实验无法告诉我们的事情。我们研究如何从现代数据科学家面临的各种集合中学习变量之间的因果关系：实验数量很大，许多实验的影响非常小，分析师缺乏元数据（例如，干预措施的说明）。在这里，我们使用实验组作为工具变量（IV），并表明，一个标准的方法（两阶段最小二乘法）是有偏见的，即使当实验的数量是无限的。我们展示了稀疏诱导的l0正则化如何--与标准偏差相反--正则化中的方差权衡--减少干预预测的偏差（从而减少误差）。由于我们对干预损失最小化感兴趣，我们还提出了一种修改的交叉验证过程（IVCV）来可行地选择正则化参数。我们表明，使用一个技巧，从蒙特卡罗抽样，IVCV可以使用汇总统计，而不是原始数据。这使得我们的整个过程在许多实际应用中使用起来很简单。
2017-06-01 stat.AP stat.ML
Learning Instrumental Variables with Non-Gaussianity Assumptions: Theoretical Limitations and Practical Algorithms
从观测数据中学习因果效应并不简单，因为如果没有进一步的假设，这是不可能的。如果治疗$X$和结局$Y$之间隐藏的共同原因不能被其他测量阻断，一种可能性是使用工具变量。原则上，在某些假设下，可以发现变量是否在结构上有助于目标因果效应$X \rightarrow Y$，但目前的框架在这些假设的一般性方面有所欠缺。工具变量发现问题是具有挑战性的，因为没有变量可以作为工具单独测试，而只能在组中测试，但是不同的变量可能需要不同的条件才能被视为工具。此外，识别约束可能难以在统计上检测。在本文中，我们给出了一个理论表征的工具变量发现，突出可识别性问题和解决方案，需要非高斯假设，以及它们如何适合现有的方法。
2015-11-09 stat.ML
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
Instrumental Variables in Causal Inference and Machine Learning: A Survey
Zhejiang University（浙江大学）；Emory University（埃默里大学）
因果推理是使用假设、研究设计和估计策略，根据数据得出有关变量之间因果关系的结论的过程。这使研究人员能够更好地了解复杂系统中工作的潜在机制，并做出更明智的决策。在许多情况下，我们可能无法完全观察到影响治疗和结局变量的所有混杂因素，从而使因果效应的估计复杂化。为了解决这个问题，越来越多的文献在因果推理和机器学习提出使用工具变量（IV）。本文首次系统全面地介绍和讨论了IV方法及其在因果推理和机器学习中的应用。首先，我们给出了IV的形式化定义，并讨论了不同假设下IV回归方法的辨识问题。其次，我们将现有的IV方法的工作分为三个流根据重点提出的方法，包括两阶段最小二乘与IV，控制功能与IV，和IV的评估。对于每个流，我们提出了经典的因果推理方法，以及机器学习文献的最新进展。然后，我们介绍了IV方法在现实世界中的各种应用，并提供了可用的数据集和算法的总结。最后，我们总结了文献，讨论了开放的问题，并提出了有前途的未来研究方向的IV方法及其应用。我们还开发了一个工具包，在https://github.com/causal-machine-learning-lab/mliv的调查中审查了静脉注射方法。
2022-12-12 cs.AI cs.LG stat.ME
Towards causal effect estimation with learned instrument representations
本文提出ZNet模型，通过学习观测协变量的工具变量表示，实现无显式工具的因果估计，实验显示其能恢复真实工具或构建潜在工具。
2026-10-06 cs.LG stat.ME stat.ML
Outcome-Aware Spectral Feature Learning for Instrumental Variable Regression
Gatsby Computational Neuroscience Unit, University College London（Gatsby计算神经科学单位，伦敦大学学院）；Faculty of Science, University of Novi Sad（科学学院，诺维萨德大学）；AI Centre, University College London（人工智能中心，伦敦大学学院）；DIBRIS, University of Genoa（DIBRIS，热那亚大学）
针对存在隐藏混杂因素的非参数工具变量回归问题，提出一种通过最小化基于增广算子的对比损失来学习结果感知谱特征的方法，以缓解谱错位导致的因果函数表示不足问题。
2026-05-28 cs.LG stat.ML
MASSIVE: Tractable and Robust Bayesian Learning of Many-Dimensional Instrumental Variable Models
Radboud University（拉德堡德大学）
