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
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
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
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
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
Perturbative methods for non-parametric instrumental variable
University of Cambridge(剑桥大学)
提出一种受物理微扰论启发的非参数工具变量估计方法,通过系统的高阶微扰校正改进核岭回归,在高维病态问题中预测误差降低高达99%。
2026-05-29 cs.LG stat.ML
An Instrumental Variable Approach to Account for Informative Treatment Switching in Real-world Evidence
University of Minnesota(明尼苏达大学);University of Pennsylvania(宾夕法尼亚大学);University of Pittsburgh(匹兹堡大学)
针对真实世界研究中信息性治疗转换导致的偏倚,提出基于工具变量的估计方法,通过基线治疗作为工具变量,结合鞅残差过程识别结构累积生存模型下的处理效应,并具有双重稳健性。
2026-07-01 stat.ME
Isotropy testing in spatial point patterns: nonparametric versus parametric replication under misspecification
本文提出将非参数复制方法整合到空间点模式各向同性检验的通用框架,并通过大规模模拟研究证明其在模型误设定下相比参数复制方法能更稳健地控制检验水平和功效。
2025-04-08 stat.ME
Evaluating A Key Instrumental Variable Assumption Using Randomization Tests
工具变量(IV)分析在卫生服务研究和流行病学中越来越普遍。大多数IV分析使用自然发生的仪器,例如到医院的距离。在这些分析中,研究者必须假设仪器是随机分配的。这个假设无法直接检验,但可以被证伪。文献中的大多数证伪检验比较了仪器和暴露之间观察到的协变量的相对患病率或偏倚。这些检验要求研究者对IV设计的有效性进行逐协变量判断。通常,只有一些协变量是均衡的,因此不清楚是否可以假设所有协变量的工具都是随机化的。我们提出了一种替代的证伪检验,比较IV平衡或偏倚与随机化下产生的平衡或偏倚。我们的测试的一个关键优势是,它允许全球平衡措施以及易于解释的图形比较。此外,我们的检验不依赖于任何参数假设,可用于有效评估工具是否比暴露量更接近随机化。我们证明了我们的方法在最近的IV应用程序,使用病床的可用性在重症监护病房(ICU)作为一种工具,进入ICU。
2019-07-03 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
A Review of Statistical Methods for Handling Nonignorable Missing Data using Instrument Approach
Georgia Institute of Technology(佐治亚理工学院)
本文综述了利用工具变量处理不可忽略缺失数据的统计方法,重点介绍了两种半参数框架及其关键进展与挑战。
2025-09-18 stat.ME
A Practical Guide to Instrumental Variables Methods with Heterogeneous Treatment Effects
Brandeis University(布兰迪斯大学);University College London(伦敦大学学院);LMU Munich(慕尼黑大学)
本文提供工具变量方法在异质处理效应框架下的实用指南,讨论了不同规范对协变量加权平均的影响,参数误设的因果解释问题,以及LATE假设检验方法。
2026-11-13 econ.EM stat.ME
Interpretable Almost-Matching-Exactly With Instrumental Variables
