Identification and Inference with Invalid Instruments
本文综述了无效工具变量（不满足A2或A3条件）的识别与推断方法，涵盖线性、非线性和异方差模型，并通过UK Biobank数据实证比较了各方法。
2024-07-28 math.ST stat.AP 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
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
Mendelian Randomization when Many Instruments are Invalid: Hierarchical Empirical Bayes Estimation
在许多经济学和生物学研究中，估计暴露对结果的因果影响是一项重要任务。特别是孟德尔随机化，使用遗传变异作为工具来估计流行病学研究中的因果效应。然而，传统的工具变量方法依赖于一些不可检验的假设，在实际问题中可能会违背这些假设。在本文中，我们采用贝叶斯框架，并建立分层模型，以纳入无效的影响的工具。我们引入了一个经验贝叶斯估计，其中一些工具是无效的，利用高斯混合先验。理论性能和算法实现提供和说明。所提出的方法的可靠性能被证明在各种模拟设置和真实的数据集上关于HDL胆固醇和LDL胆固醇对2型糖尿病的因果影响。
2017-06-05 stat.ME
Sensitivity Analysis of G-estimators to Invalid Instrumental Variables
本文提出一种针对因果线性和非线性模型中G估计量的新敏感性分析方法，引入单一敏感性参数捕捉排除与外生性假设违反，并通过模拟和真实数据验证，为实践者提供指南。
2023-09-05 math.ST stat.ME stat.TH
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
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
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
TSCI: two stage curvature identification for causal inference with invalid instruments
TSCI针对含无效工具变量的观测数据，提出一种两阶段曲率识别算法，利用机器学习处理非线性并投影工具变量违规，实现无需经典假设的处理效应估计。
2023-04-02 stat.CO stat.ME stat.ML
Instrumental Variables Estimation with Some Invalid Instruments and its Application to Mendelian Randomization
工具变量已被广泛用于估计暴露和结果之间的因果关系。传统的估计方法需要完全了解所有工具的有效性;有效的工具必须对结果没有直接影响，并且与不可测量的混杂因素无关。通常，这是不切实际的，如孟德尔随机化研究所强调的，其中遗传标记被用作工具，并且关于工具有效性的完整知识等同于关于所涉及的基因功能的完整知识。在本文中，我们提出了一种方法估计因果关系时，这种完整的知识是缺席。结果表明，因果关系的影响是确定的，可以估计，只要不到$50$ %的工具是无效的，而不知道哪些工具是无效的。我们还介绍了当50%的阈值被违反的识别条件。介绍了一种快速惩罚$\ell_1$估计方法，称为sisVIVE，用于在不知道哪些工具有效的情况下估计因果效应，其性能具有理论保证。模拟数据和一个真正的孟德尔随机化研究，身体质量指数对健康相关的生活质量指数的影响，所提出的方法被证明。R软件包\emph{sisVIVE}可在线获得。
2014-09-21 stat.ME
Semiparametric Efficient G-estimation with Invalid Instrumental Variables
工具变量方法广泛应用于健康和社会科学领域，用于在存在潜在不可测量混杂因素的情况下识别和估计因果效应。为了提高效率，常规使用多个工具，导致对由于可能违反工具变量假设而导致的偏倚的担忧。为了解决这个问题，我们引入了一类新的g-估计量，保证保持一致和渐近正常的因果效应的利益，提供了一组至少$γ$的$K$候选工具是有效的，为$γ\leq K$设置的分析师事前，不一定知道的身份的有效和无效的工具。我们提供正式的半参数有效性理论支持我们的结果。模拟研究和英国生物银行数据的应用表明，我们的估计相比，竞争的方法优越的经验性能。
2022-04-17 stat.ME
Selecting invalid instruments to improve Mendelian randomization with two-sample summary data
