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
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
Causal Domain Adaptation with Copula Entropy based Conditional Independence Test
Hitachi China Research Laboratory（日立中国研究院）
领域自适应（DA）是机器学习中的一个典型问题，其目的是将在源域上训练的模型迁移到具有不同分布的目标域上。因果性DA是DA的一种特殊情况，它从因果关系的角度解决问题。它将多个域中的概率关系嵌入到系统的一个更大的因果结构网络中，并试图找到系统上的因果源（或干预）作为系统状态跨域分布漂移的原因。从这个意义上说，因果DA转换为因果发现问题，通过状态变量和系统的可观察状态之间的条件独立性，发现跨域的不变表示给定干预。检验条件独立性是因果发现的基石。最近，基于Copula熵的条件独立性检验被提出，它具有严格的理论和非参数估计方法。本文首先给出了因果DA问题的一个数学模型，然后提出了一种基于Copula熵的条件独立性检验的因果DA问题跨域不变表示方法。两个仿真数据验证了该方法的有效性。该方法的力量，然后证明了两个现实世界的数据：成人人口普查收入数据和步态特征数据。
2022-02-27 cs.LG stat.ME
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
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
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
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
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
Sensitivity Analysis for Instrumental Variables Under Joint Relaxations of Monotonicity and Independence
Institute of Economics PUC-Chile（智利天主教大学经济研究所）
本文提出一种突破前沿方法，评估局部平均处理效应估计对单调性和独立性假设违反的敏感性，推导了LATE和平均处理效应的识别集，并提供了样本模拟估计器和有效推断方法。
2026-03-30 econ.EM stat.ME
Conditional Local Independence Testing for Itô processes with Applications to Dynamic Causal Discovery
School of Computer Science, Peking University（北京大学计算机学院）；School of Data Science, Fudan University（复旦大学数据科学学院）
本文针对Itô过程提出条件局部独立性假设检验，基于半鞅分解构造鞅检验统计量，并证明其一致性，应用于动态因果发现及脑fMRI数据。
2025-10-08 cs.LG stat.ME
Identification and Estimation of Conditional Average Partial Causal Effects via Instrumental Variable
Yokohama National University（横滨国立大学）；Iowa State University（爱荷华州立大学）
本文研究了连续处理下揭示异质因果效应的条件平均部分因果效应（CAPCE），在工具变量设定下提供了较以往更弱假设的识别条件，并开发了sieve、参数化和基于RKHS的三类估计器且验证了其有效性。
2024-05-30 cs.LG stat.ML
Causal Discovery with Fewer Conditional Independence Tests
Eric and Wendy Schmidt Center, Broad Institute（埃里克和温迪·施密特中心，布罗德研究所）；Laboratory for Information & Decision Systems, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室）
针对约束式因果发现算法需指数级条件独立性检验的问题，提出用多项式数量检验学习因果一致划分图（CCPG），在可识别情况下可还原真实因果图。
2024-06-03 cs.AI cs.LG stat.ME
On the Number of Conditional Independence Tests in Constraint-based Causal Discovery
Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（埃里克和文黛斯中心，MIT和哈佛Broad研究所）；Centre de Formació Interdisciplinària Superior, Universitat Politècnica de Catalunya（跨学科高级培训中心，加泰罗尼亚理工大学）；Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）