Duke University(杜克大学)
观察性研究中因果效应估计的不确定性通常是由于未测量的混杂因素,即,未观察到的协变量的存在与治疗和结局相关。工具变量(IV)通常用于减少未测量混杂的影响。现有的IV估计方法要么需要强参数假设,使用任意的距离度量,要么不能很好地扩展到大型数据集。我们提出了一个匹配的框架,IV在观察到的分类混杂因素,解决这些弱点的存在。我们的方法首先精确匹配单位,然后连续删除变量,以尽可能多的变量近似匹配剩余的单位。我们表明,我们的算法构造更好的匹配比其他现有的方法在模拟数据集上,我们产生有趣的结果,在政治拉票的应用。
2019-07-28 cs.LG 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
A Non-parametric Direct Learning Approach to Heterogeneous Treatment Effect Estimation under Unmeasured Confounding
针对无未测量混杂假设在实际研究中难以满足的问题,提出借助工具变量估计存在未测量混杂时条件平均处理效应的通用框架,构建了更高效稳健的估计量,并通过模拟与真实数据验证了有效性。
2024-10-08 stat.ME
Average Treatment Effect Estimation with Non-binary Instrumental Variables
University of Toronto(多伦多大学);Shanghai Jiao Tong University(上海交通大学);University of Ottawa(渥太华大学);Princess Margaret Cancer Centre, University Health Network(公主玛格丽特癌症中心,联合健康网络)
本研究针对非二元工具变量的平均处理效应估计问题,提出广义Wald估计量及局部有效去偏估计量,经模拟和肺癌队列应用验证,其性能稳定且效率更高,揭示肥胖悖论背后的残余混杂。
2026-08-26 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
A Doubly Robust Instrumental Variable Approach for Estimating Average Treatment Effects in Time-to-Event Data with Unmeasured Confounding: Application to Real-World Data on ICU Patients with Septic Shock
针对感染性休克ICU患者真实世界数据中的未测量混杂问题,提出基于EIF的双稳健、渐近有效IV估计量,并发现氢化可的松对死亡率无显著获益或危害。
2025-03-16 stat.ME
Doubly robust machine learning for an instrumental variable study of surgical care for cholecystitis
本文针对急性胆囊炎手术与非手术治疗的比较效果问题,提出基于双重稳健机器学习的工具变量估计方法,并扩展至异质性效应、主层分析和假设敏感性评估。
2023-07-12 stat.AP stat.ME
Full Matching Approach to Instrumental Variables Estimation with Application to the Effect of Malaria on Stunting
以往大多数关于疟疾和发育迟缓之间因果关系的研究都是通过基于回归的方法控制潜在混杂因素的研究,但这些研究可能因未观察到的混杂因素而存在偏倚。工具变量(IV)回归提供了一种控制未测量混杂因素的方法,在我们的情况下,镰状细胞性状可以用作工具。然而,为了使该工具有效,考虑测量的混杂因素可能仍然很重要。最常用的工具变量回归方法,两阶段最小二乘法,依赖于测量混杂因素的影响的参数假设来解释它们。此外,两阶段最小二乘法在协变量平衡和受试者权重方面缺乏透明度,并且不会使研究人员对结果数据视而不见。为了解决这些缺点,我们提出了一种基于完全匹配的IV估计的替代方法。我们评估我们的新程序的模拟数据和真实数据的因果关系影响疟疾儿童发育迟缓。我们估计,镰状细胞性状儿童发育迟缓的风险比镰状细胞性状预防的疟疾发作平均次数减少0.22倍,这是疟疾对发育迟缓的重大影响(p值:0.011,95%CI:0.044,1)。
2015-11-10 stat.AP stat.ME