本文提出聚焦工具变量选择及选择后置信区间构建方法，在弱且局部无效工具变量下平衡偏差与方差，并通过脂质靶点和维生素D实证表明最优选择可纳入许多潜在无效工具。
2023-04-25 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
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
Valid Instrumental Variables Selection Methods using Negative Control Outcomes and Constructing Efficient Estimator
在观察性研究中，当存在不可测协变量时，通常采用工具变量（IV）方法。在孟德尔随机化（MR）中，通常使用许多单核苷酸多态性（SNP）构建等位基因评分;然而，通过包括一些无效IV来估计偏倚的因果效应存在风险。无效IV是与某些未观察到的变量相关联的IV的候选者。为了解决这个问题，本文提出了一种新的策略：使用阴性对照结果（NCO）作为辅助变量。通过使用NCO，我们基本上可以只选择有效的IV并排除无效的IV，而无需任何IV候选者的信息。我们还提出了新的两步估计过程，并证明了半参数有效性。我们证明了优越的性能相比，现有的估计，通过模拟研究所提出的估计。
2022-08-19 math.ST stat.ME stat.OT
BudgetIV: Optimal Partial Identification of Causal Effects with Mostly Invalid Instruments
本文提出 BudgetIV 框架，用可解释预算约束容纳多数无效工具变量，精确刻画可能不连通的尖锐因果效应可行集，并在线性、非线性及孟德尔随机化推断中展现优势。
2025-03-16 math.ST q-bio.QM stat.ME
Personalized Pricing with Invalid Instrumental Variables: Identification, Estimation, and Policy Learning
University of California, Irvine（加州大学欧文分校）；George Washington University（乔治华盛顿大学）；University of Michigan at Ann Arbor（密歇根大学安娜堡分校）；Duke University（杜克大学）
基于个体客户特征的定价被广泛用于最大化卖方的收入。本文利用工具变量方法研究了内环境下的离线个性化定价问题。因果推断/计量经济学中的标准工具变量方法要么关注离散的治疗空间，要么要求排除限制工具对结果产生直接影响，这限制了它们在个性化定价中的适用性。在本文中，我们提出了一种新的政策学习方法，个性化pRicing使用无效的工具变量（打印）的连续治疗，允许直接影响的结果。具体地说，我们在收入和价格的结构模型的基础上，建立了在无效工具变量的帮助下，在内隐条件下的最优定价策略的可识别性条件。基于这种新的识别，这导致解决条件矩限制与广义残差函数，我们构建了一个对抗性的最小-最大估计，并学习最优定价策略。此外，我们建立了一个渐近遗憾界，以找到一个最优的定价策略。最后，我们通过大量的仿真研究以及美国在线汽车贷款公司的实际数据应用证明了所提出的方法的有效性。
2023-02-24 cs.LG econ.EM stat.ME
On the instrumental variable estimation with many weak and invalid instruments
本文研究工具变量有效性未知时的线性IV模型识别问题，提出与最稀疏识别条件相一致的替代惩罚估计方法，在更弱的工具变量强度条件下证明了其理论优势，并通过模拟和BMI对舒张压影响的实证研究验证了方法性能。
2023-12-05 econ.EM stat.ME stat.ML
Semiparametric Causal Discovery and Inference with Invalid Instruments
针对未观测混杂因素导致的因果发现难题，提出一种部分线性结构方程模型，可容纳潜在无效工具变量，通过构建替代有效IVs实现识别，在仿真和阿尔茨海默病基因调控网络推断中表现优于现有方法。
2025-04-16 stat.ME
Debiased Estimating Equation Method for Robust and Efficient Mendelian Randomization Using a Large Number of Correlated Weak and Invalid Instruments
提出去偏估计方程方法（DEEM），通过纳入大量相关、弱效应及无效SNPs，消除弱工具偏差并提高因果效应估计的效率与稳健性。
2025-04-28 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
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
