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
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
Nonparametric identification and efficient estimation of causal effects with instrumental variables
本文整理了基于条件Wald估计量的因果效应非参数识别条件，提出了对应边际和条件因果对比泛函的非参数有效估计量，并通过观察性研究和随机试验验证了方法。
2024-02-14 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
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
Instrumental variable approaches for estimating complier average causal effects on bivariate outcomes in randomised trials with non-compliance
在随机对照试验（RCT）中，治疗不依从的情况下，使用工具变量方法来估计复杂的平均因果效应。我们将这些方法扩展到成本效益分析，其中方法需要认识到成本和健康结果之间的相关性。我们提出了一个贝叶斯全似然（BFL）的方法，它联合模型的随机分配对接受的治疗和结果的影响，和一个三阶段的最小二乘法（3SLS）的方法，它承认之间的相关性的终点，和接受的治疗的endointerval。本研究的动机是REFLUX研究，该研究证实了RCT和常规实践之间依从性差异的设置。通过仿真比较了这些方法的性能。我们发现，未能正确建模的结果和接受的治疗之间的相关性可能会导致不良的CI覆盖率和有偏估计。相比之下，BFL和3sls方法提供了具有良好覆盖率的无偏估计。
2016-12-01 stat.ME
Causal Proportional Hazards Estimation with a Binary Instrumental Variable
工具变量（IV）是在存在不可测量混杂的情况下估计因果效应的有用工具。IV方法对于未经审查的结果，特别是对于结构线性方程模型，其中简单的两阶段估计方案是可用的。将这些方法扩展到生存环境是具有挑战性的，部分原因是流行的生存回归模型的非线性，部分原因是与右删失或其他生存特征相关的并发症。在右删失数据下，我们得到了比例风险模型中一个简单的因果风险比估计。该方法利用IV的特殊特性，其使得能够使用直观的逆加权方案，该方案通常适用于具有左截断、竞争风险或复发事件的更复杂的生存设置。我们严格建立的估计量的渐近性质，并提供插件方差估计。所提出的方法可以在标准软件中实现，并通过广泛的模拟研究进行评估。我们应用所提出的IV方法，从前列腺，肺，结直肠和卵巢癌筛查试验的数据集，以描绘的因果关系的影响，灵活的乙状结肠镜检查结直肠癌的生存率，这可能是混淆的信息不遵守分配的筛选方案。
2019-01-30 stat.ME
Distributional Instrumental Variable Method
ETH Zürich（苏黎世联邦理工学院）；University of Washington（华盛顿大学）
提出分布工具变量方法，利用生成建模在非线性工具变量设置中估计整个干预分布，并证明其可识别性优于传统方法。
2026-06-18 stat.ME stat.ML
Average causal effect estimation via instrumental variables: the no simultaneous heterogeneity assumption
背景：工具变量（IV）可用于提供证据，证明治疗X是否对结果Y具有因果效应。即使工具Z满足相关性、独立性和排除限制的三个核心IV假设，还需要进一步的假设来确定X对Y的平均因果效应（ACE）。这方面的充分假设包括：X对Y的因果效应的同质性; Z与X的关联的同质性;以及无效应修正（NEM）。研究方法：我们描述了不同时异质性（NOSH）假设，该假设要求X-Y因果效应的异质性与均值无关（即，与Z和Z-X关联中的异质性均不相关。例如，如果X-Y效应和Z-X关联没有共同的修改器，并且X-Y效应是加性线性的，则会发生这种情况。我们说明NOSH使用模拟和重新审查选定的已发表的研究。结果如下：当NOSH举行，沃尔德估计等于ACE，即使两个同质性假设和NEM（我们证明是特殊情况下，因此比- NOSH）被违反。结论：NOSH足以鉴别静脉注射ACE。由于NOSH比ACE识别的现有假设弱，因此这样做可能比以前预期的更合理。
2022-11-11 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
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
Estimating Causal Effects with Hidden Confounding using Instrumental Variables and Environments