Propensity Score Adapted Covariate Selection for Causal Inference
本文提出了一种适应于倾向得分的变量选择方法,用于选择倾向得分模型中的协变量,以消除观察性研究中的混杂偏倚,提高统计效率。我们的变量选择方法是专门为因果推断而设计的,它只需要倾向得分是$\sqrt{n}$ -通过参数模型一致估计,不需要正确的潜在结果模型的规范。通过使用估计的倾向得分作为逆概率治疗权重,对结局进行自适应套索,成功排除了工具变量,并包括混杂因素和结局预测因素。在“线性结合”条件下证明了它的预言性质。我们还进行了一些数值模拟,以说明我们的倾向得分适应协变量选择程序,并评估其性能下的模型误设定。与其他协变量选择方法进行了比较,通过使用人工数据,我们发现,它是更强大的排除工具变量和虚假的协变量。
2021-09-11 stat.ME
Identification and Estimation of Conditional Average Partial Causal Effects via Instrumental Variable
Yokohama National University(横滨国立大学);Iowa State University(爱荷华州立大学)
本文研究了连续处理下揭示异质因果效应的条件平均部分因果效应(CAPCE),在工具变量设定下提供了较以往更弱假设的识别条件,并开发了sieve、参数化和基于RKHS的三类估计器且验证了其有效性。
2024-05-30 cs.LG stat.ML
Partial Identification of Policy-Relevant Treatment Effects with Instrumental Variables via Optimal Transport
Stanford University(斯坦福大学)
本文提出通过约束条件下的条件最优传输问题,解决工具变量下政策相关处理效应的部分可识别问题,提出新的估计和推断方法,实验证明其优于传统方法。
2026-04-25 econ.EM stat.ME
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
Semi-parametric estimation of biomarker age trends with endogenous medication use in longitudinal data
在队列研究中,非随机药物使用可能对估计平均生物标志物值的自然史趋势(即,感兴趣的预测因子与在没有生物标志物特异性治疗的情况下观察到的生物标志物结果之间的关联)构成障碍。治疗和结果的常见原因往往是不可测量的,模糊了我们的能力,很容易解释药物使用与常用的假设,如可重复性。此外,如果没有一些变量满足排除限制,使用工具变量的方法可能难以证明。具有结构转移的Heckman混合模型(有时不太具体地称为处理效应模型)可用于通过同质性假设(即,平均处理效应在协变量之间没有变化)和用于结果和处理的联合模型的参数规格。在最近的工作中,我们放宽了同质性假设,允许观察到的协变量作为处理效应修饰符。虽然这种方法已被证明是合理的横截面数据的设置,该方法的应用程序设置的纵向数据仍然没有探索。我们演示了如何假设的处理效应模型可以扩展到适应集群数据所产生的纵向研究。我们提出的方法是半参数的性质,有效的推断,可以得到,而不需要指定的纵向相关结构。作为一个说明性的例子,我们使用多种族动脉粥样硬化研究的数据来评估低密度脂蛋白的趋势,按年龄和性别。我们证实,我们的处理效应模型的泛化可以作为一个有用的工具,揭示自然历史趋势的纵向数据被掩盖的内源性治疗。
2021-01-22 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
Identifying Causal Effects using Instrumental Time Series: Nuisance IV and Correcting for the Past
本文针对时间序列中的工具变量回归,提出利用干扰协变量和图形边缘化框架构建识别方程,实现因果效应的一致估计,并证明其理论性质与实验验证。
2024-07-19 stat.ME stat.ML
Non-Asymptotic Inference in Instrumental Variables Estimation