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
Identification and Estimation of the Bi-Directional MR with Some Invalid Instruments
Beijing Technology and Business University（北京工商大学）
针对双向MR中存在无效工具变量与未测混杂、现有方法依赖专家知识或单向假设的问题，本文提出双向MR可识别的充要条件，设计类聚类融合方法估计因果效应，理论与实验均验证了其有效性。
2024-07-12 cs.LG stat.ME stat.ML
A Synthetic Instrumental Variable Method: Using the Dual Tendency Condition for Coplanar Instruments
Monash University（莫纳什大学）；Data61, CSIRO（数据六十一，澳大利亚联邦科学工业研究组织）
本文提出一种基于双倾向条件的合成工具变量方法，通过仅使用现有数据构建有效工具，提升因果推断的鲁棒性和准确性。
2025-12-19 math.ST stat.ME stat.TH
A Novel Approach to Instrumental Variable Estimation: TEAM-IV
University of Iowa（爱荷华大学）
该研究针对工具变量估计中部分工具变量违反排除限制的问题，提出TEAM-IV方法，通过识别有效工具变量集并聚合，在模拟和实证研究中均表现出比现有方法更低的估计误差。
2026-07-31 stat.ME
Adaptive Penalization and Bootstrap-Smoothed Inference for Two-Sample Mendelian Randomization with Summary Data
Lund University（隆德大学）；University of Iowa（爱荷华大学）；Oklahoma State University（俄克拉荷马州立大学）
针对两样本孟德尔随机化汇总数据，提出MR-ALasso和MR-ALasso-B两种方法。前者引入自适应惩罚权重改进工具变量识别，后者结合自适应lasso选择与自助平滑提升选择后推断效果，通过理论分析、模拟研究和实际应用验证了方法的有效性。
2026-07-22 stat.AP stat.ME
Constructive Instrumental Variable Identification and Inference with Many Weak Interaction Moments
National University of Singapore（新加坡国立大学）；Duke-NUS Medical School, National University of Singapore（杜克-国大医学院）；Columbia University（哥伦比亚大学）
本文提出MAGIC框架，通过构造相互独立工具的互作用矩条件，实现即使所有候选工具可能无效时的识别，采用半参数广义矩估计法和全局Neyman正交性条件保证稳健性。
2026-03-31 stat.ME
Selecting Valid Instrumental Variables in Linear Models with Multiple Exposure Variables: Adaptive Lasso and the Median-of-Medians Estimator
在一个线性工具变量（IV）的设置，用于估计多个混杂的暴露/治疗变量的因果关系的结果，我们调查的自适应Lasso方法选择有效的工具变量从一组可用的工具，可能包含无效的。如果工具不符合排除条件并作为解释变量进入模型，则该工具无效。我们将Windmeijer等人（2019）针对单次暴露模型开发的结果扩展到多次暴露情况。特别是，我们提出了一个中位数的中位数估计，并表明，条件下的最小数量的有效工具，该估计是一致的因果关系的影响是只有适度强于简单多数规则，适用于中位数估计的单次曝光的情况下。自适应Lasso方法使用初始中位数估计的惩罚权重实现一致的选择与所得IV估计的预言性质。这被一些蒙特卡罗模拟结果所证实。我们应用该方法估计的因果关系的教育程度和认知能力的身体质量指数（BMI）在孟德尔随机设置。
2022-08-10 econ.EM stat.ME
Leveraging Local Distributions in Mendelian Randomization: Uncertain Opinions are Invalid
针对孟德尔随机化中工具变量可能无效的问题，提出MR-Local方法，利用比值估计的局部分布选择最不确定性的簇进行因果推断，并建立渐近正态性，模拟和真实数据验证其可靠性。
2024-02-04 stat.ME
