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
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
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
Semiparametric Causal Inference for Right-Censored Outcomes with Many Weak Invalid Instruments
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)
针对生物样本库孟德尔随机化中右删失结局、多弱无效工具下经典方法失效的问题,提出半参数因果推断框架与GEL-NOW方法,推导含删失不确定性的渐近性质,经模拟和UK Biobank数据验证具稳健性与实用性。
2025-10-03 math.ST stat.ME stat.TH
GENIUS-MAWII: For Robust Mendelian Randomization with Many Weak Invalid Instruments
本文提出GENIUS-MAWII方法,利用暴露异方差性实现识别,通过新半参数理论构建连续更新估计量,在众多弱无效工具变量下同时处理弱工具和水平多效性问题,并在模拟和UK Biobank应用中验证其优势。
2024-02-24 math.ST stat.ME stat.TH
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
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
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
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
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
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
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
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
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
Personalized Pricing with Invalid Instrumental Variables: Identification, Estimation, and Policy Learning
University of California, Irvine(加州大学欧文分校);George Washington University(乔治华盛顿大学);University of Michigan at Ann Arbor(密歇根大学安娜堡分校);Duke University(杜克大学)
本文提出PRINT方法,解决未观测因素同时影响价格与收益时的个性化定价问题,利用无效工具变量实现最优定价策略识别与估计,经模拟和实际应用验证了方法有效性。
2026-11-10 cs.LG 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
On the instrumental variable estimation with many weak and invalid instruments
本文研究工具变量有效性未知时的线性IV模型识别问题,提出与最稀疏识别条件相一致的替代惩罚估计方法,在更弱的工具变量强度条件下证明了其理论优势,并通过模拟和BMI对舒张压影响的实证研究验证了方法性能。
2023-12-05 econ.EM stat.ME stat.ML
BudgetIV: Optimal Partial Identification of Causal Effects with Mostly Invalid Instruments
本文提出 BudgetIV 框架,用可解释预算约束容纳多数无效工具变量,精确刻画可能不连通的尖锐因果效应可行集,并在线性、非线性及孟德尔随机化推断中展现优势。
2025-03-16 math.ST q-bio.QM stat.ME
Semiparametric Causal Discovery and Inference with Invalid Instruments
针对未观测混杂因素导致的因果发现难题,提出一种部分线性结构方程模型,可容纳潜在无效工具变量,通过构建替代有效IVs实现识别,在仿真和阿尔茨海默病基因调控网络推断中表现优于现有方法。
2025-04-16 stat.ME
Debiased Estimating Equation Method for Robust and Efficient Mendelian Randomization Using a Large Number of Correlated Weak and Invalid Instruments
Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院);Tsinghua University(清华大学);National Cancer Institute(美国国家癌症研究所);Harvard University(哈佛大学)
提出去偏估计方程方法(DEEM),通过纳入大量相关、弱效应及无效SNPs,消除弱工具偏差并提高因果效应估计的效率与稳健性。
2026-11-04 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
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
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
Adaptive Penalization and Bootstrap-Smoothed Inference for Two-Sample Mendelian Randomization with Summary Data
Lund University(隆德大学);University of Iowa(爱荷华大学);Oklahoma State University(俄克拉荷马州立大学)
针对两样本孟德尔随机化汇总数据,提出MR-ALasso和MR-ALasso-B两种方法。前者引入自适应惩罚权重改进工具变量识别,后者结合自适应lasso选择与自助平滑提升选择后推断效果,通过理论分析、模拟研究和实际应用验证了方法的有效性。
2026-07-22 stat.AP stat.ME
Identification and Estimation of the Bi-Directional MR with Some Invalid Instruments
Beijing Technology and Business University(北京工商大学)
针对双向MR中存在无效工具变量与未测混杂、现有方法依赖专家知识或单向假设的问题,本文提出双向MR可识别的充要条件,设计类聚类融合方法估计因果效应,理论与实验均验证了其有效性。
2024-07-12 cs.LG stat.ME stat.ML
On Mendelian Randomization Mixed-Scale Treatment Effect Robust Identification (MR MiSTERI) and Estimation for Causal Inference
如果定义工具变量(IV)的遗传变异受到混淆和/或对非治疗介导的目标结局具有水平多效性效应,则标准孟德尔随机化分析可能产生偏倚结果。我们提供了新的识别条件的因果关系的治疗中存在的不可测量的混杂,利用无效的IV的独立性和排除限制的假设可能会被违反。孟德尔随机化混合尺度处理效应稳健辨识(MR MiSTERI)方法依赖于(i)假设处理效应不随相加量表上无效IV的变化而变化;以及(ii)由于混杂导致的选择偏倚不随比值比量表上无效IV的变化而变化;和(iii)结果的残差方差是异方差的,因此随着无效IV而变化。我们正式确定,他们的结合可以确定一个因果关系的影响,即使是一个无效的IV受到多效性。MiSTERI被证明是特别有利的,在存在普遍的异质性的多效性效应的加性尺度,设置在其中两个最近提出的稳健估计方法MR GxE和MR GENIUS可以严重偏置。为了将多个,可能相关的和弱IV,MR研究中的一个常见的挑战,我们开发了一个MAny弱无效仪器(MR MaWII MiSTERI)的方法,以加强识别和提高准确性MaWII MiSTERI被证明是强大的水平多效性,违反IV独立性假设和弱IV偏见。仿真研究和实际数据分析结果表明所提出的MR MiSTERI方法的鲁棒性。
2021-03-30 stat.ME
A Novel Approach to Instrumental Variable Estimation: TEAM-IV