本文提出一种复杂度更低的算法，通过减少条件独立性测试数量提升因果发现效率，同时证明了约束方法的理论下限。
2026-03-23 cs.AI cs.LG stat.ME
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
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
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
Causal inference with imperfect instrumental variables
International Centre for Theory of Quantum Technologies (ICTQT)（国际量子技术理论中心）；University of Gdansk（格但斯克大学）；Heinrich Heine University Düsseldorf（海因里希·海涅大学杜塞尔多夫）；University of Cologne（科隆大学）；International Institute of Physics（国际物理研究所）；Federal University of Rio Grande do Norte（北里奥格兰德联邦大学）
工具变量允许量化因果关系，即使在没有干预的情况下。为了实现这一点，必须满足一些因果假设，其中最重要的是独立性假设，即工具和任何混杂因素必须是独立的。但是，如果不满足这个独立性条件，我们还能处理不完美的工具变量吗？不完美的工具可以通过违反限制场景中相关性集合的工具不平等来表现出来。在本文中，我们建立了一个定量的关系，这种违反工具不等式和最小量的测量依赖需要解释它们。其结果是，我们提供了适应的不平等，是有效的，在存在一个宽松的测量依赖性假设的工具的情况下。这允许调整现有的和新的下限的平均因果效应的工具情景与二元结果。最后，我们在量子力学的背景下讨论我们的发现。
2021-11-04 cs.LG quant-ph stat.ML
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
Causal Discovery via Conditional Independence Testing with Proxy Variables
Peking University（北京大学）；Fudan University（复旦大学）
本文针对连续变量因果发现中未观测混杂导致的偏差问题，提出一种基于离散化和代理变量的非参数条件独立性检验方法，并证明其渐近性质，在合成与真实数据上验证了有效性。
2024-05-02 cs.LG stat.ME
Insights into the "cross-world" independence assumption of causal mediation analysis
因果中介分析是流行病学研究的一个有用工具，但它一直被批评依赖于“跨世界”的独立性假设，这是经验上难以验证和有问题的证明基础上的背景知识。在本文中，我们的目的是帮助应用研究人员理解这一假设。综合什么是已知的跨世界的独立性假设，我们讨论的因果中介分析，因果模型，自然的直接和间接影响的非参数识别的假设之间的关系。特别是，我们给出了一个实际的例子，应用设置的跨世界的独立性假设被违反，即使没有任何后处理混杂。此外，我们回顾了跨世界独立性假设的可能替代方案，包括使用完全避免假设的边界计算。最后，我们进行了一个数值研究，其中违反了跨世界的独立性假设，以评估随之而来的偏见，估计自然的直接和间接影响。最后，我们建议进行因果中介分析。
2020-09-30 stat.ME
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
Extended Conditional Independence and Applications in Causal Inference
本文的目标是将随机条件独立性和变异条件独立性的概念整合到一个更一般的扩展条件独立性的概念之下。我们表明，在适当的假设下，分别适用于这两种情况（公理的分离体）的微积分仍然适用于扩展的情况。这些结果提供了一个严格的基础，广泛的统计概念，包括辅助性和充分性，特别是决策理论框架的统计因果关系，它使用的语言和演算的条件独立性，以表达因果属性，并作出因果推断。
2015-12-01 math.ST stat.ME stat.TH
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 Inference with the Instrumental Variable Approach and Bayesian Nonparametric Machine Learning
Arizona State University（亚利桑那州立大学）；Medical College of Wisconsin（威斯康星医学院）
我们提供了一个新的灵活的推理框架与工具变量模型。而不是使用线性规格，函数表征的影响，文书和其他解释变量估计使用机器学习通过贝叶斯加性回归树（BART）。误差项及其分布推断使用狄利克雷过程混合物。仿真和实例表明，当真函数为线性时，损失很小。但是当存在非线性时，几乎不需要手动调谐就可以获得显著的改善。
2021-02-01 cs.LG stat.ML
