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
Possibilistic Instrumental Variable Regression with Potentially Invalid Instruments
Nanyang Technological University（南洋理工大学）；University of Warwick（华威大学）
针对工具变量回归中识别有效工具变量困难的问题，提出基于可能性理论的新方法，对处理效应进行后验推断，在工具外生性假设潜在违反时也能得有效结果，还给出有限样本覆盖保证等。
2026-07-07 econ.EM math.ST stat.ME
A statistician's guide to weak-instrument-robust inference in instrumental variables regression with illustrations in Python
本文概述工具变量回归中弱工具变量稳健推断的相关结果，介绍其在Python的ivmodels软件包中的实现并提供实例展示。
2025-08-17 econ.EM stat.ME
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
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 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
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
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
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
Optimal Categorical Instrumental Variables
本文提出分类工具变量估计量（CIV），利用正则化假设在每类观测数较少时实现根n渐近正态和半参数有效，并在法官固定效应应用中优于刀切法IV估计量。
2024-05-23 econ.EM stat.ML
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
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
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
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
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
Testing the Exogeneity of Instrumental Variables and Regressors in Linear Regression Models Using Copulas
本文提出基于 Copula 的线性回归工具变量外生性 Wald 检验，并通过模拟验证其在内生情形下具有较高检验力、在外生情形下误拒率随样本量下降。
2024-01-27 econ.EM 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
Rejoinder to discussions on "Instrumental variable estimation of the causal hazard ratio"
我们回应评论我们的论文，题为“工具变量估计的因果风险比。"
2022-10-24 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
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 falsification of the binary instrumental variable model
工具变量被广泛用于在存在不可测量混杂的情况下估计因果效应。离散工具变量模型对观测数据的规律具有可检验的意义。然而，目前的工具效度评估通常只基于主题的参数，而不是这些可测试的影响，部分原因是缺乏正式的统计测试与已知的属性。在本文中，我们开发了简单的程序来测试的二进制工具变量模型。我们的方法是基于现有的方法比较两种治疗方法，如t检验和盖尔-西蒙测试。我们说明了测试的工具变量模型的重要性，通过评估大学的接近使用全国青年男子纵向调查的外生性。
2016-11-21 stat.ME
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
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
One-step smoothing splines instrumental regression
本文提出一种一步平滑样条工具回归估计量，仅依赖单一正则化参数，推导其在内生变量支撑集上的一致收敛速度，并支持单调性约束与部分线性模型，模拟和Engel曲线应用验证了其优势。
2024-12-09 econ.EM 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
Bias Reduction in Instrumental Variable Estimation through First-Stage Shrinkage
两阶段最小二乘（2SLS）估计是已知的有偏时，其第一阶段的拟合差。我表明，更好的第一阶段预测可以减轻这种偏见。在带正态噪声的两阶段线性回归模型中，考虑了第一阶段工具变量系数估计中的收缩效应。对于至少四个工具变量和一个单一的内生回归，我建立了标准的2SLS估计是占主导地位的偏差。占主导地位的IV估计应用詹姆斯-斯坦型收缩在第一阶段的高维正态平均值问题，其次是控制功能的方法在第二阶段。它保持了结构辅助变量方程的不变性。
2017-10-31 econ.EM math.ST stat.ME
Rejoinder of "Instrumental Variables: An Econometrician's Perspective"
