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
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
Nonparametric methods for inference in the presence of instrumental variables
我们提出了两种非参数方法,基于核方法和正交级数估计回归函数的工具变量的存在。对于第一次在这类问题中,我们得到最佳的收敛速度,并表明,他们达到特定的估计。在存在工具变量的情况下,确定回归函数的关系也定义了一个不适定的反问题,其“难度”取决于由内生变量和工具变量的联合密度确定的某个积分算子的特征值。我们描绘的问题的困难,在确定最佳的收敛速度和平滑参数的适当选择所发挥的作用。
2006-03-06 math.ST stat.TH
Uniform inference for kernel instrumental variable regression
Seminar for Statistics, ETH Zurich(苏黎世联邦理工学院统计研讨会);Society of Fellows and Department of Economics, Harvard University(哈佛大学费利格学会与经济系);Department of Economics, U.C. San Diego(加州大学圣地亚哥分校经济系)
研究为核工具变量回归开发有效且精确的置信集,核心方法是特定引导程序,主要贡献是提供实用推断程序,提升核方法在因果分析中的价值。
2026-07-07 math.ST stat.TH
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
High-dimensional instrumental variables regression and confidence sets -- v2/2012
这是2012年arXiv:1105.2454v1的修订版。它考虑了STIV估计量的变化,其中,而不是一个圆锥约束,有尽可能多的圆锥约束的时刻(仪器),允许使用更直接的自归一化和适度的偏差。这个想法最早出现在arXiv:1105.2454v1的公式(6.5)中,当时一些工具可以是内生的。为了避免与STIV估计量混淆,此估计量应称为C-STIV。
2019-10-16 math.ST stat.TH
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
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
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
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
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
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
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
On Deep Instrumental Variables Estimate
Indiana University - Purdue University Indianapolis(印第安纳大学与普渡大学印第安纳波利斯联合分校);New Jersey Institute of Technology(新泽西理工学院);Purdue University(普渡大学)
内隐问题是非常重要的,因为许多实证应用可能会受到解释变量的遗漏,测量误差或同时因果关系的影响。最近,\cite{hllt17}提出了一种基于深度神经网络的“深度工具变量(IV)”框架来解决内隐问题,表现出比现有方法更优越的性能。本文的目的是从理论上理解Deep IV的经验成功。具体来说,我们考虑在线性工具变量模型中使用深度神经网络的两阶段估计。通过对内生变量和工具变量之间的简化形式方程施加潜在结构假设,第一阶段估计量可以自动捕获这种潜在结构,并以极小极大最优速率收敛到最优工具,从而摆脱了工具变量的维数,减轻了维数灾难。此外,与经典方法相比,由于第一级估计器的收敛速度较快,第二级估计器具有较小的(二阶)估计误差,对最优工具的光滑性要求较弱。考虑到所采用的深度神经网络的深度和宽度都选择得很好,我们进一步证明了第二阶段估计量达到了半参数效率界。对合成数据的仿真研究和对汽车市场数据的应用证实了我们的理论。
2020-04-30 cs.LG math.ST stat.ML
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
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
Optimal Invariant Tests in an Instrumental Variables Regression With Heteroskedastic and Autocorrelated Errors
本文利用工具变量(IV)回归中的模型对称性推导出因果结构参数的不变检验。与流行的看法相反,我们发现,存在模型对称性时,方程的误差是异方差和自相关(HAC)。我们的理论与已有的同性恋模型的结果一致(Andrews,Moreira,and Stock(2006)and Chamberlain(2007))。我们使用这些对称性,提出了条件集成似然(CIL)测试的因果关系参数的过度识别模型。理论和数值结果表明,CIL测试表现良好,相比其他测试的权力和实施。我们建议从业者在刚识别模型中使用Anderson-Rubin(AR)检验,在过度识别模型中使用CIL检验。
2021-08-31 econ.EM math.ST stat.TH
Adaptive estimation for some nonparametric instrumental variable models