Causal GNNs: A GNN-Driven Instrumental Variable Approach for Causal Inference in Networks
University of South Australia（南澳大学）；Southwest Jiaotong University（西南交通大学）
针对网络因果推断中隐藏混杂因素导致估计偏差的问题，提出结合GNN与注意力机制、以网络结构为工具变量的CgNN方法，经真实数据集验证可有效减偏，提供鲁棒的网络因果推断框架。
2024-09-13 cs.LG 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
A Fast Kernel-based Conditional Independence test with Application to Causal Discovery
University of Hamburg（汉堡大学）
本文提出FastKCI，一种基于核的快速条件独立性检验方法，通过并行化和专家混合策略提升计算效率，适用于大规模因果发现任务。
2025-12-04 cs.AI cs.LG stat.ML
Empirical Bayesian Approaches for Robust Constraint-based Causal Discovery under Insufficient Data
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Northeast Normal University（东北师范大学）
因果发现是在给定的观测数据中学习变量之间的因果关系，对于许多应用都很重要。现有的因果发现方法假设数据充足，这在许多现实世界的数据集中可能不是这种情况。因此，许多现有的因果发现方法可能在有限的数据下失败。本文提出了一种贝叶斯-增广频率独立性检验方法，以提高基于约束的因果发现方法在数据不足情况下的性能：1）首先引入贝叶斯方法估计互信息，并在此基础上提出了一种鲁棒的基于互信息的独立性检验方法; 2）其次，我们考虑假设似然的贝叶斯估计，并将其纳入一个定义良好的统计检验，从而产生基于稳健统计测试的独立性测试。我们提出的独立性测试的约束为基础的因果发现方法，并评估基准数据集的样本不足的性能。实验表明，显着的性能改善方面的准确性和效率SOTA方法。
2022-06-16 cs.LG 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
Kernel-based Conditional Independence Test and Application in Causal Discovery
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
条件独立性检验是贝叶斯网络学习和因果发现中的一个重要问题。由于维数灾难，连续变量的条件独立性测试特别具有挑战性。本文提出了一种基于核的条件独立性检验（KCI-test），通过构造一个适当的检验统计量，并在条件独立性的零假设下推导出其渐近分布。所提出的方法是计算效率高，易于实现。实验结果表明，该方法优于其他方法，特别是当条件集很大或样本量不是很大时，在这种情况下，其他方法遇到困难。
2012-02-14 cs.LG 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
Negative Control Falsification Tests for Instrumental Variable Designs
本文提出将工具变量设计的证伪检验视为阴性对照变量的条件独立性检验，并指出其不仅检验独立性和排除限制，还涉及函数形式假设，常规应用可能误报问题，并提供实施指南。
2025-04-27 econ.EM stat.ME
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
Instrumental and Proximal Causal Inference with Gaussian Processes
Department of Statistics and Actuarial Science, University of Hong Kong（香港大学统计与精算科学系）；Rational Intelligence Lab, CISPA Helmholtz Center for Information Security（CISPA霍普夫信息安全中心理性智能实验室）；Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所）；College of Computing & Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
提出去条件高斯过程框架，用于存在未观测混杂时的因果推断，同时提供可靠的后验不确定性量化，并通过边际似然优化实现模型选择。
2026-06-17 cs.LG stat.ML
Independence Testing-Based Approach to Causal Discovery under Measurement Error and Linear Non-Gaussian Models
Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