针对隐藏混杂下的因果效应估计问题，将Causal Dantzig推导为广义矩估计形式，提出可用于连续环境的GCD及GCD-TSLS混合估计器，实验证明其性能优于现有经典方法。
2023-11-09 stat.ME
Identification and estimation of causal peer effects using instrumental variables
针对同伴效应因果推断中的同质性偏差与混杂问题，提出基于双重工具变量的非参数识别方法与三重稳健估计量，并通过模拟和实证研究验证其有效性。
2025-04-26 stat.ME
Causal mediation with instrumental variables
中介分析是一种理解治疗或干预影响后期结果的机制的策略。中介分析经常应用于随机试验环境，但通常假设：a）随机分配是关注的暴露，而不是实际接受干预，b）没有未观察到的中介-结果关系的混杂。与关于估计非随机化暴露总效应的工具变量（IV）方法的丰富文献相反，几乎没有研究将IV用作存在确定结果和中介结果未观察到混杂的识别策略。作为回应，我们定义并确定了新的被估量--复杂的干预直接和间接效应（即，IV中介效应）在两种情况下：1）单一IV暴露，2）两个IV，一个暴露，另一个中介，这可能是相关的。我们提出了非参数的，强大的，有效的估计，并将其应用到住房券实验。
2021-12-27 stat.ME
Causal-DRF: Conditional Kernel Treatment Effect Estimation using Distributional Random Forest
University of Geneva（日内瓦大学）；ETH Zürich（苏黎世联邦理工学院）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）
本文提出Causal-DRF方法，利用分布随机森林算法估计条件核治疗效应，通过森林拟合获得一致且渐近正态的估计值，从而更全面理解治疗效应差异。
2026-04-02 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
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
Fundamental Limits and Optimal Methods for Sharp Analytical Causal Bounds in Instrumental Variable Models
EPFL（洛桑联邦理工学院）；Statistical Laboratory, University of Cambridge（剑桥大学统计实验室）
本文研究了工具变量模型中尖锐分析因果界限的基本限制，证明了任何尖锐界限必须涉及指数增长的线性项，同时提供了高效的计算代码。
2026-04-14 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
Doubly Robust Nonparametric Instrumental Variable Estimators for Survival Outcomes
工具变量（IV）方法使我们有机会解决因果推断中的不可测混杂。然而，大多数IV方法仅适用于离散或连续结局，很少有IV方法适用于删失生存结局。在这项工作中，我们提出了非参数估计的局部平均处理效应的生存概率下不可删失和可删失。我们提供了一个有效的基于影响函数的估计和一个简单的估计过程时，IV是二进制或连续的。所提出的估计具有双重鲁棒性，可以很容易地将非参数估计使用机器学习工具。在模拟研究中，我们证明了我们提出的估计在各种合理的情况下的灵活性和效率。我们将我们的方法应用于前列腺癌、肺癌、结直肠癌和卵巢癌筛查试验，以估计筛查对生存概率的因果影响，并研究在不同删失假设下两种干预措施之间的因果对比。
2020-09-28 stat.ME
Choosing the Right Approach at the Right Time: A Comparative Analysis of Causal Effect Estimation using Confounder Adjustment and Instrumental Variables
本文在多种假设违背情形下解析比较了基于OLS的混杂调整与基于2SLS的工具变量方法在估计平均因果效应时的不一致性，并提出敏感性框架和实用准则，通过模拟及Card教育收益案例验证其指导价值。
2024-11-23 stat.ME
Efficient Identification in Linear Structural Causal Models with Instrumental Cutsets
Purdue University（普渡大学）；Brex Inc.（Brex公司）；Columbia University（哥伦比亚大学）
