Using instrumental variables to disentangle treatment and placebo effects in blinded and unblinded randomized clinical trials influenced by unmeasured confounders
临床试验传统上采用盲法作为设计机制，以减少安慰剂效应的影响。然而，在实践中，很难或不可能对研究参与者进行盲态试验，而非盲态试验在医学研究中很常见。在这里，我们展示了如何工具变量可以用来量化和解开治疗和安慰剂的效果在随机临床试验中比较对照和活性治疗的存在混杂因素。其关键思想是使用随机化来分别操纵治疗分配和心理鼓励信息，以增加参与者对改善症状的渴望。所提出的方法能够改善盲法研究中处理效应的估计，最重要的是，打开了大门，以解释非盲法试验中的安慰剂效应。
2016-06-21 stat.AP
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
Adjusting for bias introduced by instrumental variable estimation in the Cox Proportional Hazards Model
工具变量（IV）方法广泛用于在存在不可测量混杂因素的情况下估计平均处理效应。然而，现有的IV程序的能力，最值得注意的是两阶段剩余纳入（2SRI）程序建议用于非线性背景下，占未测量的混杂因素在Cox比例风险模型尚不清楚。我们发现，仪器的内源性治疗诱导一个不可测量的协变量，称为个人的弱点，在生存分析的说法，如果不占导致偏见。我们提出了一个新的程序，增强2SRI与个人的弱点，并证明它是一致的，在一定条件下。通过蒙特卡罗模拟，在广泛的条件下研究了有限样本量的行为。最后，所提出的方法被用来估计颈动脉内膜切除术与颈动脉支架置入术对颈动脉疾病患者死亡率的平均影响。结果表明，与传统的2SRI相比，2SRI脆弱估计量通常可以降低点估计量和区间估计量的偏差。
2017-11-07 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
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
Just what the doctor ordered: An evaluation of provider preference-based Instrumental Variable methods in observational studies, with application for comparative effectiveness of type 2 diabetes therapy
本文通过模拟与2型糖尿病治疗案例，评估并提出基于医疗服务提供者处方偏好的工具变量构建方法，以适应不同数据条件并实现无偏因果效应估计。
2023-08-15 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
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
Measurement Error-Robust Causal Inference via Constructed Instrumental Variables
Columbia Mailman School of Public Health（哥伦比亚大学麦金农公共卫生学院）；Department of Biostatistics, Columbia University（哥伦比亚大学生物统计系）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
本文提出无需外部误差信息的构造工具变量法，可在结果回归线性时一致估计含测量误差的平均处理效应与自然间接效应，并将其应用于孟加拉国母婴队列的铅暴露与出生身长研究。
2026-08-20 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
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 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
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
Sequential Treatment Effect Estimation with Unmeasured Confounders
Ant Group（蚂蚁集团）
针对未测量混杂因素干扰序贯处理效应估计的问题，论文提出 DSIV-CFR 框架，利用负对照暴露与结果恢复潜在工具变量并通过广义矩条件估计累积因果效应，在4个数据集的单步与多步预测中表现优异。
2025-05-14 cs.LG stat.ME
A Practical Introduction to Regression-based Causal Inference in Meteorology (II): Unmeasured confounders
University of Washington（华盛顿大学）；Applied Physics Laboratory, University of Washington（华盛顿大学应用物理实验室）；Climate Impacts Group, University of Washington（华盛顿大学气候影响研究组）；School of Meteorology, University of Oklahoma（俄克拉荷马大学气象学院）