最近大量的、多维的数据集，如全基因组关联研究（GWAS）中的数据集，为加强因果推断提供了许多机会。一种流行的方法是利用这些多维测量作为工具变量（仪器），用于改善其他变量对之间的因果效应估计。不幸的是，在多维候选集合中搜索合适的工具是一项艰巨的任务，这是由于难以处理的模型空间以及我们无法直接测试哪些候选是有效的，因此大多数现有的搜索方法要么依赖于过于严格的建模假设，要么无法捕获选择过程中固有的模型不确定性。我们表明，只要至少有一些候选人是（接近）有效的，而不知道先验哪些，他们集体仍然构成足够的限制目标相互作用，以获得一个可靠的因果效应估计。我们提出了一个通用的和有效的因果推断算法，占模型的不确定性，通过执行贝叶斯模型平均最有前途的多维工具变量模型，而在同一时间采用较弱的假设有关的数据生成过程。我们展示了我们的算法的效率，鲁棒性和预测性能，通过模拟和真实世界的数据的实验结果。
2020-12-18 cs.AI cs.LG q-bio.GN
Discovery and inference of possibly bi-directional causal relationships with invalid instrumental variables
本文提出一种利用可能无效的工具变量，在存在未测量混杂和反馈回路时，对两个性状进行双向因果发现与效应推断的方法，并通过模拟和英国生物银行数据验证其有效性。
2024-07-16 stat.ME
Bridging Local and Population Causal Effects: A Proximal Instrumental Variable Approach
Department of Statistics and Actuarial Science（统计与精算学系）；University of Hong Kong（香港大学）
针对工具变量仅能识别局部平均处理效应的问题，提出近端工具变量框架，利用代理变量调整依从加权，结合双重稳健表示恢复总体平均处理效应，并给出有效估计与理论保证。
2026-09-22 stat.ME stat.ML
Nonparametric Instrumental Variable Regression with Observed Covariates
University College London（伦敦大学学院）；University of Stuttgart（斯图加特大学）
本文提出了一种结合观测协变量的非参数工具变量回归方法，通过引入傅里叶测度和自适应核长度尺度，实现了对异质因果效应的高效估计，并建立了理论学习速率的上下界。
2025-11-24 cs.LG math.ST stat.ML
Heterogeneous causal effects with imperfect compliance: a Bayesian machine learning approach
Harvard University（哈佛大学）；KU Leuven（鲁汶大学）；IMT School for Advanced Studies（IMT高等研究院）
本文介绍了一种创新的贝叶斯机器学习算法，用于在存在不完美依从性的情况下（例如，不定期分配机制）。我们表明，通过蒙特卡罗模拟，提出的贝叶斯因果森林与工具变量（BCF-IV）的方法优于其他机器学习技术的因果推断中发现和估计的异质因果效应，同时控制familywise错误率（或-不太严格-为错误发现率）在叶子的水平。第四个生物多样性合作框架揭示了工具变量假设情景中因果效应的异质性，从而为决策者提供了有针对性的政策的相关工具。其实证应用评估的影响，额外的资金对学生的表现。研究结果显示，BCF-IV可用于提高学校资助对学生表现的有效性。
2021-11-30 cs.LG stat.ME stat.ML
Uniform inference for kernel instrumental variable regression
Seminar for Statistics, ETH Zurich（苏黎世联邦理工学院统计研讨会）；Society of Fellows and Department of Economics, Harvard University（哈佛大学费利格学会与经济系）；Department of Economics, U.C. San Diego（加州大学圣地亚哥分校经济系）
研究为核工具变量回归开发有效且精确的置信集，核心方法是特定引导程序，主要贡献是提供实用推断程序，提升核方法在因果分析中的价值。
2026-07-07 math.ST stat.TH
Deep Generalized Method of Moments for Instrumental Variable Analysis
Cornell University（康奈尔大学）；Microsoft Research（微软研究院）
工具变量分析是一个强大的工具，用于估计因果关系时，随机化或完全控制混杂因素是不可能的。当因果效应复杂、工具高维和/或治疗高维时，标准方法（如2SLS、GMM和最近的变体）的应用会受到显著阻碍。在本文中，我们提出了DeepGMM算法来克服这一点。我们的算法是基于一个新的变分GMM与最佳逆协方差加权，使我们能够有效地控制很多时刻的条件。我们进一步开发实用的优化技术和模型选择，使其在实践中特别成功。我们的算法在计算上也是易于处理的，可以处理大规模的数据集。数值结果表明，我们的算法匹配的性能最好的调整方法在标准设置，并继续工作在高维设置，即使最近的方法打破。