"工具变量：计量经济学家的观点"的反驳。因本斯[arXiv：1410.0163]。
2014-10-02 stat.ME
Simultaneous-equation Estimation without Instrumental Variables
对于线性方程组中的单个方程，通过工具变量进行估计是标准方法。然而，在实践中，往往很难找到有效的手段。本文提出了一种最大似然法，不需要工具变量，它是通过模拟和一个真实的数据集。
2017-09-27 math.ST stat.AP 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
Learning Instrumental Variables with Non-Gaussianity Assumptions: Theoretical Limitations and Practical Algorithms
从观测数据中学习因果效应并不简单，因为如果没有进一步的假设，这是不可能的。如果治疗$X$和结局$Y$之间隐藏的共同原因不能被其他测量阻断，一种可能性是使用工具变量。原则上，在某些假设下，可以发现变量是否在结构上有助于目标因果效应$X \rightarrow Y$，但目前的框架在这些假设的一般性方面有所欠缺。工具变量发现问题是具有挑战性的，因为没有变量可以作为工具单独测试，而只能在组中测试，但是不同的变量可能需要不同的条件才能被视为工具。此外，识别约束可能难以在统计上检测。在本文中，我们给出了一个理论表征的工具变量发现，突出可识别性问题和解决方案，需要非高斯假设，以及它们如何适合现有的方法。
2015-11-09 stat.ML
Causal Inference with Invalid Instruments: Post-selection Problems and A Solution Using Searching and Sampling
本文针对无效工具变量难以与有效工具变量区分时现有置信区间覆盖不足的问题，提出结合搜索与抽样的方法构造一致有效且更精确的置信区间，并在R包RobustIV中实现。
2023-04-16 math.ST stat.ME stat.TH
Think Globally, Act Globally: An Epidemiologist's Perspective on Instrumental Variable Estimation
关于“工具变量：计量经济学家的观点”的讨论。因本斯[arXiv：1410.0163]。
2014-10-02 stat.ME
Dual Instrumental Variable Regression
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zürich（苏黎世联邦理工学院）；Booth School of Business（布斯商学院）；University of Chicago（芝加哥大学）
我们提出了一种新的算法，非线性工具变量（IV）回归，DualIV，它简化了传统的两阶段的方法，通过一个双制定。受随机规划中问题的启发，我们证明了非线性IV回归的两阶段过程可以重新表述为一个凸-凹鞍点问题。我们的配方使我们能够绕过第一阶段的回归，这是一个潜在的瓶颈，在现实世界中的应用。我们开发了一个简单的基于内核的算法与基于此配方的解析解。实证结果表明，我们是有竞争力的现有的，更复杂的非线性工具变量回归算法。
2020-10-24 cs.LG econ.EM stat.ML
Instrumental Variables Before and LATEr
工具变量方法的现代表述，开启了经济学与统计学因果推断文献之间有价值的互动，推动了因果推理思想的新创新。它有助于解决统计学家过去对方法的长期困惑，并鼓励经济学家重新思考如何在政策分析中使用工具变量。【arXiv：1410.0163】
2014-10-02 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
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
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
Are Instrumental Variables Really That Instrumental? Endogeneity Resolution in Regression Models for Comparative Studies
我们提供了一个理由，为什么，什么时候，内隐函数不会导致偏差的解释中的回归模型的系数。这种技术可以作为工具变量方法的一种可行的替代方法，甚至可以与之一起使用。我们表明，在进行任何比较研究时，可以在广泛的条件下测量系数的真实变化。只要解释变量之间的协方差结构与误差项和解释变量之间的协方差的乘积相等，我们的结果就成立，无论是在不同时间段的同一系统内还是在同一时间点的多个系统之间。
2022-03-27 cs.NA econ.GN math.NA
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
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
Instrumental Variables: An Econometrician's Perspective
我回顾了最近的工作，在统计文献的工具变量方法从计量经济学的角度。我讨论了一些旧的，经济的，应用程序，包括供应和需求模型，并将它们与最近的应用程序设置的随机实验不遵守。我讨论的假设基础工具变量的方法，并在什么样的设置，这些可能是合理的。通过提供当前应用程序的上下文，可以更好地理解这些方法的适用性。
2014-10-01 stat.ME
On Doubly Robust Estimation with Nonignorable Missing Data Using Instrumental Variables
针对非不可忽略缺失数据的结局均值估计问题，提出基于工具变量的半参数双重稳健估计方法，在部分模型误设下仍具一致性与渐近正态性，经模拟验证并应用于HIV血清阳性率评估的缺失数据校正。
2024-08-17 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
LASSO Methods for Gaussian Instrumental Variables Models
