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
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
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
A semiparametric instrumental variable approach to optimal treatment regimes under endogeneity
有一个快速增长的文献估计最佳治疗方案的基础上随机试验或观察性研究的关键识别条件下,没有不可测量的混杂。由于在观察性研究或随机试验中无法确定性地排除不可测量因素的混杂,因此我们提出了一种通用的工具变量方法来学习内分泌下的最佳治疗方案。具体而言,我们建立了一个给定的制度$\mathcal{D}$和最佳制度$\text{argmax}_{\mathcal{D}} E[Y_{\mathcal{D}(L)}]$的帮助下,一个二进制工具变量的价值函数$E[Y_{\mathcal{D}(L)}]$的识别,当没有未测量的混杂未能举行。我们还构建了新的多重鲁棒分类为基础的估计。此外,我们建议,以确定和估计最佳的治疗方案之间的那些谁将遵守分配的治疗下一个标准的单调性假设。在后一种情况下,我们建立了有点令人惊讶的结果,即编译器的最佳方案可以一致地估计,而不直接收集遵守信息,因此没有编译器平均处理效应本身被确定。我们的方法说明了通过广泛的模拟研究和数据的应用,对劳动参与的儿童抚养的影响。
2020-08-10 math.ST stat.ME 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
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
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
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
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
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 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
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
Two-Stage Residual Inclusion under the Additive Hazards Model - An Instrumental Variable Approach with Application to SEER-Medicare Linked Data
工具变量是解决观察性研究中不可测混杂的重要工具。两阶段预测变量替换(2SPS)估计和两阶段残差包含(2SRI)估计是应用工具变量的两种常用方法。最近,在存在至事件发生时间数据的竞争风险的情况下,在加性风险模型下研究了2SPS,其中假定治疗与工具变量之间的关系为线性。当我们有二元处理时,这个假设可能不是最合适的。在本文中,我们考虑了一般生存数据的加性风险模型下的2SRI估计和竞争风险的存在下,它允许广义线性模型的治疗和工具变量之间的关系。我们推导出的渐近性质,包括封闭形式的渐近方差估计的2SRI估计。我们在有限样本中进行数值研究,并将我们的方法应用于相关的监测,流行病学和最终结果(SEER)-医疗保险数据库,比较早期前列腺癌患者的根治性前列腺切除术与保守治疗。
2018-07-19 math.ST stat.AP stat.TH
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
Nonparametric instrumental regression with right censored duration outcomes
本文分析了离散处理Z对持续时间T的影响。治疗不是随机分配的。使用离散的工具变量解释治疗和独立的模型的误差项的混杂问题进行治疗。我们的框架是非参数的,并允许随机右删失。该规范生成非线性逆问题,并且从其解导出平均处理效果。我们提供了依赖于一个非线性系统方程的局部和全局识别特性。我们提出了一个估计程序来解决这个系统,并推导出收敛速度和条件下,估计是渐近正态的。当删失使识别失败时,我们开发部分识别结果。我们的估计在模拟中表现出良好的有限样本性质。我们还将我们的方法应用于伊利诺伊州再就业奖金实验。
2020-11-20 econ.EM math.ST q-bio.QM
Double Machine Learning of Continuous Treatment Effects with Additive Instrumental Variables
Zhejiang University(浙江大学)
本文提出利用工具变量识别平均剂量反应函数的新框架,通过统一正则加权函数和覆盖处理空间的开放集,减少未观测混杂带来的偏差,结合去偏机器学习框架进行估计,并通过模拟和实证研究评估方法性能。
2026-08-24 econ.EM math.ST 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
Estimating and Improving Dynamic Treatment Regimes With a Time-Varying Instrumental Variable
University of Pennsylvania(宾夕法尼亚大学)
根据回顾性观察数据估计动态治疗方案(DTR)具有挑战性,因为通常会出现某种程度的未测量混杂。在这项工作中,我们开发了一个框架,估计适当定义的“最佳”DTR与随时间变化的工具变量(IV)时,未测量的协变量混淆的治疗和结果,使潜在的结果分布只有部分确定。我们推导出一种新的Bellman方程下的部分识别,用它来定义一个通用类的被估量(称为IV-最优DTR),并研究相关的估计问题。然后,我们扩展了IV最优性框架来解决策略改进问题,提供IV改进的DTR,保证其性能不会比预先指定的基线DTR更差,并且可能更好。重要的是,我们的IV改进框架开辟了严格改进DTR的可能性,DTR在无不可测混杂假设(NUCA)下是最佳的。我们通过大量的模拟证明了IV-优化和IV-改进的DTR的优越性能比仅在NUCA下最优的DTR。在一个真实的数据示例中,我们将回顾性观察登记数据嵌入到一个自然的两阶段实验中,该实验使用随时间变化的IV,并估计有用的IV最佳DTR,该DTR根据其预后变量将母亲分配到高级别或低级别的新生儿重症监护病房。