2020-04-18 cs.LG econ.EM stat.ML
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
Bayesian Model Averaging in Causal Instrumental Variable Models
University of Warwick（华威大学）
gIVBMA通过贝叶斯模型平均方法在因果工具变量模型中实现工具变量的鲁棒选择和非高斯数据处理，提高了因果推断的灵活性和准确性。
2026-02-27 econ.EM math.ST 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
Estimating long-term causal effects from short-term experiments and long-term observational data with unobserved confounding
University College London（伦敦大学学院）；Spotify（声田）
理解和量化因果关系是许多领域的重要问题。对这个问题的普遍认可的解决方案是进行随机对照试验。然而，即使可以进行随机对照试验，由于成本考虑，它们通常持续时间相对较短。这使得学习长期因果效应在实践中成为一项非常具有挑战性的任务，因为长期结果只能在长时间延迟后观察到。在本文中，我们研究的识别和估计的长期处理效应时，实验和观察数据。以前的工作提供了一个估计策略，以确定长期的因果关系，从这些数据制度。然而，这种策略只有在假设观察数据中没有未观察到的混杂因素时才有效。在本文中，我们专门讨论了具有挑战性的情况下，未测量的混杂因素存在于观察数据。我们的长期因果效应估计量是通过将回归残差与短期实验结果以特定的方式组合以创建一个工具变量来获得的，然后通过工具变量回归来量化长期因果效应。我们证明了该估计量是无偏的，并分析了其方差。在前门因果结构的背景下，这提供了一个新的因果估计，这可能是独立的利益。最后，我们实证测试我们的方法的合成数据，以及来自国际中风试验的真实数据。
2023-02-21 cs.LG stat.ML
Towards personalized causal inference of medication response in mobile health: an instrumental variable approach for randomized trials with imperfect compliance
移动健康研究可以利用来自智能手机的纵向传感器数据来指导个性化医疗干预的应用。在本文中，我们建议，通过一个工具变量的方法，不完善的遵守随机试验提供了一个自然的框架，个性化的因果推断的药物反应在移动健康研究。通过智能手机屏幕上弹出的电子消息，可以轻松地向研究参与者提供随机治疗建议。在相当一般的假设下，我们可以在存在未观察到的混杂因素的情况下确定实际治疗对应答的因果影响。我们实施了一个个性化的随机化测试的原假设的治疗反应没有因果关系的影响，并评估其性能在一个大规模的模拟研究，包括数据生成的线性和非线性时间序列模型在几个模拟条件下。特别是，我们评估的经验力量的建议和实际治疗的参与者之间的不同程度的遵守下的测试。我们的调查提供了令人鼓舞的结果方面的权力和控制的第一类错误率。最后，我们比较了所提出的工具变量的方法，一个简单的意向治疗策略，并制定随机置信区间的因果关系。
2017-07-31 stat.AP
Nested Nonparametric Instrumental Variable Regression
Harvard University（哈佛大学）
针对短面板数据中嵌套非参数工具变量回归因复合病态性导致收敛速率未知的问题，提出相对良态性与多重稳健性技术，实现了显式均方收敛速率与有效推断，并兼容多种机器学习方法。
2025-05-30 cs.LG econ.EM math.ST
Distributional Instrumental Variable Method
ETH Zürich（苏黎世联邦理工学院）；University of Washington（华盛顿大学）
提出分布工具变量方法，利用生成建模在非线性工具变量设置中估计整个干预分布，并证明其可识别性优于传统方法。
2026-06-18 stat.ME stat.ML
Identifying Causal Effects using Instrumental Time Series: Nuisance IV and Correcting for the Past
本文针对时间序列中的工具变量回归，提出利用干扰协变量和图形边缘化框架构建识别方程，实现因果效应的一致估计，并证明其理论性质与实验验证。
2024-07-19 stat.ME stat.ML
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
A path-sampling method to partially identify causal effects in instrumental variable models