本文提出了一种简单的方法进行推断,在各种可能的非线性IV模型弱假设。该方法是非渐近的,在这个意义上,它提供了一个有限的样本之间的差异拒绝正确的零假设的真实概率和名义上的限制。该方法是安德森-鲁宾测试的非学生化版本,但动机和分析不同。与传统的Anderson-Rubin检验相比,本文提出的方法不需要限制性的分布假设、估计模型的线性或联立方程。它也不需要知道这些工具是强还是弱。它不需要测试或估计仪器的强度。该方法可应用于可能是非线性的分位数IV模型,并可用于针对非参数替代方案测试参数IV模型。这里给出的结果在有限样本中成立,无论工具的强度如何。
2018-09-10 econ.EM math.ST stat.TH
Instrumental Variable Approach to Estimating Individual Causal Effects in N-of-1 Trials: Application to ISTOP Study
本研究针对 N-of-1 试验提出一种贝叶斯工具变量方法,通过潜在结构模型建模混杂机制以解决不完全依从、二元变量不可折叠性及序列推断问题,有效降低偏差并提高个体因果效应估计的覆盖率,并应用于 I-STOP-AFib 研究评估酒精对心房颤动的影响。
2024-10-12 stat.ME
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
Assumption-Lean Analysis of Cluster Randomized Trials in Infectious Diseases for Intent-to-Treat Effects and Network Effects
整群随机试验(CRT)是一种流行的设计,以研究在传染病环境中的干预措施的效果。然而,CRT的标准分析主要依赖于强参数方法,通常是混合效应模型来解释聚类结构,并侧重于总体意向治疗(ITT)效应来评价有效性。本文提出了两种改进的方法来分析CRT中的两类效应,即ITT效应和知名依从性群体之间的网络效应。对于ITT效应,我们研究了观察到的协变量之间的整体和异质ITT效应,其中我们没有对聚类大小施加参数模型或渐近限制。对于依从性组之间的网络效应,我们提出了一种新的基于边界的方法,该方法使用预处理协变量,分类算法和线性规划来获得清晰的边界。我们的方法的一个关键特征是,随着分类算法的改进,界限可以变得更窄,并且该方法也可以用于工具变量的部分识别的研究。最后,我们重新分析了CRT研究口罩和洗手液对2008年流感在香港的传播的影响。
2021-09-22 stat.ME
Statistical Matching using Fractional Imputation
统计匹配是一种技术,用于在可用于跨数据集匹配单个参与者的记录的信息不完整时集成两个或多个数据集。统计匹配可以被看作是一个缺失数据问题,研究人员希望对从未联合观察到的变量进行联合分析。条件独立性假设通常用于创建用于统计匹配的插补数据。我们考虑一种替代方法,统计匹配,而不使用条件独立性假设。我们应用Kim(2011)的参数分数插补来创建插补数据,使用工具变量假设来确定联合分布。我们还提出了适合于插补过程的方差估计。我们解释了如何直接适用于分裂问卷设计和测量误差模型的数据分析的方法。
2015-10-13 stat.ME
Mendelian randomization with a binary exposure variable: interpretation and presentation of causal estimates
孟德尔随机化使用遗传变异对可改变的暴露进行因果推断。如果遗传变异满足工具变量假设,则变异与结果之间的关联意味着暴露对结果的因果影响。二元暴露会出现并发症,即连续风险因素的二分化(例如,高血压是血压的二分化)。这可能会导致违反排除限制假设:即使二元暴露没有改变,遗传变异也可以通过连续风险因子影响结果。如果基础连续风险因子满足工具变量假设,则二元暴露的因果推断对连续风险因子有效。二元暴露的因果估计假设因果效应在二分点是一个逐步函数。即使这样,估计也需要进一步的参数假设。在单调性下,因果估计代表“顺从者”的平均因果效应,顺从者是指如果有遗传变异,则存在二元接触,否则不存在二元接触的个人。与随机试验不同,遗传依从者不太可能是人口中的一个大的或代表性的亚组。在同质性下,暴露对结果的因果影响被假设为在所有个体中是恒定的;这通常是一个不切实际的假设。我们在这里提供的方法,因果关系估计与二进制曝光(虽然受到所有上述警告)。应根据基础连续变量对具有二分二值暴露的孟德尔随机化研究进行概念化。
2018-04-16 stat.ME
A Semiparametric Bayesian Method for Instrumental Variable Analysis with Partly Interval-Censored Time-to-Event Outcome
