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
Confounder selection strategies targeting stable treatment effect estimators
在观察性研究中推断治疗对结果的因果效应需要调整观察到的基线混杂因素以避免偏倚。然而，当只有一个子集是关注效应的混杂因素时，已知对所有观察到的基线协变量进行调整会产生潜在低效和不稳定的处理效应估计值。此外，它还增加了有限样本偏差和模型误设定偏差的风险。由于这些原因，通常使用混杂因素（或协变量）选择来确定足以进行混杂调整的可用协变量子集。在这篇文章中，我们提出了一个混杂选择策略，重点是稳定估计的处理效应。特别是，当倾向得分模型已经包括足以调整混杂因素的协变量时，则添加与治疗或结局单独相关（但不是两者）的协变量不应系统性地改变效应估计量。因此，该提案首先需要优先考虑纳入倾向得分模型的协变量，然后使用估计值变化方法选择产生稳定效应估计值的最小调整集。根据经验评估该建议正确选择混杂因素的能力，并确保在数据驱动协变量选择后有效推断处理效应，并使用模拟研究与现有方法进行比较。我们使用三个不同的公开数据集通常用于因果推断的过程。
2020-10-10 stat.ME
On Quantile Treatment Effects, Rank Similarity,and Variation of Instrumental Variables
针对不可分离内生性下的分布处理效应识别，本文弱化秩相似性假设，借助线性半无限规划构造识别界，并证明经验规划的大样本性质。
2025-10-19 econ.EM stat.ME
A Practical Guide to Instrumental Variables Methods with Heterogeneous Treatment Effects
Brandeis University（布兰迪斯大学）；University College London（伦敦大学学院）；LMU Munich（慕尼黑大学）
本文提供工具变量方法在异质处理效应框架下的实用指南，讨论了不同规范对协变量加权平均的影响，参数误设的因果解释问题，以及LATE假设检验方法。
2026-11-13 econ.EM 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
Guardrailed Uplift Targeting: A Causal Optimization Playbook for Marketing Strategy
Deepit Sapru
本文提出一个优化客户定向的营销决策框架，结合异质处理效应估计与明确业务保护规则，旨在最大化收入和留存同时遵守预算、收入保护和客户体验等约束。
2026-02-04 cs.LG stat.ME
Learning treatment effects while treating those in need
Carnegie Mellon University（卡内基梅隆大学）；Allegheny County Department of Human Services（阿利根尼县人类服务部）
提出一种随机化分配规则框架，在针对高需求个体与学习治疗效果间取得最优平衡，并基于真实数据证明优化策略能大幅缓解学习与针对之间的权衡。
2025-06-26 cs.LG stat.ME stat.ML
On the Identifying Power of Generalized Monotonicity for Average Treatment Effects
University of Southern California（南加州大学）；University of Chicago（芝加哥大学）；MIT（麻省理工学院）；Yale University（耶鲁大学）
本文探讨了广义单调性对平均处理效应识别能力的影响，指出在特定条件下，更强的限制可提升识别能力。
2025-11-18 econ.EM stat.ME
Endogenous Treatment Effect Estimation with some Invalid and Irrelevant Instruments
工具变量（IV）回归是估计内源性处理效应的常用方法。传统的IV方法要求所有的工具都是相关的和有效的。然而，这是不切实际的，特别是在高维模型中，当我们考虑一个大的候选IV集。在本文中，我们提出了一个IV估计存在的无效和不相关的工具（称为R2 IVE）的内源性处理效应的估计。本文通过考虑一个真正的高维IV模型和一个非参数简化形式方程，扩展了Kang等人（2016）的范围。结果表明，我们的程序可以选择相关的和有效的仪器一致，建议的R2 IVE是root-n一致的和渐近正态的。蒙特卡罗模拟表明，与现有的高维IV估计量（例如NAIVE（Fan和Zhong，2018）和sisVIVE（Kang等人，（2016年）），如果存在无效工具。在实证研究中，我们重新审视了贸易与增长的经典问题（Frankel and Romer，1999）。
2020-06-26 econ.EM stat.AP stat.ME
Comparing Targeting Strategies for Maximizing Social Welfare with Limited Resources
Carnegie Mellon University（卡内基梅隆大学）
该研究利用5项真实世界RCT数据实证比较不同靶向策略，发现高精度估计治疗效果时其靶向策略优于风险靶向，但现有数据多不足以准确估计异质性治疗效果，需改进数据与模型训练。
2025-03-19 cs.LG stat.ML
The Instrumental Variable Method for Estimating Local Average Treatment Regime Effects