介绍在未测量混杂因素存在时，利用工具变量法通过回归估计因果效应，并以气象数据为例说明工具变量选择的重要性。
2026-06-19 stat.AP
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
Learning Decomposed Representation for Counterfactual Inference
Zhejiang University（浙江大学）；Tsinghua University（清华大学）；NetEase Inc.（网易公司）
从观察数据估计处理效应的基本问题是混杂因素的识别和平衡。大多数以前的方法通过将所有观察到的治疗前变量作为混杂因素来实现混杂因素平衡，忽略了进一步识别混杂因素和非混杂因素。一般而言，并非所有观察到的治疗前变量都是指治疗和结局的常见原因的混杂因素，一些变量仅对治疗有贡献，一些变量仅对结局有贡献。平衡这些非混杂因素，包括工具变量和调整变量，将产生处理效应估计的额外偏倚。通过对观察到的治疗前变量、治疗和结果之间的不同因果关系建模，我们提出了一个协同学习框架：1）通过学习混杂因素和非混杂因素的分解表示来识别混杂因素; 2）通过样本重新加权技术来平衡混杂因素; 3）同时通过反事实推理来估计观察性研究中的处理效应。在合成数据集和真实数据集上的实验结果表明，该方法能够精确分解混杂因素，并实现比基线更精确的处理效应估计。
2021-10-12 cs.LG 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
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
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
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
The Impact of Unmeasured Within- and Between-Cluster Confounding on the Bias of Effect Estimators from Fixed Effect, Mixed effect and Instrumental Variable Models
工具变量方法是对抗不可测混杂以获得偏倚较小的效应估计的常用方法。然而，我们证明了替代方法可能会根据未测量混杂的性质给出偏差较小的估计。集群的治疗偏好（例如，在工具变量分析（IVA）中，最常用的工具是工具变量分析（IVA）。这些基于偏好的IVA通常对按区域、医院/设施或医生聚类的数据进行，其中未测量的混杂经常发生在聚类内或聚类之间。我们的目标是量化不可测量的混杂对IVA中效应估计值偏倚的影响，以及其他方法，包括普通最小二乘回归、线性混合模型（LMM）和固定效应模型（FE），以研究连续暴露的效应（例如，治疗剂量）。我们从这四种方法中推导出估计量的偏差公式，在存在不可测量的内和/或群间混杂因素的情况下。我们发现，IVA可以提供相合估计时，未测量的群内混杂存在，但不存在群间混杂。另一方面，当存在未测量的群间混杂时，FE和LIFE可以提供相合估计，但对于群内混杂则不能。IVA是否有利于降低FE和LVD的偏倚取决于未测量的群内混杂相对于群间混杂的程度。此外，未测量的集群间混杂IVA估计的影响大于未测量的集群内混杂FE和LMM估计的影响。我们通过数据应用来说明这些方法。我们的研究结果为选择适当的方法来对抗主要类型的不可测量混杂因素提供了指导，并有助于解释在不可测量混杂因素背景下的统计结果
2020-05-19 stat.AP stat.ME
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
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
Interpretable Almost-Matching-Exactly With Instrumental Variables
Duke University（杜克大学）
观察性研究中因果效应估计的不确定性通常是由于未测量的混杂因素，即，未观察到的协变量的存在与治疗和结局相关。工具变量（IV）通常用于减少未测量混杂的影响。现有的IV估计方法要么需要强参数假设，使用任意的距离度量，要么不能很好地扩展到大型数据集。我们提出了一个匹配的框架，IV在观察到的分类混杂因素，解决这些弱点的存在。我们的方法首先精确匹配单位，然后连续删除变量，以尽可能多的变量近似匹配剩余的单位。我们表明，我们的算法构造更好的匹配比其他现有的方法在模拟数据集上，我们产生有趣的结果，在政治拉票的应用。
2019-07-28 cs.LG 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
Covariate-assisted bounds on causal effects with instrumental variables
本文将Balke-Pearl工具变量界限扩展到含基线协变量的随机试验与观察性研究，并提出基于影响函数及光滑近似的估计方法。
2023-09-29 stat.ME
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