University of California Los Angeles(加利福尼亚大学洛杉矶分校)
针对部分区间删失生存数据,本文提出基于两阶段 Dirichlet 过程混合工具变量(DPMIV)模型的半参数贝叶斯方法,放宽正态误差假设以估计内生变量的因果效应,模拟和 UK Biobank 数据验证了其稳健性与优越性。
2025-01-23 cs.LG stat.AP stat.CO
An R package for parametric estimation of causal effects
该研究推出R包CausalModels,整合了Hernan与Robins提出的传统统计因果推断方法,提供无需深厚统计知识即可处理观测数据偏差的工具,搭建了多方法统一建模的易用框架。
2023-07-18 cs.LG cs.MS stat.AP
On Heckits, LATE, and Numerical Equivalence
结构计量经济学方法经常被批评为对函数形式假设敏感。我们研究了局部平均处理效应(LATE)的参数估计,这些估计来自一类广泛使用的潜在阈值交叉模型,并表明它们产生的LATE估计代数等价于工具变量(IV)估计。我们的主要例子是Heckman(1979)的两步(“Heckit”)控制函数估计器,它具有双侧不服从性,可用于计算各种因果参数的估计。与IV的等价性建立了一个半参数族的控制函数估计,并保持在一类极大似然估计的内部解决方案。我们的研究结果表明,结构和IV估计之间的差异往往源于对目标参数的分歧,而不是从功能形式的假设本身。在等效失败的情况下,报告LATE的结构估计值以及IV提供了一种评估结构外推操作可信度的简单方法。
2018-10-24 econ.EM stat.ME
Identifying effects of multiple treatments in the presence of unmeasured confounding
在存在不可测量的混杂因素的情况下识别处理效应是社会、生物和医学科学中的一个持续问题。在统计遗传学和生物信息学环境中,多种治疗方案中的不可测量混杂问题最常见,研究人员已经开发出许多成功的统计策略,但没有深入研究问题的因果关系。最近有一些尝试弥合这些统计方法和因果推断之间的差距,但这些尝试要么被证明是有缺陷的,要么依赖于完全参数化的假设。在本文中,我们提出了两种策略,用于识别和估计因果关系的影响,在存在不可测量的混杂因素的多种治疗。辅助变量方法利用了与结果没有因果关系的变量;在单变量混杂因素的情况下,我们的方法只需要一个辅助变量,不像现有的工具变量方法需要尽可能多的工具,因为有治疗。另一种无效治疗方法依赖于至少一半混杂治疗对结局无因果影响的假设,但不需要先验知识来确定哪些治疗无效。我们的识别策略不对结果模型施加参数假设,也不依赖于对混杂因素的估计。本文扩展和概括了现有的工作与生物信息学中常用的单一治疗和模型的不可测量的混杂。
2022-07-09 stat.ME
What's the Magic Formula Instrument?
Harris School of Public Policy, University of Chicago(芝加哥大学哈里斯公共政策学院);Kenneth C. Griffin Department of Economics, University of Chicago(芝加哥大学肯尼斯·C·格里芬经济学系)
提出一种系统评估公式工具变量估计对参数假设敏感性的方法,并应用于两个实证研究,发现改变冲击分布可得到不同符号和大小的估计。
2026-06-23 econ.EM stat.ME
Robust inference on the average treatment effect using the outcome highly adaptive lasso
治疗对结果的平均效应的许多估计值需要估计倾向得分、结果回归或两者。利用诸如半参数回归或机器学习之类的灵活技术来估计这些量通常是有益的。然而,这些回归的最佳估计不一定导致平均处理效应的最佳估计,特别是在具有强工具变量的设置中。最近的一项提案通过结果自适应套索解决了这些问题,这是一种用于估计倾向得分的惩罚回归技术,旨在最大限度地减少工具变量对处理效应估计值的影响。然而,这种方法的一个明显的局限性是,它的应用仅限于参数模型。我们提出了一个更灵活的替代方案,我们称之为高度适应性套索的结果。我们讨论了这种估计的大样本理论,并提出了封闭形式的置信区间的基础上提出的估计。我们通过模拟表明,我们的方法提供了几个流行的方法的好处。
2019-05-13 stat.CO stat.ME stat.ML
Partial identification for discrete data with nonignorable missing outcomes