因果发现旨在恢复产生观测数据的因果结构。尽管它在某些问题上取得了成功，但在许多现实世界的场景中，观察到的变量不是感兴趣的目标变量，而是目标变量的不完美度量。测量误差下的因果发现是指从测量误差下的观测数据中恢复出未观测目标变量之间的因果关系图。我们考虑一个特定的配方的问题，其中未观察到的目标变量遵循线性非高斯非循环模型，测量过程遵循随机测量误差模型。现有的方法在此制定依赖于不可扩展的过完备独立分量分析（OICA）。在这项工作中，我们提出了转换的独立噪声（TIN）条件，它检查一些测量变量和某些其他测量变量的特定线性变换之间的独立性。通过利用数据的非高斯性和高阶统计量，TIN提供了关于未观察到的目标变量之间的图结构的信息。利用TIN，因果模型的有序群分解是可识别的。换句话说，我们可以通过进行独立性测试来实现曾经要求OICA实现的目标。在合成数据和真实数据上的实验结果证明了该方法的有效性和可靠性。
2022-10-20 cs.AI cs.LG 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
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
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
Robust causal inference with continuous instruments using the local instrumental variable curve
工具变量通常用于估计受未测量的混杂影响的治疗的效果，并且在实践中工具通常是连续的（例如，距离或治疗偏好的测量）。然而，连续仪器的可用方法具有重要的局限性：它们要么需要用于识别的限制性参数假设，要么依赖于对结果和治疗过程进行良好的建模（并且需要通过所有调整协变量进行建模效应修改）。在这项工作中，我们开发了第一个半参数双稳健估计的局部工具变量效应曲线，即，在那些接受治疗的人中，仪器值高于某个阈值而不是低于该阈值。除了对工具或治疗/结果过程的错误指定具有鲁棒性外，我们的方法还结合了有关工具机制的信息，并允许对效果修改进行灵活的数据自适应估计。我们讨论了弱条件下的渐近性质，并使用的方法来研究婴儿死亡率的影响，新生儿重症监护病房的高与低的技术能力，使用旅行时间作为一种工具。
2018-07-04 stat.ME
Ivy: Instrumental Variable Synthesis for Causal Inference
Stanford University（斯坦福大学）
从观测数据中估计变量x对y的因果效应的一种流行方法是使用工具变量（IV）：第三个变量z，它只通过x影响y。z与x的关联越强，估计值就越可靠，但这样强的IV很难找到。相反，从业者将更常见的IV候选者-不一定是强有力的，甚至是有效的IV-结合到一个单一的“摘要”中，插入因果效应估计器中代替IV。在遗传流行病学中，这种方法被称为等位基因评分。等位基因分数需要强有力的假设-独立性和有效性的所有IV候选人-为所得的估计是可靠的。为了放松这些假设，我们提出了常春藤，一种新的方法来结合IV候选人，可以处理相关的和无效的IV候选人在一个强大的方式。从理论上讲，我们的特点是这种鲁棒性，其限制，其影响所产生的因果估计。从经验上讲，Ivy可以正确识别已知关系的方向性，并且在三个没有因果关系的真实世界数据集上对错误发现具有鲁棒性（中位效应大小<= 0.025），而等位基因得分返回更有偏见的估计（中位效应大小>= 0.118）。
2020-04-11 cs.LG stat.ML
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
Estimating Causal Effects with Hidden Confounding using Instrumental Variables and Environments
针对隐藏混杂下的因果效应估计问题，将Causal Dantzig推导为广义矩估计形式，提出可用于连续环境的GCD及GCD-TSLS混合估计器，实验证明其性能优于现有经典方法。
2023-11-09 stat.ME
Identification and estimation of causal peer effects using instrumental variables
针对同伴效应因果推断中的同质性偏差与混杂问题，提出基于双重工具变量的非参数识别方法与三重稳健估计量，并通过模拟和实证研究验证其有效性。
2025-04-26 stat.ME
CALM: A Causal Analysis Language Model for Tabular Data in Complex Systems with Local Scores, Conditional Independence Tests, and Relation Attributes
Stanford University（斯坦福大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出专为表格数据设计的因果分析语言模型CALM，结合Mamba架构与局部评分、条件独立性测试等证据识别因果模式，在模拟和真实数据上准确率超91%，显著优于现有方法。
2025-10-10 cs.AI cs.LG
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
Causal mediation with instrumental variables