The Generalized Falsification Adaptive Set for Violations of the Exclusion Restriction and Exogeneity
University of Innsbruck（因斯布鲁克大学）；University of Oxford（牛津大学）
针对工具变量可能违反排除限制或外生性的情况，提出广义伪造自适应集，确保只要存在一个有效工具，真实参数即被包含。
2026-07-02 econ.EM stat.ME
On Mendelian Randomization Mixed-Scale Treatment Effect Robust Identification (MR MiSTERI) and Estimation for Causal Inference
如果定义工具变量（IV）的遗传变异受到混淆和/或对非治疗介导的目标结局具有水平多效性效应，则标准孟德尔随机化分析可能产生偏倚结果。我们提供了新的识别条件的因果关系的治疗中存在的不可测量的混杂，利用无效的IV的独立性和排除限制的假设可能会被违反。孟德尔随机化混合尺度处理效应稳健辨识（MR MiSTERI）方法依赖于（i）假设处理效应不随相加量表上无效IV的变化而变化;以及（ii）由于混杂导致的选择偏倚不随比值比量表上无效IV的变化而变化;和（iii）结果的残差方差是异方差的，因此随着无效IV而变化。我们正式确定，他们的结合可以确定一个因果关系的影响，即使是一个无效的IV受到多效性。MiSTERI被证明是特别有利的，在存在普遍的异质性的多效性效应的加性尺度，设置在其中两个最近提出的稳健估计方法MR GxE和MR GENIUS可以严重偏置。为了将多个，可能相关的和弱IV，MR研究中的一个常见的挑战，我们开发了一个MAny弱无效仪器（MR MaWII MiSTERI）的方法，以加强识别和提高准确性MaWII MiSTERI被证明是强大的水平多效性，违反IV独立性假设和弱IV偏见。仿真研究和实际数据分析结果表明所提出的MR MiSTERI方法的鲁棒性。
2021-03-30 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
Mendelian Randomization Methods for Causal Inference: Estimands, Identification and Inference
本文全面综述了孟德尔随机化（MR）在因果推断中的方法，围绕因果估计量系统讨论了无效和弱工具变量问题、多种研究设计及高维组学数据应用，为方法学家和应用科学家提供实用指导。
2025-11-02 stat.AP stat.ME
Identification and Inference for Structural Accelerated Failure Time Models via Instrument Interactions
City University of Hong Kong（香港城市大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；The Hong Kong Polytechnic University（香港理工大学）；Columbia University（哥伦比亚大学）
针对存在未测量混杂的右删失时间-事件结局，提出一种利用工具变量交互作用进行识别和推断的框架，无需经典工具变量有效性假设，并采用增强逆概率删失加权和广义经验似然方法实现稳健推断。
2026-05-28 math.ST stat.ME stat.TH
Agglomerative Hierarchical Clustering for Selecting Valid Instrumental Variables
本文提出结合层次聚类与过度识别检验的方法，从大量工具变量中筛选有效者，处理多个内生回归元，并证明在最大有效组下具备预言性质，模拟表现优越，应用于移民对工资影响估计。
2024-07-18 stat.ME stat.ML
Instrument Validity for Heterogeneous Causal Effects
本文提出适用于多值处理等更一般场景的异质性因果效应工具变量有效性非参数检验，证明其渐近性质，通过模拟和教育回报率实证验证效果，并补充相关理论工具。
2023-10-10 econ.EM math.ST stat.TH
Network-aware IV Regression for Causal Node Discovery and Estimation
本文提出一种两阶段回归框架，结合工具变量和图正则化，以发现网络结构中稀疏的因果效应。方法在存在潜在混杂时有效恢复因果支持，并在脑成像和遗传数据中验证了其有效性。
2026-06-29 stat.ME
Improving Mendelian Randomization Analysis by Instrument Borrowing from Auxiliary Outcome Traits