针对非可忽略缺失结局的离散数据,提出一种结合工具变量与缺失偏差方向限制的非参数贝叶斯部分识别方法,并引入拒绝采样算法量化假设证据,优于Heckman模型。
2023-10-17 stat.ME
Heterogeneous Treatment Effect in Time-to-Event Outcomes: Harnessing Censored Data with Recursively Imputed Trees
Faculty of Data and Decisions Sciences, Technion - Israel Institute of Technology(数据与决策科学学院,技术ion-以色列理工学院);Department of Statistics and Operations Research, Tel Aviv University(统计与运筹学系,特拉维夫大学)
针对生存数据右删失(尤其是重度删失)下异质性治疗效应估计偏差、现有方法难处理工具变量的问题,提出非参数的MISTR方法,用递归插补生存树处理删失,在重度删失场景表现更优且支持工具变量下的未观测混杂因素估计。
2025-07-28 cs.LG stat.ML
Weak instrumental variables due to ignored nonlinearities in panel data: A Super Learner Control Function estimator
University of Geneva(日内瓦大学)
本文研究面板数据中因忽略非线性导致的弱工具变量问题,提出超级学习控制函数估计器以解决结构参数的识别问题。
2026-07-05 econ.EM 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
Local average treatment effects estimation via substantive model compatible multiple imputation
不依从分配的治疗在随机对照试验(RCT)中很常见。最近,人们对估计所接受治疗的因果效应,例如所谓的局部平均处理效应(LATE)越来越感兴趣。工具变量(IV)方法可用于识别,通过全参数混合模型或两阶段最小二乘法(TSLS)进行估计。TSLS是流行的,但可能是有问题的二元结果,其中感兴趣的被估量是因果比值比。混合模型在实践中很少使用,也许是因为它们的复杂性和对专业软件的需求。在这里,我们建议使用多重插补(MI)来插补混合模型中出现的潜在顺应类。由于此类模型包括依从性类别和随机化治疗之间的相互作用项,因此在通过极大似然将混合模型拟合到MI数据集并通过Rubin规则组合结果之前,我们使用“实质性模型兼容”MI(SMC MIC),它也可以解决其他缺失数据。我们使用模拟SMC MIC的性能进行比较,现有的方法,并通过重新分析在英国初级卫生RCT的方法。我们表明,SMC MIC可以更有效地比全贝叶斯估计时,辅助变量,并优于两阶段的方法,特别是对二进制的结果。
2018-12-04 stat.ME
Instrumental variables estimation of exposure effects on a time-to-event response using structural cumulative survival models
使用工具变量来估计暴露对结果的影响在计量经济学中很流行,在流行病学中也越来越流行。这种日益普及的现象可能归因于观察性研究中工具变量的自然发生,这些研究通过设计或性质纳入了随机化元素(例如,基因的随机遗传)。工具变量估计暴露效应是建立连续的结果,并在一定程度上为二元结果。然而,由于删失和生存偏倚导致的并发症,它在很大程度上缺乏事件发生时间结局。在本文中,我们提出了一个新的建议下的一类结构累积生存模型,参数化的时间变化的影响,一个点暴露直接对规模的生存函数,这些模型基本上是等价的半参数变量的工具变量加性风险模型。我们提出了一类递归的工具变量估计这些暴露的影响,并推导出其大样本性质以及推理工具。我们在模拟研究中检查了所提出的方法的性能,并在孟德尔随机化研究中使用健康与退休研究的数据评估糖尿病对死亡率的影响。我们进一步使用所提出的方法来研究乳腺癌筛查对随后的乳腺癌死亡率的潜在益处。
2016-08-02 stat.ME
Bayesian variable selection in linear regression models with instrumental variables