中介分析是一种理解治疗或干预影响后期结果的机制的策略。中介分析经常应用于随机试验环境，但通常假设：a）随机分配是关注的暴露，而不是实际接受干预，b）没有未观察到的中介-结果关系的混杂。与关于估计非随机化暴露总效应的工具变量（IV）方法的丰富文献相反，几乎没有研究将IV用作存在确定结果和中介结果未观察到混杂的识别策略。作为回应，我们定义并确定了新的被估量--复杂的干预直接和间接效应（即，IV中介效应）在两种情况下：1）单一IV暴露，2）两个IV，一个暴露，另一个中介，这可能是相关的。我们提出了非参数的，强大的，有效的估计，并将其应用到住房券实验。
2021-12-27 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
Adaptive estimation for some nonparametric instrumental variable models
统计学和计量经济学中的内隐问题通常通过引入满足均值独立性假设的工具变量（IV）来处理，即不可观测的是与工具无关的均值。当假设IV和不可观测的完全独立时，非参数IV回归模型和非参数需求模型导致具有未知积分核的非线性积分方程。我们证明了收敛速度的平均积分平方误差的迭代正则化牛顿法适用于这些问题。与相关结果相比，我们得到更强的收敛结果，依赖于较弱的非线性限制。我们证明了在数值模拟的非参数IV回归，该方法产生更好的结果比标准模型。
2021-08-12 econ.EM math.ST stat.CO
Approximate Kernel-based Conditional Independence Tests for Fast Non-Parametric Causal Discovery
基于约束的因果发现（CCD）算法需要快速准确的条件独立性（CI）测试。核条件独立性检验（KCIT）是目前最流行的非参数条件下的CI检验方法之一，但由于该检验方法与样本量的关系不大，许多研究者无法将其应用于大数据集。因此，我们设计了两个松弛称为随机条件独立性测试（RCIT）和随机条件相关性测试（RCoT），这两个近似KCIT利用随机傅立叶特征。在实践中，这两个拟议的测试规模与样本量线性和返回准确的p值比KCIT在大样本量的背景下快得多。使用RCIT或RCoT运行的CCD算法也返回至少与使用KCIT运行的相同算法一样准确的图形，但运行时间大大减少。
2017-04-13 stat.ME stat.ML
A Robust Independence Test for Constraint-Based Learning of Causal Structure
Decision Systems Laboratory（决策系统实验室）；Intelligent Systems Program（智能系统项目）；University of Pittsburgh（匹兹堡大学）；School of Information Sciences（信息科学学院）
基于约束（CB）的学习是一种通过执行一系列条件独立性测试来推断结构信息来学习具有数据库D的因果网络的形式主义。本文考虑了一种新的独立性测试，它结合了贝叶斯学习，贝叶斯网络推理和经典假设检验的思想，以产生更可靠和更强大的测试。新的检验可以在与标准检验（如卡方检验）相同的渐近时间和空间中计算，但它允许指定参数的先验分布，并且可以在数据库不完整时使用。我们证明了测试是正确的，我们证明了经验，当使用CB因果发现算法与noninformative先验，它恢复结构特征更可靠，它产生的网络与较小的KL发散，特别是随着节点的数量增加或记录的数量减少。另一个好处是CB算法在搜索过程中停止的概率大大降低，为数据库较小时CB学习的恼人问题提供了补救措施。
2012-10-19 cs.AI cs.LG stat.ML
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
General Control Functions for Causal Effect Estimation from Instrumental Variables
New York University（纽约大学）
因果关系估计依赖于将结果的变化分为治疗和混杂因素引起的部分。为了实现这种分离，从业者经常使用外部随机性来源，这些来源只影响称为工具变量（IV）的治疗。我们研究从治疗和IV中构建的变量，这些变量有助于估计效果，称为控制函数。我们的特点一般控制功能的效果估计的元识别结果。然后，我们表明，结构假设的治疗过程中允许建设一般的控制功能，从而保证识别。为了构造一般控制函数和估计效果，我们发展了一般控制函数方法（GCFN）。GCFN的第一阶段称为变分解耦（VDE）构造一般的控制功能，通过恢复的残差变化的治疗给定的IV。使用VDE的控制功能，GCFN的第二阶段通过回归估计效果。此外，我们开发了半监督GCFN构建一般的控制功能，使用的数据子集，IV和混杂因素作为监督观察，这需要没有结构的治疗过程的假设。我们评估GCFN低，高维模拟数据和恢复奴隶出口对现代社区信任的因果关系。
2021-02-02 cs.LG stat.ML
Efficient Ensemble Conditional Independence Test Framework for Causal Discovery
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
本文提出了一种高效的条件独立性测试框架，通过分组聚合策略降低计算复杂度并提升因果发现性能。
2026-02-27 cs.AI cs.LG stat.ML