Department of Biostatistics, Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯彭博公共卫生学院生物统计系）；Department of Oncology, School of Medicine, Johns Hopkins University（约翰斯·霍普金斯大学医学院肿瘤系）
研究针对孟德尔随机化在无效工具变量存在时的问题，提出借用辅助结果性状工具变量改进推断。先引入共同异质性统计量及理论识别次要性状，扩展两种方法，模拟研究和实际应用表明新方法能更好控制错误、提高功效。
2026-10-15 stat.ME
Robust instrumental variable methods using multiple candidate instruments with application to Mendelian randomization
孟德尔随机化是利用遗传变异从观察数据中进行因果推断。该领域目前正在经历一场革命，这是由于越来越多的遗传变异被证明与全基因组关联研究中的暴露相关，以及有关遗传变异与大型财团的暴露和结果的汇总数据的公开可用性。使用汇总数据可以相对简单地进行具有许多遗传变异的孟德尔随机化分析。然而，只有当每个遗传变异满足工具变量的假设时，因果解释才有保证。为了防止这些假设的失败，已经提出了用于工具变量分析的稳健方法。在这里，我们开发了三个扩展工具变量方法使用：i）鲁棒回归，ii）惩罚的权重从候选工具与异质因果估计，和iii）L1惩罚。结果从各种各样的强大的方法，包括最近提出的MR-Egger和中位数为基础的方法，进行了比较，在一个广泛的模拟研究。我们证明了两种方法，稳健回归的逆方差加权方法和一个简单的中位数的因果估计从个别变量，有相当大的改善1型错误率相比，传统的方法在各种各样的情况下，高达30%的遗传变异是无效的工具。虽然MR-Egger方法在满足其假设时给出了无偏估计，但这些估计的效率低于其他方法，并且对违反假设的情况高度敏感。应常规使用做出不同假设的方法来评估应用孟德尔随机化研究多种遗传变异结果的稳健性。
2018-08-30 stat.ME
Necessary and Probably Sufficient Test for Finding Valid Instrumental Variables
能否从数据中找到工具变量？虽然工具变量（IV）方法被广泛用于识别因果效应，但从观测数据中检验其有效性仍然是一个挑战。这是因为IV的有效性取决于两个假设，排除和假设随机，这在很大程度上被认为是无法从数据中检验的。在本文中，我们表明，在一定的条件下，测试工具变量是可能的。我们建立在必要的测试，以获得一个测试的特点是一个有效的工具的几率，从而产生的名称“必要的，可能是足够的”。该测试的工作原理是将无效IV和有效IV因果模型定义为贝叶斯生成模型，并根据观察到的数据比较它们的边际可能性。当所有变量都是离散的，我们还提供了一种方法来有效地计算这些边际似然。我们评估测试的一组广泛的模拟二进制数据，灵感来自一个开放的问题，IV测试在过去的工作中提出的。我们发现，当一个工具遵循单调性-对治疗的影响是非递减或非递增-并且具有中等到弱的强度时，该检验是最强大的;顺便说一句，这种工具通常用于观察性研究。在as-if-random和exclusion中，它以更高的功率检测排除违规。将该检验应用于两项关于工具变量的开创性研究和《美国经济评论》最近的五项研究的IV表明，许多工具可能存在缺陷，至少当所有变量都离散化时。所提出的测试打开了数据驱动的验证和搜索工具变量的可能性。
2018-12-04 econ.EM stat.ME
Inference with Granular Instruments in Large Panels
University of Warwick（华威大学）
本文发展了大型面板中颗粒工具变量（GIV）的强度渐近理论，区分了强、近弱和弱三种工具强度状态，并提供了相应的推断方法。
2026-10-30 econ.EM stat.ME
Causal inference via implied interventions
Instituto de Ciencias Matemáticas, CSIC（西班牙科学研究所数学科学研究所）；Departamento de Matemáticas, Universidad Autónoma de Madrid（马德里自治大学数学系）；Division of Biostatistics, University of California, Berkeley（加州大学伯克利分校生物统计学部）
本文提出一种新的因果推断范式，通过工具变量隐含的随机干预来识别可估计的因果效应，而非预设目标效应并依赖不可检验假设。
2026-05-22 math.ST stat.TH
A Heteroskedasticity-Robust Overidentifying Restriction Test with High-Dimensional Covariates
本文提出一种适用于高维线性工具变量模型的过度识别约束检验，允许协变量和工具变量数量超过样本量，通过最大范数检验和功效增强技术提升检验功效，并具有尺度不变性和异方差稳健性。