2021-04-15 cs.LG 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
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
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
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
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
Sensitivity analyses for average treatment effects when outcome is censored by death in instrumental variable models
在对非死亡结局(如支气管肺发育不良(BPD))进行因果推断时出现的两个问题是未测量的混杂和死亡删失,即,只有当受试者存活时才能观察到结果。在不依从的随机化实验中,工具变量方法可用于控制未测量的混杂因素,而无需通过死亡进行删失。但是,当按死亡删失时,在通常假设下无法确定平均因果处理效应,但可以通过使用附加假设的敏感性分析研究特定亚群。然而,在观察性研究中,未充分研究通过未测量混杂因素的死亡问题删失的局部平均处理效应(LATE)评价。本文提出了一种基于工具变量模型的敏感性分析方法。具体来说,我们提出了一个额外的假设下的识别结果,并提出了一个三步的LATE估计过程。此外,我们提出了一种改进的两步程序,通过同时估计仪器倾向得分(即,给定协变量的仪器概率)和由假设引起的参数。我们已经通过模拟研究表明,两步程序可以比三步程序更鲁棒和有效。最后,我们将我们的敏感性分析方法应用于研究在高水平新生儿重症监护病房分娩对BPD风险的影响。
2018-02-19 stat.AP 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
Bridging preference-based instrumental variable studies and cluster-randomized encouragement experiments: study design, noncompliance, and average cluster effect ratio
工具变量方法被广泛应用于医学和社会科学研究中,当治疗和结局受到不可测量的混杂变量的混淆时,可以得出因果关系的结论。这类研究的一个重要特点是,工具变量往往应用于集群一级,例如,医院或医师对某一治疗的偏好,其中每个医院或医师自然地定义一个群集。本文提出了嵌入这样的观察工具变量数据到集群随机激励实验,使用统计匹配。潜在的结果和因果关系的假设支持的设计形式化和检查。两个常用的被估量,费舍尔的尖锐原假设和合并效应比的检验程序,扩展到目前的设置。然后,我们介绍了一种新的集群异质比例处理效应模型和相关的估计:平均集群效果比。这个新的被估量是有利的结构参数在一个恒定的比例处理效应模型,因为它允许治疗的异质性,是有利的合并效果比被估量,因为它是免疫辛普森悖论。我们开发了一个渐近有效的基于随机化的测试程序,这个新的估计的基础上解决一个混合整数二次约束优化问题。所提出的设计和推理方法应用于CABG手术期间使用经食管超声心动图对患者30天死亡率的影响的研究。
2021-05-23 stat.AP 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
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
Counterfactual Prediction with Deep Instrumental Variables Networks
University of British Columbia(不列颠哥伦比亚大学);Microsoft Research(微软研究院);NBER(美国国家经济研究局);University of Chicago(芝加哥大学)
我们正处于人工智能的使用和能力显著上升的过程中。这种增长在很大程度上是由深度学习架构的成功推动的:通过多层潜在表示从可观察到输出的模型。这些深度学习算法是非结构化预测的有效工具,它们可以结合在人工智能系统中来解决复杂的自动推理问题。本文提供了一种结合ML算法的方法,以解决存在工具变量的因果效应-有条件地独立于响应的治疗随机化的来源。我们发现,灵活的IV规范可以分解为两个可以用深度神经网络解决的预测任务:第一阶段网络用于治疗预测,第二阶段网络的损失函数涉及条件治疗分布的积分。这个Deep IV框架对用于训练的随机梯度下降例程施加了一些特定的结构,但它足够通用,我们可以利用现成的ML功能,避免大量的算法定制。我们概述了如何获得样本外的因果验证,以避免过度拟合。我们还介绍了贝叶斯和频率论推理的方案:前者通过一种新的适应辍学训练,后者通过一个数据分裂例程。
2016-12-30 cs.LG stat.AP stat.ML
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
Instrumental variable estimation of dynamic treatment effects on a duration outcome
本文考虑识别和估计时间Z的因果关系,直到一个受试者接受治疗的生存结果T的影响。治疗未随机分配,T通过随机变量C随机右删失,至治疗时间Z通过min(T,C)右删失。内禀问题是用一个工具变量来解释Z和独立的模型的误差项。我们在一个完全非参数的框架中研究识别。我们表明,我们的规格生成一个积分方程,其中的回归函数的利益是一个解决方案。我们提供了依赖于这个识别方程的识别条件。为了估计的目的,我们假设回归函数遵循参数模型。我们提出了一个估计过程,并给出了条件下,估计是渐近正态的。在模拟中的估计表现出良好的有限样本性质。我们的方法被应用于寻找证据支持疗效的治疗烧伤。