统计学和计量经济学中的内隐问题通常通过引入满足均值独立性假设的工具变量(IV)来处理,即不可观测的是与工具无关的均值。当假设IV和不可观测的完全独立时,非参数IV回归模型和非参数需求模型导致具有未知积分核的非线性积分方程。我们证明了收敛速度的平均积分平方误差的迭代正则化牛顿法适用于这些问题。与相关结果相比,我们得到更强的收敛结果,依赖于较弱的非线性限制。我们证明了在数值模拟的非参数IV回归,该方法产生更好的结果比标准模型。
2021-08-12 econ.EM math.ST stat.CO
Nonparametric Jackknife Instrumental Variable Estimation and Confounding Robust Surrogate Indices
本文将JIVE扩展到多弱IV的非参数IV模型,提出IV拆分法消除偏差并建立学习速率,进一步用于存在混杂时基于短期替代指标的长期结局ATE半参数推断,构建渐近正态估计量实现统计推断。
2024-10-07 math.ST stat.TH
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
A new selection method for high-dimensionial instrumental setting: application to the Growth Rate convergence hypothesis
本文研究了在“工具”环境下的回归型模型中的变量选择问题。我们的研究动机是实证验证经济文献中关于增长率的条件收敛假设。为了避免对工具变量的选择和相关性进行不必要的讨论,我们将模型嵌入到一个非常高维的环境中。我们提出了一个选择过程,没有优化的步骤称为LOLA,学习出适应的领导者。LOLA是一个自动驱动的算法,具有两个阈值步骤。在稀疏性条件下证明了该方法的一致性,并进行了仿真,以说明LOLA的实际良好性能。当工具变量被人为添加而没有先验的显着连接到模型的算法的行为进行了研究。使用我们的算法,我们提供了一个解决方案,模拟增长率和国内生产总值的初始水平之间的联系,并实证证明收敛假设。
2011-03-21 math.ST stat.TH
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
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
ivmodel: An R Package for Inference and Sensitivity Analysis of Instrumental Variables Models with One Endogenous Variable
本文提出了一个综合的R软件ivmodel,用于分析具有一个内生变量的工具变量。该软件包实现了一个一般类的估计量,称为k类估计量和两个置信区间,对弱仪器完全鲁棒。该软件包还提供了工具变量中各种检验统计量的功效公式。最后,该软件包包含敏感性分析的方法,以检查推断对工具变量假设的敏感性。我们展示了卡(1995年)的数据集上的软件,看的因果关系的影响,教育水平的日志收入的工具是接近一个四年制大学。
2020-07-08 stat.AP
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
Partly Linear Instrumental Variables Regressions without Smoothing on the Instruments
针对工具变量识别的半参数部分线性模型,提出不对工具变量平滑的估计方法并扩展Landweber-Fridman正则化方案,证明了渐近正态性并给出收敛速度,模拟表明性能良好。
2023-10-25 econ.EM math.ST stat.TH
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
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
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
Differentially Private Two-Stage Gradient Descent for Instrumental Variable Regression
本文提出了一种具有差分隐私的双重阶段梯度下降算法,用于工具变量回归,解决了隐私保护与统计效率的平衡问题,并通过实验验证了其有效性。
2026-02-15 cs.AI cs.LG econ.EM
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
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
Instrumental variables: A non-asymptotic viewpoint
本文提出线性工具变量估计量的非渐近分析方法,引入新的工具强度度量以构造非渐近置信区间,并用野火烟雾作为工具验证PM2.5污染显著增加哮喘、心脏病和中风等疾病风险。
2024-10-02 math.ST stat.ME stat.TH
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
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
Estimation and inference for high-dimensional nonparametric additive instrumental-variables regression
工具变量的方法提供了一个基本的和实用的工具,因果推断在许多实证研究中,治疗和结果之间的不可测量的混杂存在。现代数据,如来自这些研究的遗传基因组学数据,往往是高维的。高维线性工具变量回归由于其简单性而在文献中被考虑,尽管可能存在真正的非线性关系。我们提出了一个更多的数据驱动的方法,通过考虑非参数加性模型之间的工具和治疗,同时保持一个线性模型之间的治疗和结果,使其中的系数可以直接承担因果关系的解释。我们提供了一个两阶段的框架下,这个更一般的设置估计和推理。首先采用组套索正则化从高维加性模型中选择最佳工具,然后对加性模型的拟合值回归结果变量,以识别和估计重要的处理效应。我们提供了所提出的估计的估计误差的非渐近分析。进一步采用去偏过程来产生有效的推断。大量的数值实验表明,我们的方法可以媲美或优于现有的方法在文献中。最后,我们分析了小鼠肥胖数据,并讨论了我们的方法的新发现。