在进行数据分析时，最常见的错误之一是将因果意义归因于回归系数。从形式上讲，只有当一个因果效应可以从观测数据和所研究领域的结构知识中识别出来时，才能计算出它（Pearl，2000，第5章）。建立在文献的工具变量（IV），大量的方法已被开发出来，以确定线性系统中的因果效应。然而，几乎无一例外地，最强大的这种方法依赖于指数时间的程序。在本文中，我们调查的图形条件，使有效的识别在任意线性结构因果模型（SCM）。特别是，我们开发了一种方法来有效地找到无条件的工具子集，这是IVs的推广，可用于驯服的复杂性，在文献中发现的许多典型的算法。此外，我们证明，确定是否可以用TSID识别效果（Weihs等人，2017），一种比无条件工具集和其他有效识别算法更强大的方法，是NP完全的。最后，建立在流约束的思想，我们引入了一个新的和有效的标准，称为工具割集（IC），这是能够解决所有其他现有的多项式时间算法错过的参数。
2019-10-29 cs.AI stat.ME
Frameworks for Estimating Causal Effects in Observational Settings: Comparing Confounder Adjustment and Instrumental Variables
本文提出在假设可能违背时比较混杂因素调整与工具变量估计的原则，并通过多奈哌齐治疗 MCI 的实例说明方法选择。
2023-04-28 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
Robust estimation of causal dose-response relationship using exposure data with dose as an instrumental variable
本文提出一种以剂量为工具变量、无需假设真实暴露-反应模型的稳健估计方法，结合控制变量与ANCOVA调整，在模型误设下仍一致，并应用于Car-T随机剂量试验。
2025-08-06 stat.ME
Testing the Validity of Instrumental Variable Sets in Causal Additive Models with Non-Constant Effects
Beijing Technology and Business University（北京工商大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Peking University（北京大学）；Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文针对CAM-NCE下IV集有效性检验问题，提出CAT条件并扩展至含协变量场景，开发有限样本算法，经多类数据实验验证了方法的有效性与实用性。
2026-08-21 stat.ME
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
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
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
Distributionally Robust Instrumental Variables Estimation
本文提出DRIVE，一种基于Wasserstein距离的分布鲁棒工具变量估计方法，通过最小化岭正则化TSLS目标的平方根变体，在不要求正则化参数消失的情况下实现一致性，对模型假设和分布偏移具有鲁棒性。
2024-12-22 econ.EM math.OC math.ST
Semiparametric Efficient G-estimation with Invalid Instrumental Variables
工具变量方法广泛应用于健康和社会科学领域，用于在存在潜在不可测量混杂因素的情况下识别和估计因果效应。为了提高效率，常规使用多个工具，导致对由于可能违反工具变量假设而导致的偏倚的担忧。为了解决这个问题，我们引入了一类新的g-估计量，保证保持一致和渐近正常的因果效应的利益，提供了一组至少$γ$的$K$候选工具是有效的，为$γ\leq K$设置的分析师事前，不一定知道的身份的有效和无效的工具。我们提供正式的半参数有效性理论支持我们的结果。模拟研究和英国生物银行数据的应用表明，我们的估计相比，竞争的方法优越的经验性能。
2022-04-17 stat.ME
Robust instrumental variable methods using multiple candidate instruments with application to Mendelian randomization
孟德尔随机化是利用遗传变异从观察数据中进行因果推断。该领域目前正在经历一场革命，这是由于越来越多的遗传变异被证明与全基因组关联研究中的暴露相关，以及有关遗传变异与大型财团的暴露和结果的汇总数据的公开可用性。使用汇总数据可以相对简单地进行具有许多遗传变异的孟德尔随机化分析。然而，只有当每个遗传变异满足工具变量的假设时，因果解释才有保证。为了防止这些假设的失败，已经提出了用于工具变量分析的稳健方法。在这里，我们开发了三个扩展工具变量方法使用：i）鲁棒回归，ii）惩罚的权重从候选工具与异质因果估计，和iii）L1惩罚。结果从各种各样的强大的方法，包括最近提出的MR-Egger和中位数为基础的方法，进行了比较，在一个广泛的模拟研究。我们证明了两种方法，稳健回归的逆方差加权方法和一个简单的中位数的因果估计从个别变量，有相当大的改善1型错误率相比，传统的方法在各种各样的情况下，高达30%的遗传变异是无效的工具。虽然MR-Egger方法在满足其假设时给出了无偏估计，但这些估计的效率低于其他方法，并且对违反假设的情况高度敏感。应常规使用做出不同假设的方法来评估应用孟德尔随机化研究多种遗传变异结果的稳健性。