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
Stratification-based Instrumental Variable Analysis Framework for Nonlinear Effect Analysis
提出一种基于分层的工具变量分析框架，用于非线性因果效应分析，可识别效应变化点，在弱工具下优于现有方法，并应用于饮酒与血压的孟德尔随机化研究。
2025-10-27 stat.ME
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
Spectral Representation for Causal Estimation with Hidden Confounders
Georgia Tech（佐治亚理工学院）；Universitat Pompeu Fabra（庞培法布拉大学）；UT Austin（德克萨斯大学奥斯汀分校）；University College London（伦敦大学学院）；Google DeepMind（谷歌DeepMind）
本文提出一种基于条件期望算子奇异值分解与鞍点优化的因果估计方法，用于处理工具变量回归和代理因果学习中的隐藏混杂因素，并在多个基准上取得优于现有方法的效果。
2025-03-10 cs.LG stat.ML
Quasi Instrumental Variable Methods for Stable Hidden Confounding and Binary Outcome
本文针对二元结果下IV排除性限制和独立性条件常不满足的问题，提出基于稳定混杂结构模型与准工具变量的识别策略，并开发最大似然和三重稳健半参数估计量，通过模拟及UK Biobank数据验证其有效性。
2025-09-20 stat.ME
Semi-Instrumental Variables: A Test for Instrument Admissibility
Carnegie Mellon University（卡内基梅隆大学）
在因果图模型中，变量X及其效应Y的工具是一个随机变量，它是X的原因，并且独立于除X之外的Y的所有原因。（Pearl（1995），Spirtes等人（2000））。工具变量可用于估计效应的分布将如何响应对其原因的操纵，即使存在不可测量的共同原因（混杂因素）。在典型的工具变量估计中，工具是根据领域知识来选择的。目前没有统计学检验来验证变量作为工具。本文引入了半工具的概念，它是对工具概念的推广。我们证明了在加性模型的框架下，在一定的条件下，我们可以测试一个变量是否是半工具的。此外，加入一些分布假设，我们可以测试两个半工具是否是工具。我们给出了估计一个随机变量是半工具的p值和两个半工具都是工具的p值的算法。这些算法可用于测试专家对仪器的选择，或自动识别仪器。
2013-01-10 cs.AI stat.AP stat.ME
Propensity Score Adapted Covariate Selection for Causal Inference
本文提出了一种适应于倾向得分的变量选择方法，用于选择倾向得分模型中的协变量，以消除观察性研究中的混杂偏倚，提高统计效率。我们的变量选择方法是专门为因果推断而设计的，它只需要倾向得分是$\sqrt{n}$ -通过参数模型一致估计，不需要正确的潜在结果模型的规范。通过使用估计的倾向得分作为逆概率治疗权重，对结局进行自适应套索，成功排除了工具变量，并包括混杂因素和结局预测因素。在“线性结合”条件下证明了它的预言性质。我们还进行了一些数值模拟，以说明我们的倾向得分适应协变量选择程序，并评估其性能下的模型误设定。与其他协变量选择方法进行了比较，通过使用人工数据，我们发现，它是更强大的排除工具变量和虚假的协变量。
2021-09-11 stat.ME
Estimation of causal effects using instrumental variables with nonignorable missing covariates: Application to effect of type of delivery NICU on premature infants
了解高水平新生儿重症监护病房（具有持续机械辅助通气和高容量能力的新生儿重症监护病房）与低水平新生儿重症监护病房相比的有效性，对于母亲个人和公共政策决策都很重要。本文的目的是通过一项观察性研究来估计在高水平NICU与低水平NICU中分娩的早产儿对死亡率的影响，该研究存在不可测量的混杂因素以及不可解释的缺失协变量。我们考虑使用额外的旅行时间作为一个工具变量（IV），以控制不可测量的混杂因素。为了使IV有效，我们必须以IV-结果关系的混杂因素为条件，例如，必须以产前护理开始的月份为条件，以使多余的旅行时间成为有效的IV。然而，有时产前护理开始的月份是缺失的，并且这种缺失可能是不可否认的，因为它与未完全测量的母亲/婴儿的并发症风险有关。我们开发了一种方法来估计使用IV治疗的因果效应，当我们的数据中存在不可忽略的缺失协变量时，我们允许缺失依赖于完全观察到的结果以及部分观察到的依从性类别，这是无法测量的并发症风险的代理。模拟研究表明，在我们的不可否认的缺失假设下，常用的估计方法，完全案例分析和链式方程多重插补假设随机缺失，提供有偏估计，而我们的方法提供近似无偏估计。我们将我们的方法应用于NICU研究，并发现证据表明高水平的NICU显著降低了小胎龄婴儿的死亡率，而对于37周的几乎成熟的婴儿，NICU的水平几乎没有什么区别。进行了敏感性分析，以评估我们的结论对缺失协变量的关键假设的敏感性。我们在本…