2022-10-27 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
Identification and Estimation in a Nonseparable Instrumental Variable Model with Multivariate Outcomes
Hitotsubashi University(一桥大学)
针对多元结果中分别估计IVQR模型忽略跨方程相关性的问题,本文提出容纳多元不可观测异质性的非线性工具变量模型,并证明在离散处理与工具变量且正相关足够强时结构函数可局部识别。
2026-09-29 econ.EM math.ST stat.TH
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
An Identification and Dimensionality Robust Test for Instrumental Variables Models
针对异方差工具变量模型,提出基于改进Lindeberg插值技术的识别稳健检验,适配工具变量数远超样本量等场景,结合sup-score统计量提升功效,验证了方法的优异性能。
2024-12-14 econ.EM math.ST stat.TH
A path-sampling method to partially identify causal effects in instrumental variable models
在一般工具变量模型中,部分识别方法是标准点识别方法的一种灵活和鲁棒的替代方法。然而,这种灵活性是以“基数诅咒”为代价的:对所确定的集合的限制数量随着支持内源性处理的点的数量呈指数级增长。本文提出了一种新的路径采样方法来应对这一挑战。它的目的是部分识别因果效应的利益在最复杂的模型与连续的内源性治疗。随机过程表示允许将对个人行为的假设无缝地合并到模型中。一些潜在的应用包括不完全依从性随机试验中的剂量反应估计,社会计划的评估,需求模型中的福利估计和连续选择模型。作为一个示范,该方法提供了翔实的非参数范围内的家庭支出的假设下,支出是连续的。数学上的贡献是一种近似求解无限维线性规划路径空间通过采样。
2020-06-29 econ.EM math.ST stat.TH
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
Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism
Sorbonne University(索邦大学)
基于条件独立的因果推理方法构造马尔可夫等价图,不能应用于二元情况。相反,基于原因和机制独立性的方法则认为因果发现可以从两个观测结果中推断出来。在我们的贡献,我们挑战调和这两个研究方向。我们研究了潜在的变量,如潜在的工具变量和隐藏的共同原因的因果图形结构中的作用。我们发现,基于原因和机制的独立性的方法,间接包含的痕迹存在的隐藏的工具变量。我们推导出一种新的算法来推断两个变量之间的因果关系,我们验证了模拟数据和基准的因果对所提出的方法。我们说明我们的实验,所提出的方法是简单的和极具竞争力的经验准确性相比,国家的最先进的方法。
2020-07-17 cs.AI cs.LG 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
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
Nonparametric Instrumental Variable Analysis Without Structural Equations: Debiased Inference on Functionals of Inverse Problems with No Solutions
University College London(伦敦大学学院);Netflix(网飞);Cornell University(康奈尔大学)
针对无精确解的反问题,提出对有限维泛函进行去偏推断的方法,避免假设结构方程精确成立,确保推断在模型不成立时仍有效。
2026-05-18 econ.EM math.ST 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
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
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
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
Is being an only child harmful to psychological health?: Evidence from an instrumental variable analysis of China's One-Child Policy
本文利用中国独生子女政策的相关数据,评估独生子女对心理健康的影响。本文采用工具变量的方法来解决生育决策和心理健康之间潜在的不可测量的混杂因素,其中工具变量是一个关于独生子女政策实施强度的指标。我们建立了一个本地工具变量方法和主要分层之间的分析联系,以适应连续工具变量。在主要的分层框架内,我们假设一个贝叶斯层次模型来推断政策利益的各种因果估计,同时调整聚类数据结构。我们将该方法应用于中国家庭小组研究的数据,发现独生子女对某些亚群自我报告的心理健康有微小但统计学显著的负面影响。我们的分析揭示了观察到的和未观察到的特征方面的处理效应异质性。特别是城市男性受独生子女的影响最大,如果家庭对独生子女政策的抵抗力更强,负面影响会更大。我们还进行敏感性分析,以评估关键工具变量的假设。
2020-06-11 econ.EM stat.AP
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
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