University of Iowa(爱荷华大学)
该研究针对工具变量估计中部分工具变量违反排除限制的问题,提出TEAM-IV方法,通过识别有效工具变量集并聚合,在模拟和实证研究中均表现出比现有方法更低的估计误差。
2026-07-31 stat.ME
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
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
Mendelian Randomization Methods for Causal Inference: Estimands, Identification and Inference
The University of Hong Kong(香港大学);Columbia University Irving Medical Center(哥伦比亚大学欧文医学中心);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Columbia University(哥伦比亚大学)
本文全面综述了孟德尔随机化(MR)在因果推断中的方法,围绕因果估计量系统讨论了无效和弱工具变量问题、多种研究设计及高维组学数据应用,为方法学家和应用科学家提供实用指导。
2025-11-02 stat.AP stat.ME
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
Constructive Instrumental Variable Identification and Inference with Many Weak Interaction Moments
National University of Singapore(新加坡国立大学);Duke-NUS Medical School, National University of Singapore(杜克-国大医学院);Columbia University(哥伦比亚大学)
本文提出MAGIC框架,通过构造相互独立工具的互作用矩条件,实现即使所有候选工具可能无效时的识别,采用半参数广义矩估计法和全局Neyman正交性条件保证稳健性。
2026-03-31 stat.ME
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
Leveraging Local Distributions in Mendelian Randomization: Uncertain Opinions are Invalid
针对孟德尔随机化中工具变量可能无效的问题,提出MR-Local方法,利用比值估计的局部分布选择最不确定性的簇进行因果推断,并建立渐近正态性,模拟和真实数据验证其可靠性。
2024-02-04 stat.ME
Nonparametric Identification of Demand without Exogenous Product Characteristics
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);Brown University(布朗大学)
本文提出在更弱的指数限制和‘信仰’条件下,通过重新中心化的工具非参数识别需求,解决了内生产品特征下的需求识别问题。
2026-02-20 econ.EM math.ST stat.ME
The Generalized Falsification Adaptive Set for Violations of the Exclusion Restriction and Exogeneity
University of Innsbruck(因斯布鲁克大学);University of Oxford(牛津大学)
针对工具变量可能违反排除限制或外生性的情况,提出广义伪造自适应集,确保只要存在一个有效工具,真实参数即被包含。
2026-07-02 econ.EM 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
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
Control Variables, Discrete Instruments, and Identification of Structural Functions
在具有不可分和/或多维异质性的计量经济模型中,控制变量提供了控制内禀的重要手段。我们允许离散的工具,在各种限制的方式内生变量和控制变量影响结果的识别结果。我们考虑了许多感兴趣的结构对象,例如平均值或分位数处理效应。我们说明我们的结果与恩格尔曲线估计的实证应用。
2019-12-05 econ.EM 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
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
Partial Identification of Nonseparable Models using Binary Instruments
本研究利用二元工具变量,在结构函数单调或凹的条件下实现不可分离模型的部分识别,并在平坦或线性情形下达到点识别,且真实数据边界具有信息量。
2020-05-29 stat.ME
Instrumental variables system identification with $L^p$ consistency
University of California, Davis(加州大学戴维斯分校)
本文提出一种基于数据合成工具变量的系统辨识方法,证明了在离散和连续时间模型中L^p一致性,实现了非参数√n收敛率,并在洛伦兹系统中显著降低参数偏差和RMSE。
2026-05-07 stat.ME
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 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
Verifiable identification condition for nonignorable nonresponse data with categorical instrumental variables
针对分类工具变量下不可忽略缺失数据的模型识别难题,提出一个易于检验的充分识别条件,并通过数值实验和真实数据验证其有效性。
2023-07-04 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
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
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
Instrument Validity for Heterogeneous Causal Effects
本文提出适用于多值处理等更一般场景的异质性因果效应工具变量有效性非参数检验,证明其渐近性质,通过模拟和教育回报率实证验证效果,并补充相关理论工具。
2023-10-10 econ.EM math.ST stat.TH
Donor's Deferral and Return Behavior: Partial Identification from a Regression Discontinuity Design with Manipulation
针对医务人员操纵血红蛋白水平导致标准断点回归设计失效的问题,提出一种在存在操纵时获取部分识别边界的程序,并发现推迟献血者会降低其未来的志愿行为。
2025-07-13 stat.AP stat.ME stat.ML
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
Identification and Inference for Marginal Average Treatment Effect on the Treated With an Instrumental Variable
在观察性研究中,治疗通常不是随机的,因此估计的处理效应可能会受到混杂偏倚的影响。工具变量(IV)设计起到准实验处理的作用,因为IV与治疗相关,并且仅通过治疗影响结局。在本文中,我们提出了一个新的框架,识别和推理使用的边缘平均处理效应之间的治疗(ETT)在不可测量的混杂的存在下,IV。对于推断,我们提出了三种不同的半参数方法:(i)逆概率加权(IPW),(ii)结果回归(OR),(iii)双稳健(DR)估计,如果(i)或(ii)是一致的,但不一定两者都是一致的。在二进制IV和结果的简单情况下,得到了封闭形式的局部半参数有效估计,并在更一般的情况下导出了效率界。
2016-08-26 stat.ME
Instrumental variables regression
IV回归的背景下,重新采样被认为是在工作中。相比之下,IV模型在发展中的贡献是结构识别。这项工作还包含一个乘数引导的理由。
2018-06-15 math.ST stat.TH