2014-04-09 stat.AP
High-dimensional confounding adjustment using continuous spike and slab priors
在观察性研究中，治疗对结果的因果效应的估计依赖于对混杂因素的适当调整。如果潜在混杂因素的数量（$p$）大于观察结果的数量（$n$），则直接控制所有潜在混杂因素是不可行的。现有的降维和惩罚方法一般是针对预测结果，不太适合因果效应的估计。在标准惩罚方法（例如Lasso）下，如果变量$X_j$与治疗$T$强相关，但与结局$Y$弱相关，则系数$β_j$将向零收缩，从而导致混杂偏倚。假设的线性模型的结果和稀疏性，我们提出了连续的尖峰和平板先验的回归系数$β_j$对应的潜在混杂因素$X_j$。具体地说，我们引入了一个先验分布，它不会严重收缩到零的系数（$β_j$）的$X_j$的强相关的$T$，但弱相关的$Y$。我们比较我们提出的方法，在文献中提出的几个国家的最先进的方法。我们提出的方法具有以下特点：1）它减少了在高维设置的混杂偏差; 2）它缩小到零系数的工具变量;和3）它实现了良好的覆盖率，即使在小样本量。我们将我们的方法应用于国家健康与营养调查（NHANES）数据，以估计持续性农药暴露对甘油三酯水平的因果影响。
2018-10-16 stat.ME
Offline Reinforcement Learning with Instrumental Variables in Confounded Markov Decision Processes
Northwestern University（西北大学）；George Washington University（乔治华盛顿大学）；Yale University（耶鲁大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
研究了在不可测混杂因素下的离线强化学习。由于缺乏与环境的在线交互，离线RL面临着以下两个重大挑战：（i）代理可能会被未观察到的状态变量混淆;（ii）事先收集的离线数据不能为环境提供足够的覆盖。为了应对上述挑战，我们借助工具变量研究了混杂MDPs的策略学习。具体来说，我们首先建立价值函数（VF）为基础的和边缘化的重要性采样（MIS）为基础的识别结果的预期总回报的混淆MDPs。然后，利用悲观主义和我们的识别结果，我们提出了各种策略学习方法与有限样本次优保证下找到最佳的类内策略最小的数据覆盖率和建模假设。最后，我们广泛的理论研究和一个数值研究的动机肾移植证明了所提出的方法有前途的性能。
2022-09-18 cs.LG stat.ME
Does Misclassifying Non-confounding Covariates as Confounders Affect the Causal Inference within the Potential Outcomes Framework?
Jilin University（吉林大学）；Beihang University（北京航空航天大学）
本文通过统一图形框架定量分析将非混杂协变量误分类为混杂变量对因果推断的影响，发现消除混杂偏差时最优协变量仅为混杂变量，而调整变量有助于反事实推断，并经合成数据实验验证。
2023-09-05 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
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
Estimation of the Number Needed to Treat, the Number Needed to be Exposed, and the Exposure Impact Number with Instrumental Variables
针对观察性研究中群体NNT适用性问题，本研究定义组特异性疗效指标EIN和NNE，提出基于工具变量的新估计方法，经模拟验证具统计一致性，还通过真实数据实例展示应用价值。
2024-08-13 stat.ME
Causal Effect Estimation with Variational AutoEncoder and the Front Door Criterion
University of South Australia（南澳大学）；Hefei University of Technology（合肥工业大学）
针对未观测混杂与中介变量并存时的因果效应估计难题，提出 FDVAE，用变分自编码器学习前门调整集表征，并在合成与真实数据集上验证其优越性能。
2023-04-24 cs.LG 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
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
Peer Effect Estimation in the Presence of Simultaneous Feedback and Unobserved Confounders
针对复杂网络中同时反馈与未观测混淆因素导致同伴效应估计不准的问题，提出深度学习框架DIG2RSI，结合I-G转换与2SRI技术消除偏差，实现真实同伴效应的渐近一致估计。
2025-08-05 cs.AI cs.LG stat.ME
The Bias-Variance Tradeoff of Doubly Robust Estimator with Targeted $L_1$ regularized Neural Networks Predictions
