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
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
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
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
High-dimensional instrumental variables regression and confidence sets
本文考虑了具有多个回归变量的线性工具变量模型中的推断,这些回归变量都可以是内生的。我们提出了STIV估计。辨识鲁棒置信集是通过求解线性规划得到的。我们目前的收敛速度,变量的选择,置信集,适应稀疏性的结果,并分析使用偏差校正的线性函数向量的置信带。我们还提供了一些工具是内源性的解决方案。该应用程序是EASI需求系统。
2021-08-06 math.ST stat.TH
Consumer Profile Identification and Allocation
我们提出了一个易于使用的方法来分配一个组,其中以前已经建立了一个完整的学习数据库,新的个人。学习数据库包含每个人的连续和分类变量。组(聚类)是通过只使用连续变量来构建的,并在分类变量的帮助下进行描述。对于新的个体,只有分类变量可用,并且有必要定义一个模型,该模型通过仅使用分类变量来计算属于每个聚类的概率。该模型提供了一个分配新个体的决策规则,为决策者提供了一个有效的工具。该工具被证明是非常有效的客户分配在消费者集群的营销目的,例如。
2007-04-03 cs.NE math.ST stat.TH
A nonparametric instrumental approach to endogeneity in competing risks models
本文讨论了具有持续期结局、竞争风险和随机右截尾的内生治疗模型。使用离散工具变量解决了内点问题。我们发现,竞争风险模型产生一个非参数分位数工具回归问题。特定原因累积发生率、特定原因危害和子分布危害可以从回归函数中恢复。该模型的一个显着特点是,审查和竞争风险防止识别在某些分位数。我们的特点是一组分位数的精确识别是可能的,并给出部分识别结果的其他分位数。我们概述了一个估计过程,并讨论其性质。有限样本性能的估计通过模拟评估。我们将所提出的方法应用于大纽约州的健康保险计划实验。
2021-05-03 econ.EM math.ST q-bio.QM
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
Population based change-point detection for the identification of homozygosity islands
本文提出了一种新的离线检测随机向量分布参数变点的方法。我们引入了一个惩罚的极大似然方法,可以有效地计算的动态规划算法或近似的快速贪婪二进制分裂算法。我们证明了这两种算法几乎必然收敛到变点集的分布和独立采样的随机向量非常一般的假设。特别是,我们表明,分类和高斯随机变量的算法的一致性的假设是满意的。这种新方法的动机是识别群体中个体基因组上的纯合性岛的问题。我们的方法直接解决了在群体水平上识别纯合性岛的问题,而不需要分析单个个体,然后将结果结合起来,就像现在最先进的方法一样。
2021-11-19 stat.AP stat.ME stat.ML
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
Combining Graphical and Algebraic Approaches for Parameter Identification in Latent Variable Structural Equation Models
测量误差在许多变量中普遍存在--从生理学中的血压记录到心理学中的智力测量。结构方程模型(SEM)通过明确区分潜在变量及其测量指标来解释测量过程。用户通常将整个SEM拟合到数据,但如果某些模型参数未被识别,则可能会失败。模型隐含工具变量(MIIVs)方法是一种更灵活的替代方法,可以估计已识别方程中的模型参数子集。在图形模型(如DAG)领域中也存在许多识别单个参数的方法,但其中许多方法都没有考虑测量效应。在这里,我们采取的概念“潜在的观察”(L2 O)转换从MIIV方法和开发一个等效的图形L2 O转换,允许应用现有的图形标准潜在的参数在SEM。本文将L2 O变换与图形工具变量准则相结合,得到了一种有效的非迭代参数辨识算法。我们证明,这种图形化的L2 O变换与工具集标准是等价的最先进的MIIV方法的SEM,并表明,它可以导致新的识别策略时,与其他图形标准相结合。
2023-02-26 math.ST stat.ME stat.TH
Minimax Instrumental Variable Regression and $L_2$ Convergence Guarantees without Identification or Closedness
Cornell University(康奈尔大学);Tsinghua University(清华大学);Massachusetts Institute of Technology(麻省理工学院);Stanford University(斯坦福大学)