我们提出的工具变量制度（IVR）的方法来估计多个序贯治疗的因果关系。该方法用于解决顺序处理的内源性选择问题。IVR是一系列工具变量，其中每个IV工具用于内源性治疗变量。我们提出的方法将Imbens和Angrist（1994）中的LATE模型从单一治疗推广到顺序应用的许多治疗。更确切地说，使用IVR，该模型允许估计局部平均治疗方案效应（LATRE），可能以一组初始协变量为条件。虽然有研究在这方面使用IVR，他们都需要一个结构功能形式的假设。我们的方法是新颖的，因为我们不需要任何这样的假设。因此，与以前的方法不同，我们的方法对模型错误指定具有鲁棒性，这通常发生在治疗方案设置中。本文中的想法和估计的动机和说明通过上下文的例子显示使用IVR在估计治疗方案的广告效果的购买行为时，广告显示在多个时期。我们证明了所提出的方法与模拟的性能。
2017-02-18 stat.ME
Policy Targeting under Network Interference
本文针对网络溢出下的处理配置，提出基于半参数福利估计与混合整数线性规划的靶向方法，并给出遗憾保证，无需目标网络信息或正确结构模型。
2024-04-06 cs.SI econ.EM stat.ME
Inference for Heterogeneous Treatment Effects with Efficient Instruments and Machine Learning
Seminar for Statistics, ETH Zurich（苏黎世联邦理工学院统计系）；Center for Data Science, Zhejiang University（浙江大学数据科学中心）
本文提出了一种基于双重/去偏机器学习和高效工具的IV估计器，用于推断异质处理效应，并在合成和实际数据上进行了验证。
2026-02-05 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
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
On Recoding Ordered Treatments as Binary Indicators
本文针对有序处理被重编码为二元暴露的工具变量估计目标，提出 EMCO 假设下的加权平均效应解释与潜在结果均值拆解，并建立其与双因素选择模型的等价性。
2024-03-01 econ.EM 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
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
Improving Inference from Simple Instruments through Compliance Estimation
工具变量（IV）回归被广泛用于估计因果处理效应的设置，其中接受的治疗是不完全随机的，但存在一个工具，产生外源性变化的治疗暴露。虽然IV可以恢复一致的处理效应估计，但它们通常是噪声的。基于生物统计学的早期工作（Joffe和Brensinger，2003年），并与计量经济学中不断发展的文献（包括Abadie等人，2019年; Huntington-Klein，2020; Borusyak和Hull，2020），我们研究了如何通过利用仪器强度的可预测变化来提高IV估计的效率。在治疗和仪器都是二进制的情况下，仪器独立于基线协变量，我们研究根据其估计的依从性（即，其受仪器影响的条件概率）对每个观察值进行加权，我们从隐含于IV的第一阶段预测问题的（约束）解决方案中激励。由此产生的估计器可以利用机器学习来估计作为基线协变量的函数的依从性。我们推导出一个加权IV估计在潜在结果和局部平均处理效应（LATE）框架的具体实现的大样本属性，并提供工具，即使在非参数估计的权重仍然有效的推理。与理论结果和模拟研究，我们表明，合规加权有意义地降低了第一阶段的异质性时，IV估计的方差，这种改善往往超过任何合规加权和未加权IV被估量之间的差异。这些结果表明，在各种应用环境中，IV估计的精度可以大大提高，纳入合规性估计。
2021-08-08 econ.EM stat.ME stat.ML
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
Comment: Individualized Treatment Rules Under Endogeneity
本文讨论了最近两项关于使用工具变量识别个体化治疗规则的研究-Cui and Tchetgen Tchetgen（2020）和Qiu et al.（2020）。它还建议确定替代两项研究中使用的假设。
2020-10-15 econ.EM 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
Inferring Treatment Effects After Testing Instrument Strength in Linear Models
IV研究中的常见做法是检查仪器强度，即其与治疗的相关性，使用回归的F检验。如果F统计量高于某个阈值（通常为10），则认为该仪器满足三个核心IV假设之一，并用于检验处理效应。然而，在许多情况下，对处理效应的推断没有考虑到先验进行的强度测试。在本文中，我们表明，不考虑这种预检验会严重扭曲分布的检验统计量，并提出了一种方法来纠正这种扭曲，产生有效的推断。在我们的方法中，一个关键的见解是将F-检验作为一个随机凸优化问题，并利用最近的方法进行选择性推理。我们证明，我们的方法提供了条件和边际第一类错误控制。我们还将我们的方法扩展到弱仪器设置。最后，我们重新分析了教育对收入的影响的研究，我们表明，不考虑预测试可以大大改变原来的结论教育的影响。
2020-03-14 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
Mostly Harmless Machine Learning: Learning Optimal Instruments in Linear IV Models
Harvard Business School（哈佛商学院）；Toulouse School of Economics（图卢兹经济学院）；Microsoft Research（微软研究院）