2024-05-06 econ.EM math.ST stat.ML
Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models
本文提出了一种基于辅助的独立性检验（AIT）条件，用于检验工具变量的有效性，适用于连续和离散治疗变量的非恒定效应模型，并通过实验验证了其有效性。
2026-03-12 cs.AI cs.LG stat.ME
An Instrumental Variables Framework to Unite Spatial Confounding Methods
针对观测性空间研究中的未测量空间混杂问题，提出统一现有空间混杂方法的工具变量框架，明确其共同理论基础与假设，可估计非线性因果效应，并在模拟与空气污染健康效应实证中验证了方法有效性。
2025-11-18 stat.ME
Instrument variable detection with graph learning : an application to high dimensional GIS-census data for house pricing
University of Sydney（悉尼大学）
内变量偏差和工具变量验证一直是统计学和计量经济学研究的重要课题。在大数据时代，这些问题通常与维度问题相结合，因此需要更多的关注。在本文中，我们合并了两个著名的工具，从机器学习和生物统计学--变量选择算法和概率图--估计房价和相应的因果结构，使用2010年悉尼的数据。估计使用了一个200千兆字节的三维数据库，其中包括当地学校数据、地理信息系统信息、人口普查数据、房屋特征和其他社会经济记录。使用“大数据”，我们表明，它是可能的，以有效地执行数据驱动的仪器选择和清除无效的仪器。我们的方法提高了稀疏的变量选择，稳定性和鲁棒性存在的高维，复杂的因果结构和随之而来的多重共线性，并恢复稀疏和直观的因果结构。该方法在内模检测、仪器验证、弱仪器剪枝和有效仪器选择等方面具有较高的效率和有效性。从机器学习的角度来看，估计结果既符合又证实了悉尼住宅市场的实际情况、经典的经济理论和前人的联立方程模型的研究结果。此外，估计结果与经典的计量经济学工具，如两阶段最小二乘回归和不同的仪器测试是一致的，并支持。所有代码可在\url{https://github.com/isaac2math/solar_graph_learning}中找到。
2020-12-16 cs.LG stat.AP 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
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
Discovery and inference of a causal network with hidden confounding
本文提出 GrIVET 方法，在存在隐藏混杂的高斯有向无环图中进行因果发现与推断，结合顺序发现、工具变量估计和似然比检验，并在阿尔茨海默病基因表达数据上验证了其有效性。
2023-09-18 stat.ME
Winner's Curse Free Robust Mendelian Randomization with Summary Data
针对经典孟德尔随机化（MR）分析中汇总数据存在的胜者诅咒和多效性问题，提出统一稳健MR框架，无需参数分布假设或完美工具筛选，可有效消除偏倚并实现因果效应的有效统计推断，经模拟和案例验证性能良好。
2025-08-24 stat.ME
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
Using Invalid Instruments on Purpose: Focused Moment Selection and Averaging for GMM
本文提出聚焦矩选择准则（FMSC）用于GMM，通过选择具有更低MSE的矩条件来提高估计精度，并展示其在推断和实证分析中的应用。
2020-11-14 econ.EM stat.ME
Weak-Instrument Robust Tests in Two-Sample Summary-Data Mendelian Randomization
孟德尔随机化（MR）是遗传流行病学中的一种流行方法，使用遗传变异作为工具变量（IV）来估计暴露对结果的影响，其中双样本汇总数据MR最受欢迎。不幸的是，MR研究中的工具通常与暴露量弱相关，这可能会使效应估计值出现偏差并增加第一类错误。在这项工作中，我们提出的检验统计量是强大的弱工具渐近扩展的Anderson-Rubin，Kleibergen，和条件似然比检验在计量经济学两个样本的汇总数据MR。我们还使用建议的Anderson-Rubin测试开发一个点估计和检测无效的工具。我们的结论与模拟和实证研究表明，建议的测试控制的大小，并有更好的权力比现有的方法与弱工具。
2021-06-07 stat.ME