本文研究了工具变量(IV)回归的非参数估计.近年来,许多灵活的机器学习方法已经被开发用于工具变量估计。然而,这些方法具有以下限制中的至少一个:(1)将IV回归限制为被唯一地标识;(2)仅获得关于伪度量(\emph{e.g.,}投影范数)而不是有效度量(\emph{e.g.,} $L_2$范数)的估计误差率;或者(3)施加所谓的封闭性条件,其要求某个条件期望算子足够平滑。在本文中,我们提出了第一种方法和分析,可以避免所有这三个限制,同时仍然允许一般的函数近似。具体来说,我们提出了一个新的惩罚极大极小估计,即使有多个解决方案,可以收敛到一个固定的IV解决方案,我们推导出一个强大的$L_2$错误率估计宽松的条件下。值得注意的是,这种保证只需要一个广泛使用的源条件和可实现性假设,而不需要所谓的封闭性条件。我们认为,源条件和封闭性条件本质上是冲突的,因此放松后者显着改善现有的文献,需要这两个条件。我们的估计可以实现这一改进,因为它建立在一个新的配方的IV估计问题作为一个约束优化问题。
2023-02-10 cs.LG econ.EM math.ST
An integral equation for the identification of causal effects in nonlinear models
当X和Y之间的因果关系由结构方程指定时,X对Y的因果效应是当所有其他变量保持固定时,Y相对于X变化的预期变化率。这种因果效应无法从(X,Y)的分布中识别出来。我们给出的条件下,这种因果效应被确定为一个积分方程的解决方案的基础上的分布(X,Z)和(Y,Z),其中Z是一个工具变量。
2021-05-11 math.ST stat.TH
Nonparametric Instrumental Variable Inference with Many Weak Instruments
Netflix Research(Netflix研究);Department of Statistics, University of Washington(华盛顿大学统计学系);Cornell Tech, Cornell University(康奈尔科技,康奈尔大学)
本文提出npJIVE方法,用于非参数工具变量问题中在许多弱工具情况下估计线性逆问题的解。
2026-01-01 math.ST stat.ME stat.ML
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
Determinantal Generalizations of Instrumental Variables
线性结构方程模型使用线性相关性和高斯噪声将随机向量的分量关联起来。每个这样的模型可以自然地与其顶点对应于随机向量的分量的混合图相关联。该图包含表示组件之间的线性关系的有向边,以及对未观察到的混淆进行编码的双向边。我们研究了通用可识别性问题,即线性和混杂效应的通用选择是否可以从观测到的随机向量的联合协方差阵中唯一地恢复。现有的一种用于建立通用可识别性的组合准则是半跋涉准则(HTC),其利用混合图中跋涉系统的存在性在多项式时间内迭代地发现通用可逆线性方程系统。通过集中在边缘的时间,我们建立了新的充分和必要条件的边缘效应扩展的HTC的通用可识别性。特别是,我们展示了如何边缘系数可以恢复为subdeterminants的协方差阵,这构成了一个行列式推广的公式时,使用工具变量进行识别。
2017-02-13 math.ST stat.TH
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
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
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
Nonparametric Instrumental Variable Regression with Observed Covariates
University College London(伦敦大学学院);University of Stuttgart(斯图加特大学)
本文提出了一种结合观测协变量的非参数工具变量回归方法,通过引入傅里叶测度和自适应核长度尺度,实现了对异质因果效应的高效估计,并建立了理论学习速率的上下界。
2025-11-24 cs.LG math.ST stat.ML
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
Individualized Decision-Making Under Partial Identification: Three Perspectives, Two Optimality Results, and One Paradox
不可测量的混杂对因果推断是一种威胁,并导致有偏估计。在这篇文章中,我们考虑的问题,个性化的决策下的部分认同。首先,我们认为,当面临不可测量的混杂,应该追求个性化的决策,全面的方式使用部分识别。我们通过考虑价值/效用函数的下界观点,在部分识别下的个性化决策与经典决策理论之间建立了正式的联系。其次,在这个统一框架的基础上,我们提供了一个新的极大极小解(即,一个规则,最大限度地减少所谓的机会的最大遗憾)个性化的决策/政策分配。最后,我们提供了一个有趣的悖论,利用两个具有挑战性的领域之间的新的连接,即个性化的决策和不可测量的混淆。虽然动机工具变量界限,我们强调,在这篇文章中提出的一般框架将在原则上适用于一组丰富的界限,可能是部分识别。
2021-10-21 math.ST stat.AP stat.ME