我们提供了直接的理论结果，证明将机器学习纳入标准的线性工具变量设置。其核心思想是使用机器学习，结合样本分割，从工具和任何外生协变量预测治疗变量，然后使用预测的治疗和协变量作为技术工具，在第二阶段恢复系数。这允许研究人员提取治疗和仪器之间的非线性协变，这可以通过提高仪器强度来显著提高估计精度和鲁棒性。重要的是，我们将机器学习的预测约束为外生协变量的线性，从而避免治疗和协变量之间的非线性关系引起的虚假识别。我们证明了这种方法在弱条件下提供了一致的和渐近正态的估计，并且它可以被修改为半参数有效的（Chamberlain，1992）。我们的方法保留了标准的直觉和线性工具变量方法的解释，包括在弱识别，并提供了一个简单的，用户友好的升级应用经济学工具箱。我们说明我们的方法在法律和刑事司法的一个例子，检查上诉法院推翻地区法院的判决的因果关系。
2021-06-18 cs.LG econ.EM 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
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
Testing for homogeneous treatment effects in linear and nonparametric instrumental variable models
本文针对内生处理变量和可用工具变量的情形，提出两种同质处理效应检验：一种基于线性潜在结果且计算简单，另一种基于Tikhonov正则化的非参数检验，并证明其渐近性质及有限样本表现。
2023-04-14 econ.EM math.ST stat.TH
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
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
One-step TMLE for weighted average treatment effects
本文提出了一种一步TMLE方法用于估计加权平均处理效应，分析了该方法在最不利路径上的表现，并证明了其在特定条件下具有渐近效率。
2026-09-15 math.ST stat.ME stat.TH
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
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
Robustness Against Weak or Invalid Instruments: Exploring Nonlinear Treatment Models with Machine Learning
本文针对可能存在无效工具变量的观察性研究，提出了一种利用机器学习探索非线性处理模型的两阶段曲率识别（TSCI）方法，通过偏差校正实现渐近无偏估计，并应用于研究教育对收入的影响。
2024-01-05 math.ST stat.ME stat.ML
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
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
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
A Robust Instrumental Variable Method Accounting for Treatment Switching in Open-Label Randomized Controlled Trials
在一项随机对照试验中，当最初分配到一个治疗组的患者在随访过程中改变到另一个治疗组时，发生治疗转换（也称为污染或交叉）。忽视治疗转换可能会严重偏倚治疗疗效或安全性的评价。为了考虑治疗转换，利用初始随机分配作为IV的工具变量（IV）方法可作为自然调整方法，因为它们允许可能由于潜在预后而进行的依赖性治疗转换。然而，IV方法的“排除限制”假设，要求初始随机化对结果没有直接影响，仍然值得怀疑，特别是对于开放标签试验。我们提出了一个强大的工具变量估计规避这样的警告。我们推导出我们提出的估计量的大样本特性，以及推理工具。我们进行了广泛的模拟，以检查我们的估计和相关的推理工具的有限性能。实现所有建议方法的R包`` ivsacim '在R CRAN上免费提供。我们应用该估计量评价核苷逆转录酶抑制剂（NRTI）对包括或省略NRTI的优化治疗试验中安全性结局的处理效应。
2022-09-25 math.ST stat.AP 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
Learning Instrumental Variable from Data Fusion for Treatment Effect Estimation
Zhejiang University（浙江大学）；Emory University（埃默里大学）；Tsinghua University（清华大学）；Shanghai AI Laboratory（上海人工智能实验室）；Shanghai Institute for Advanced Study of Zhejiang University（浙江大学上海高等研究院）
大数据时代的到来，为数据融合中提取治疗效果带来了新的机遇和挑战，即从多个来源收集的混合数据集（每个来源都有独立的治疗分配机制）。传统方法由于可能遗漏源标签和无法测量的混杂因素，无法有效估计个体治疗分配概率和推断治疗效果。因此，我们建议重建源标签，并将其建模为一组工具变量（GIV），以实现基于IV的回归处理效果估计。在本文中，我们将这一思路概念化，并开发了一个统一的框架（Meta-EM）：（1）将原始数据映射到一个表示空间，为分配的治疗变量构建线性混合模型;（2）估计分布差异，并为不同的治疗分配机制建立GIV模型;（3）采用交替训练策略迭代优化表示和联合分布，为IV回归建模GIV。实证结果表明，我们的Meta-EM相比，国家的最先进的方法的优势。
2022-12-07 cs.AI stat.ME