许多关于高维统计的论文都提出了线性回归模型中变量选择和推断的方法,这些方法显式或隐式地依赖于所有回归变量都是外生的假设。然而,在选择偏差、遗漏变量、测量误差、未测量的混杂和数据收集常见的许多其他挑战引起内分泌失调的应用中,Fan et al.(2014)。解决内隐问题最常见的方法是诉诸工具变量(IV)推理。本文的目的是提出一种贝叶斯方法来解决高维线性IV模型中的内隐问题。使用一个工作准似然结合适当的稀疏诱导尖峰和板先验分布,我们开发了一个半参数的方法在高维线性模型的变量选择内生回归的准贝叶斯框架内。我们推导出一些条件下,准后验分布是很好地定义,并把它的大部分概率质量周围的真实值的参数为$p \rightarrow \infty$。我们通过实证工作证明了所提出的方法相对于其他一些替代品的优良性能。我们还包括一个经验应用程序,通过重新审视Angrist和Keueger(1991)的工作来评估教育回报。
2019-01-10 stat.ME
Variance Reduction for Causal Inference
倾向得分法在从观察数据中获得平均处理效应(ATE)的有效估计值方面已被证明是强大的,特别是在存在混杂因素的情况下。在估计时,决定哪种类型的协变量需要包括在倾向得分函数中是重要的,因为加入一些不必要的协变量可能会放大ATE估计量的偏倚和方差。在本文中,我们表明,包括额外的工具变量,满足排除限制的结果将损害统计效率。此外,我们证明,控制作为结果预测因子出现的协变量,即预测的结果和无关的曝光,可以帮助减少ATE估计的渐近方差。我们还注意到,通过非参数或半参数方法有效估计ATE需要估计的倾向得分函数,如Hirano等人(2003)\cite{Hirano2003}中所述。这种估计过程通常需要许多正则性条件,Rothe(2016)\cite{Rothe2016}也说明了这一点,并提出了一种已知的倾向得分(KPS)估计量,它需要温和的正则条件,并且仍然是完全有效的。此外,我们还引入了一种线性修正(LM)估计,它在大多数情况下是近似有效的,并且不需要估计倾向得分函数,因此计算方便。该估计量的构造借鉴了Lin(2013)\cite{Lin2013}的交互作用估计量的思想,其中使用带有交互作用项的回归调整来处理完全随机化实验产生的数据。顾名思义,LM估计量可以被视为使用已知倾向得分对IPW估计量的线性修改。我们还将研究其统计特性分析和数值。
2021-09-11 math.ST stat.ME stat.TH
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
Nonparametric Estimation of Local Treatment Effects with Continuous Instruments
研究提出连续工具变量下局部处理效应的非参数估计方法,引入广义LATE估计量并发展双重稳健估计,理论证明与模拟均显示其优势,并应用于NICU分娩对婴儿死亡率影响的评估。
2025-08-11 stat.ME
Assumptions of IV Methods for Observational Epidemiology
工具变量(IV)方法越来越受欢迎,因为它们似乎提供了唯一可行的方法来克服观察性研究中未观察到的混杂问题。然而,必须注意一些细节,因为并非所有这些方法都针对相同的因果参数,有些方法依赖于比其他方法更具限制性的参数假设。因此,我们讨论和对比最常见的IV方法与观察流行病学中的典型应用。此外,我们说明和比较这些IV估计的渐近偏差时,违反了基本假设的数值研究。我们的结论之一是,所有的IV方法遇到的问题,在存在的影响修改未观察到的混杂因素。由于这一点永远不能肯定地排除,我们建议IV估计量的实际应用通常伴随着敏感性分析。
2010-11-02 stat.ME
Generalized Random Forests
我们提出了广义随机森林,一种基于随机森林(Breiman,2001)的非参数统计估计方法,可用于拟合任何感兴趣的数量,确定为一组局部矩方程的解。继文献局部极大似然估计,我们的方法认为附近的训练样本的加权集,然而,而不是使用经典的内核加权函数,容易出现一个强大的灾难的维度,我们使用的自适应加权函数来自一个森林,旨在表达异质性的指定数量的利益。我们提出了一个灵活的,计算效率高的算法增长的广义随机森林,发展大样本理论,我们的方法表明,我们的估计是一致的,渐近高斯,并提供了一个估计其渐近方差,使有效的置信区间。我们使用我们的方法来开发三个统计任务的新方法:非参数分位数回归,条件平均部分效应估计,通过工具变量的异质性处理效应估计。一个软件实现,R和C++的grf,可从CRAN获得。
2018-04-05 econ.EM stat.ME stat.ML