2018-08-30 stat.ME
Partial Identification of Distributional Parameters in Triangular Systems
研究了三角系统分布参数的部分辨识问题。该模型由一个非参数结果方程和一个选择方程组成。这允许一般的未观察到的异质性和对不可观察的选择。本文所考虑的分布参数是潜在结果的边缘分布、它们的联合分布和处理效应的分布。我调查如何不同类型的合理的限制有助于确定这些参数。我考虑的限制包括随机优势和象限之间的依赖性不可观测和单调性之间的潜在结果。我的鉴定适用于整个人口没有充分支持条件的工具变量，不依赖于排名相似性。我还提供了数值例子来说明每个假设的识别能力。
2014-11-07 stat.ME
Distributional Balancing for Causal Inference: A Unified Framework via Characteristic Function Distance
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文提出基于特征函数距离的统一框架，用于非参数分布平衡，以提高因果推断的准确性，并通过理论分析和实证研究验证其有效性。
2026-02-05 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
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
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 Structural Mean Models with Multiple Instrumental Variables Using the Generalised Method of Moments
以遗传标记为工具的工具变量分析是流行病学和生物统计学中广泛应用的技术。由于单个标记往往只能解释一小部分表型变异，因此越来越多的人对使用多个遗传标记来获得更精确的因果参数估计值感兴趣。结构均值模型（SMM）是使用工具变量来识别因果参数的半参数模型。最近，人们的兴趣开始集中在使用这些模型与多个工具，特别是乘法和逻辑SMM。在本文中，我们将展示如何添加剂，乘法和逻辑SMM与多个正交二进制工具变量可以有效地估计模型，没有进一步的（连续）协变量，使用广义矩（GMM）估计方法。我们讨论了如何汉森J检验可以用来测试模型的误指定，以及如何标准的GMM软件例程可以用来适应SMM。我们进一步表明，乘法SMM，如添加剂SMM，确定加权平均的局部因果效应，如果选择是单调的。我们使用这些方法来重新分析肥胖和高血压之间的关系的研究，使用SMM与两个遗传标记作为肥胖的工具。我们发现肥胖对高血压有很强的影响。
2015-04-08 stat.ME
Instrumental Variable with Competing Risk Model
在本文中，我们讨论了因果推断的疗效治疗或药物的时间事件的结果与竞争风险。虽然治疗组可以随机化，但依从性和结局之间可能存在混淆。即使在对测量的协变量进行调整后，也可能存在未测量的混杂。工具变量（IV）方法通常用于在存在不可测量的混淆的情况下产生因果参数的一致估计。基于子分布风险的半参数加性风险模型，我们提出了一个工具变量估计量，以在竞争风险环境中存在不可测量的混杂效应时得到一致的疗效估计。我们推导出所提出的估计量的渐近性质。仿真结果表明，该估计器在有限样本量下具有良好的性能.我们将我们的方法应用于一个真实的移植数据示例，并表明未测量的混淆导致效应估计的显著偏倚（约50%衰减）。
2016-12-04 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
Anchor regression: heterogeneous data meets causality
我们考虑从一组协变量中预测一个响应变量的问题，这些协变量在一个数据集上的分布与训练数据不同。因果参数是最佳的预测精度，如果在新的分布中，许多变量受到影响的干预措施或只有一些变量受到影响，但扰动很强。如果训练分布和测试分布相差一个偏移，那么因果参数可能过于保守，无法很好地执行上述任务。这激发了锚回归，一种利用外生变量通过考虑最小二乘损失的修改来解决因果极大极小问题的松弛的方法。该过程自然地提供了普通最小二乘和两阶段最小二乘的解决方案之间的插值。我们证明了估计满足预测保证的分布鲁棒性对线性类中的移位，这些保证是有效的，即使违反了工具变量的假设。如果锚回归和最小二乘法提供相同的答案（锚稳定性），我们建立OLS参数在某些分布变化下是不变的。锚回归的经验表明，以提高可复制性和防止分布的变化。
2020-05-08 stat.ME
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