在本文中，我们建议使用稀疏方法（例如LASSO，Post-LASSO，sqrt-LASSO和Post-sqrt-LASSO）来形成第一阶段的预测和估计最佳的工具在线性工具变量（IV）模型中，在典型的高斯情况下有许多工具。即使仪器数量远大于样本量，这些方法也适用。我们推导出所得到的IV估计的渐近分布，并提供条件下，这些稀疏的IV估计是渐近预言有效的。在模拟实验中，一个基于稀疏性的IV估计与数据驱动的惩罚表现良好相比，最近提倡的许多仪器的鲁棒程序。我们使用Angrist和Krueger（1991）的学校教育数据在一个实证例子中说明了这一过程。
2011-02-23 econ.EM math.ST stat.AP
Detecting Heterogeneous Treatment Effect with Instrumental Variables
在随机和观察性研究中，人们越来越关注因果效应的异质性估计。然而，很少有研究已经进行了了解异质性的工具变量研究。在这项工作中，我们提出了一种方法来估计异质因果效应使用工具变量的方法。该方法有两个部分。第一部分使用主题知识和可解释的机器学习技术，如分类和回归树，以发现潜在的效果修饰符。第二部分使用封闭测试来测试效应修饰符的统计显著性，同时强烈控制族错误率。我们在俄勒冈州健康保险实验中进行了这种方法，估计了医疗补助对个人健康不妨碍其日常活动的天数的影响，并发现了偏好英语的老年男性和不自我认同为亚洲人的年轻人的异质性证据，他们最多有高中文凭或GED，更喜欢英语。
2021-01-19 stat.AP 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
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
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
Flexible Instrumental Variable Models With Bayesian Additive Regression Trees
利用工具变量的方法是在存在未测量混杂的情况下进行估计的基本统计方法，通常发生在经济学和公共卫生等领域常见的非随机观察数据中。然而，这些方法通常会限制线性和可加性假设，这些假设不适用于当今复杂的建模挑战。越来越多的观测数据被收集，将需要灵活的回归建模，同时也能够使用工具变量控制混杂。因此，本文提出了一个非线性工具变量回归模型的基础上贝叶斯回归树集成估计这种关系，包括相互作用，在存在混淆。这种方法的一个令人兴奋的应用是使用遗传变异作为工具，称为孟德尔随机化。体重指数是一个被假设与心血管危险因素（如血压）存在非线性关系的因素，同时与年龄相互作用。从强调个体化治疗的精准医学角度来看，患者特征（如年龄）的异质性可能在临床上很有趣。我们提出了我们灵活的贝叶斯工具变量回归树的方法，从英国生物银行的一个例子，身体质量指数与血压使用遗传变异的工具。
2022-10-04 stat.ME
Shrinkage priors for linear instrumental variable models with many instruments
从贝叶斯的角度研究了线性工具变量模型中的弱工具问题。新方法有两个组成部分。首先，一种新的预测依赖收缩先验开发的许多仪器设置。先验是基于观测仪器矩阵的因子模型分解构建的，允许许多仪器以稳健的方式纳入分析。其次，新的先验通过重要性抽样方案，它利用后验蒙特卡罗样本从第一阶段贝叶斯回归分析。这种模块化计算使敏感性分析变得简单明了。两个仿真研究证明了新方法的优点。作为一个实证说明，新方法被用来估计一个关键参数的宏观经济模型：跨期替代弹性。实证分析产生了实质性的结论与以前的研究，但某些不一致的早期分析得到解决。
2014-08-03 stat.ME
Instrumental Processes Using Integrated Covariances
工具变量法常用于混杂情况下的参数估计。它们也可以应用于随机过程。工具变量分析利用矩方程来获得因果参数的估计量。我们表明，在随机过程中，可以找到这样的时刻方程使用集成的协方差阵。这提供了新的工具变量的方法，工具变量的方法在一类连续时间的过程，以及离散和连续时间过程的统一处理。
2023-02-21 math.ST stat.TH
Likelihood-based Instrumental Variable Methods for Cox Proportional Hazard Models
在生物统计学及相关领域中，考克斯比例风险模型被广泛用于协变量调整的分析。然而，当某些协变量未被观测时，通常无法获得无偏估计量。即使存在一些不可测量的协变量，也可以在一定的假设条件下应用工具变量方法。本文对考克斯比例风险模型提出了一种新的工具变量估计。估计量是与Martinez-Camblor等人相似的特征，2019年，但不完全相同;我们使用有限信息极大似然的思想。我们表明，估计有良好的理论性质。此外，我们确认我们的方法和以前的方法通过模拟数据集的属性。
2022-06-02 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
Confidence Intervals for Causal Effects with Invalid Instruments using Two-Stage Hard Thresholding with Voting
工具变量（IV）分析的一个主要挑战是找到有效的工具，或者对结果没有直接影响并且是可验证的。通常，人们不确定是否所有推定的IV实际上都是有效的。我们提出了一个一般的推理过程中存在的无效IV，称为两阶段硬持票（TSHT）与投票。TSHT使用两个硬阈值步骤来选择强仪器并生成有效IV的候选集。投票采用候选集并使用多数和复数规则来确定有效IV的真实集。在低维情况下，如果满足无效工具下的充分必要识别条件，这比所谓的50%规则或多数规则更一般，我们的建议（i）正确地选择有效的IV，（ii）一致地估计因果效应，（iii）为因果效应产生有效的置信区间，（iv）具有预言机最优宽度。在高维中，我们建立了几乎相同的结果没有预言最优。在模拟中，我们的建议优于传统的和最近的方法在无效的IV文献。我们还应用我们的方法来重新分析教育对收入的因果影响。
2017-08-08 math.ST stat.ME stat.TH