2022-12-17 econ.EM math.ST stat.TH
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
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
Kernel-Based Functional Balancing for Causal Inference with Compositional Treatments
University of Texas at Dallas(德克萨斯大学达拉斯分校)
针对成分处理(暴露位于单纯形)的因果效应估计,提出基于核的协变量函数平衡加权法,通过最小化再生核希尔伯特空间中的最坏情况平衡误差构造权重,并构建增强加权估计量,实现√n一致性。
2026-06-19 stat.ME stat.ML
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
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
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
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
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
Estimating the Complier Average Causal Effect in Randomised Controlled Trials with Non-Compliance: A Comparative Simulation Study of the Instrumental Variables and Per-Protocol Analyses
本研究针对存在不依从性的随机对照试验,通过模拟对比工具变量法与符合方案分析两种CACE估计方法,明确了不同依从场景下两种方法的偏倚表现差异。
2025-03-22 stat.AP
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 variables as bias amplifiers with general outcome and confounding
通过观察性研究得出因果推论是许多学科的核心支柱。确定因果效应的一个充分条件是治疗-结局关系在观察到的协变量的条件下是无混杂的。人们通常认为,我们所依赖的协变量越多,这种无混淆性假设就越合理。这种信念对实际的因果推理产生了巨大的影响,这表明我们应该对所有预处理协变量进行调整。然而,当治疗和结局之间存在不可测量的混杂时,调整某些治疗前协变量的估计值可能比未调整该协变量的估计值具有更大的偏倚。这种协变量被称为偏倚放大器,包括独立于混杂因素的工具变量,仅通过治疗影响结果。以前,这种现象的理论结果只建立在线性模型上。我们填补了这一空白,在文献中提供了一个一般的理论,表明这种现象发生在一个广泛的一类模型满足一定的单调性假设。我们进一步表明,当治疗以下的加性或乘性模型的条件下的工具变量和混杂因素,这些单调性假设可以解释为因果图的箭头的符号。
2017-01-16 math.ST stat.AP stat.TH
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
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
Nested Instrumental Variables Analysis: Switcher Average Treatment Effect, Identification, Efficient Estimation and Generalizability
University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心);Ghent University(根特大学)
本文提出嵌套工具变量分析方法,用于识别开关者平均处理效应,并通过非参数模型推导高效估计器,探讨IV估计的可推广性检验。
2026-10-08 stat.AP stat.ME stat.OT
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
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
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
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
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
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
Is it who you are or where you are? Accounting for compositional differences in cross-site treatment variation
多中心试验中,治疗在多个中心分别随机化,这为区分单位水平特征分布的“组成”差异导致的处理效应变异和中心水平特征的“背景”差异导致的变异提供了独特的机会。特别是,如果我们可以重新加权(或“运输”)每个站点,使其具有单位水平协变量的共同分布,则剩余的效应变化可以捕获站点之间的上下文差异。在本文中,我们开发了一个框架,在多中心试验中使用近似平衡权重,权重的选择直接优化单位水平的协变量之间的平衡,每个网站和目标分布的运输效果。我们首先开发我们的方法,用于传输单点试验效果的一般设置。然后,我们将我们的方法扩展到多站点试验,通过模拟评估其性能,并用它来分析一系列的多站点试验的福利工作计划。我们的方法在balancer R包中可用。
2021-03-26 stat.ME