The Nudge Average Treatment Effect
本文提出一种替代单调性假设的识别条件，允许存在违抗者和异质处理效应，证明工具变量估计量可恢复受工具变量操纵的子群的平均因果效应，即Nudge平均处理效应。
2025-08-12 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
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
Instrumental Variable Methods using Dynamic Interventions
动态干预的最新研究大大扩展了研究人员可以研究的因果问题的范围，同时削弱了识别假设并产生了更实际相关的效果。然而，迄今为止，动态干预的大多数工作都集中在我们直接改变一些感兴趣的无混淆治疗的设置上。在政策分析中，决策者很少有这种程度的行为控制或获得实验数据。相反，他们经常面临的治疗，他们只能间接影响，其效果必须从观察数据中学习。在本文中，我们提出了新的估计和估计的因果效应的动态干预的基础上与工具变量。这种方法不依赖于参数模型，也不需要实验。相反，我们估计动态干预对工具的影响。这种稳健性应使决策者放心，这些估计数可用于有效地为政策提供信息。我们证明了这种估计策略的有用性，在一个案例研究中考察了探视对累犯的影响。
2019-07-08 stat.ME
Prediction of causal genes at GWAS loci with pleiotropic gene regulatory effects using sets of correlated instrumental variables
本研究利用相关工具变量的多变量孟德尔随机化预测GWAS位点的因果基因，通过因果推断理论证明其有效性，并在冠状动脉疾病数据中识别出十二个位点的因果基因。
2024-09-20 q-bio.QM stat.ME
Connecting Instrumental Variable methods for causal inference to the Estimand Framework
根据最近发表的关于国际协调理事会E9指南临床试验中被估量和敏感性分析的附录，因果推断方法在药物开发中越来越重要。E9附录强调需要考虑随机化后或“并发”事件，这些事件可能影响试验结束时处理效应估计值的解释。工具变量（IV）方法已广泛用于经济学、流行病学和学术临床研究中的“因果推断”，但迄今为止在制药行业环境中的应用较少。在本教程中，我们回顾了因果推断的基本工具，包括图形图表和潜在的结果，以及几个概念框架，一个IV分析可以坐在里面。我们详细讨论了如何映射这些方法的治疗政策，主要阶层和假设的“估计策略”中介绍的E9增编，并提供其实施使用标准回归模型的细节。特别注意讨论每种估计策略所依赖的假设，以保持一致，在何种程度上可以进行实证测试和敏感性分析，其中特定的假设可以放宽。最后，我们将所描述的方法应用于与最近两项药物试验密切匹配的模拟数据，以进一步激发和澄清这些想法
2021-04-29 stat.AP 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
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
Instrumental Variable Estimation for Causal Inference in Longitudinal Data with Time-Dependent Latent Confounders
University of South Australia（南澳大学）
针对纵向数据中潜在时变混杂因素导致的因果推断难题，提出基于RNN的时变工具因子模型TIFM，经理论分析与合成、真实数据集验证，可有效估计时变因果效应。
2023-12-12 cs.AI cs.LG stat.ME
Identifiability of Sparse Causal Effects using Instrumental Variables
本文研究工具变量下稀疏线性因果模型的可识别性，提出图形准则与spaceIV估计器，并证明其一致性及在不可识别时恢复部分因果父节点的能力。
2024-10-18 math.ST stat.ME stat.ML
Confounder-robust causal discovery and inference in Perturb-seq using proxy and instrumental variables
University of Pennsylvania（宾夕法尼亚大学）
提出一种利用代理变量和工具变量策略，从存在未观测混杂的 Perturb-seq 数据中准确重建因果基因网络的方法，在合成数据和真实实验上优于基线方法。
2026-06-05 stat.AP stat.ME
Causal Graphs: Addressing the Confounding Problem Without Instruments or Ignorability
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