在一般工具变量模型中，部分识别方法是标准点识别方法的一种灵活和鲁棒的替代方法。然而，这种灵活性是以“基数诅咒”为代价的：对所确定的集合的限制数量随着支持内源性处理的点的数量呈指数级增长。本文提出了一种新的路径采样方法来应对这一挑战。它的目的是部分识别因果效应的利益在最复杂的模型与连续的内源性治疗。随机过程表示允许将对个人行为的假设无缝地合并到模型中。一些潜在的应用包括不完全依从性随机试验中的剂量反应估计，社会计划的评估，需求模型中的福利估计和连续选择模型。作为一个示范，该方法提供了翔实的非参数范围内的家庭支出的假设下，支出是连续的。数学上的贡献是一种近似求解无限维线性规划路径空间通过采样。
2020-06-29 econ.EM math.ST stat.TH
Instrumental Variable Estimation of Distributional Causal Effects
本文提出基于工具变量的分布因果效应识别与估计方法，引入分布IV模型并构造非参数估计量DIVE，用于估计二值处理下的干预累积分布函数，并通过模拟和真实数据验证其有效性。
2024-08-06 stat.ME
Lost in Aggregation: The Causal Interpretation of the IV Estimand
University of Washington（华盛顿大学）；CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；California Institute of Technology（加州理工学院）
本文指出聚合处理变量的因果效应模糊性，并探讨了工具变量估计在聚合处理中的解释限制。
2026-08-04 stat.ME stat.ML
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
Causal Proportional Hazards Estimation with a Binary Instrumental Variable
工具变量（IV）是在存在不可测量混杂的情况下估计因果效应的有用工具。IV方法对于未经审查的结果，特别是对于结构线性方程模型，其中简单的两阶段估计方案是可用的。将这些方法扩展到生存环境是具有挑战性的，部分原因是流行的生存回归模型的非线性，部分原因是与右删失或其他生存特征相关的并发症。在右删失数据下，我们得到了比例风险模型中一个简单的因果风险比估计。该方法利用IV的特殊特性，其使得能够使用直观的逆加权方案，该方案通常适用于具有左截断、竞争风险或复发事件的更复杂的生存设置。我们严格建立的估计量的渐近性质，并提供插件方差估计。所提出的方法可以在标准软件中实现，并通过广泛的模拟研究进行评估。我们应用所提出的IV方法，从前列腺，肺，结直肠和卵巢癌筛查试验的数据集，以描绘的因果关系的影响，灵活的乙状结肠镜检查结直肠癌的生存率，这可能是混淆的信息不遵守分配的筛选方案。
2019-01-30 stat.ME
Average causal effect estimation via instrumental variables: the no simultaneous heterogeneity assumption
背景：工具变量（IV）可用于提供证据，证明治疗X是否对结果Y具有因果效应。即使工具Z满足相关性、独立性和排除限制的三个核心IV假设，还需要进一步的假设来确定X对Y的平均因果效应（ACE）。这方面的充分假设包括：X对Y的因果效应的同质性; Z与X的关联的同质性;以及无效应修正（NEM）。研究方法：我们描述了不同时异质性（NOSH）假设，该假设要求X-Y因果效应的异质性与均值无关（即，与Z和Z-X关联中的异质性均不相关。例如，如果X-Y效应和Z-X关联没有共同的修改器，并且X-Y效应是加性线性的，则会发生这种情况。我们说明NOSH使用模拟和重新审查选定的已发表的研究。结果如下：当NOSH举行，沃尔德估计等于ACE，即使两个同质性假设和NEM（我们证明是特殊情况下，因此比- NOSH）被违反。结论：NOSH足以鉴别静脉注射ACE。由于NOSH比ACE识别的现有假设弱，因此这样做可能比以前预期的更合理。
2022-11-11 stat.ME
Valid Causal Inference with (Some) Invalid Instruments
University of British Columbia（不列颠哥伦比亚大学）；Google（谷歌）；Columbia University（哥伦比亚大学）
工具变量方法提供了一种在存在未观察到的混杂因素的情况下估计因果效应的强有力的方法。但在应用它们时的一个关键挑战是依赖于不可检验的“排除”假设，这些假设排除了工具变量与不受治疗介导的反应之间的任何关系。在本文中，我们展示了如何执行一致的IV估计，尽管违反了排除假设。特别是，我们表明，当一个有多个候选工具，只有大多数这些候选人-或者，更一般地说，模态候选人响应关系-需要是有效的，以估计因果关系。我们的方法使用来自工具变量估计量集合的模态预测估计。该技术是简单的应用，是“黑盒”的意义上，它可以使用任何工具变量估计，只要处理效应确定为每个有效的仪器独立。因此，它与最近的基于机器学习的估计器兼容，允许对复杂的高维数据估计条件平均处理效应（CATE）。在实验中，我们使用基于深度网络的估计器的集合实现了条件平均处理效应的准确估计，包括具有挑战性的模拟孟德尔随机化问题。
2020-06-19 cs.LG econ.EM stat.ME