ATE的双稳健（DR）估计可以分2步进行，其中在第一步中，对治疗和结果进行建模，并且在第二步中，将预测插入DR估计器中。第一步中的模型错误指定导致研究人员利用机器学习算法而不是参数算法。然而，强混杂因素和/或工具变量（IV）的存在可能导致复杂的ML算法为治疗模型提供完美的预测，这可能违反正性假设并提高DR估计量的方差。因此，必须控制ML算法，以避免对治疗模型的完美预测，同时仍然了解混杂因素与治疗和结果之间的关系。我们使用两个神经网络架构，并研究如何调整他们的超参数，在混淆和IV的存在下，以实现低偏差方差权衡ATE估计，如DR估计。通过模拟结果，我们将提供建议，如何神经网络可以用于ATE估计。
2021-08-02 stat.AP stat.ME stat.ML
Kernel Instrumental Variable Regression
MIT（麻省理工学院）；UCL（伦敦大学学院）
工具变量（IV）回归是一种在观测数据中学习因果关系的策略。如果输入X和输出Y的测量值被混淆，如果有一个直接影响X的工具变量Z，但在给定X和未测量的混淆因素的情况下，它有条件地独立于Y，那么因果关系仍然可以被识别。经典的两阶段最小二乘算法（2SLS）通过将所有关系建模为线性函数来简化估计问题。我们提出了核工具变量回归（KIV），2SLS的非参数推广，在再生核希尔伯特空间（RKHS）的非线性函数的X，Y和Z之间的建模关系。我们证明了在温和的假设下的一致性KIV，并推导出条件下，收敛发生在极小极大最优率无混杂，单阶段RKHS回归。在这样做的过程中，我们获得了算法的第一阶段和第二阶段中使用的训练样本大小之间的有效比率。在实验中，KIV优于非参数IV回归的最新替代方案。
2020-07-15 cs.LG econ.EM math.FA
Deconfounding via Profiled Transfer Learning
Peking University（北京大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；Xiamen University（厦门大学）
提出ProTrans框架，利用轮廓残差从源数据集迁移共享混杂模式，消除目标数据集的未测量混杂偏差，实现无辅助变量的因果效应估计。
2026-06-23 stat.ME
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
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
Identifying effects of multiple treatments in the presence of unmeasured confounding
在存在不可测量的混杂因素的情况下识别处理效应是社会、生物和医学科学中的一个持续问题。在统计遗传学和生物信息学环境中，多种治疗方案中的不可测量混杂问题最常见，研究人员已经开发出许多成功的统计策略，但没有深入研究问题的因果关系。最近有一些尝试弥合这些统计方法和因果推断之间的差距，但这些尝试要么被证明是有缺陷的，要么依赖于完全参数化的假设。在本文中，我们提出了两种策略，用于识别和估计因果关系的影响，在存在不可测量的混杂因素的多种治疗。辅助变量方法利用了与结果没有因果关系的变量;在单变量混杂因素的情况下，我们的方法只需要一个辅助变量，不像现有的工具变量方法需要尽可能多的工具，因为有治疗。另一种无效治疗方法依赖于至少一半混杂治疗对结局无因果影响的假设，但不需要先验知识来确定哪些治疗无效。我们的识别策略不对结果模型施加参数假设，也不依赖于对混杂因素的估计。本文扩展和概括了现有的工作与生物信息学中常用的单一治疗和模型的不可测量的混杂。
2022-07-09 stat.ME
Stochastic Optimization Algorithms for Instrumental Variable Regression with Streaming Data
University of California, Davis（加州大学戴维斯分校）；University of California, San Diego（加州大学圣迭戈分校）；EPFL（洛桑联邦理工学院）；ETH Zurich（苏黎世联邦理工学院）
将工具变量回归视为条件随机优化问题，提出一种无需矩阵求逆和小批量的完全在线流数据算法，证明了其期望收敛速率，并避免了显式建模混淆变量与工具变量关系。
2024-05-29 cs.LG econ.EM math.OC
Heterogeneous Treatment Effect in Time-to-Event Outcomes: Harnessing Censored Data with Recursively Imputed Trees
Faculty of Data and Decisions Sciences, Technion - Israel Institute of Technology（数据与决策科学学院，技术ion-以色列理工学院）；Department of Statistics and Operations Research, Tel Aviv University（统计与运筹学系，特拉维夫大学）
针对生存数据右删失（尤其是重度删失）下异质性治疗效应估计偏差、现有方法难处理工具变量的问题，提出非参数的MISTR方法，用递归插补生存树处理删失，在重度删失场景表现更优且支持工具变量下的未观测混杂因素估计。
2025-07-28 cs.LG stat.ML
