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
Optimal Two-Sided Tests for Instrumental Variables Regression with Heteroskedastic and Autocorrelated Errors
本文考虑了具有异方差和自相关误差的工具变量(IV)模型中内生变量参数的双侧检验。我们发展了加权平均功率(WAP)测试的有限样本理论,具有正态误差和已知的长期方差。我们引入了两个权重,它们对仪器的正交变换是不变的;例如,改变仪器出现的顺序。虽然使用MM 1权重的检验可能会有严重的偏差,但当误差是同性时,基于MM 2权重的最佳检验自然是双侧的。我们提出了两个边界条件,产生双侧检验错误是否是同性的。局部无偏(LU)条件与围绕原假设的功效相关,并且是比无偏性更弱的要求。强无偏(SU)条件比LU条件更具限制性,但相关的WAP测试更容易实现。有几个检验在有限样本中是SU的或渐近的,包括对弱IV(如Anderson-Rubin,score,条件拟似然比和I)稳健的检验。Andrews(2015)PI-CLC检验)和双侧检验,当样本量较大且仪器强大时,这是最佳的。我们将基于权重的WAP-SU测试称为MM 1-SU和MM 2-SU测试。丢弃限制性的假设的正态性和已知的方差,理论是保持有效的渐近近似的成本。MM 2-SU检验在强IV渐近下是最优的,在弱IV渐近下优于现有的检验。
2015-05-25 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
Genomic Data Analysis using a Two Stage Expectation Propagation Algorithm for Analysis of Sparse Bayesian High-Dimensional Instrumental Variables Regression
基因表达数据和遗传变异的同时分析是高度感兴趣的,特别是当基因表达和遗传变异的数量都大于样本量时。因果基因和有效SNP两者的关联使得使用这种遗传数据集的稀疏建模非常重要。高维稀疏工具变量模型就是其中一种有用的关联模型,它可以同时描述基因表达和具有复杂性状的遗传变异之间的关系。从贝叶斯的角度来看,稀疏性可以使用稀疏性强制先验,如尖峰和板先验。提出了一种改进的两阶段期望传播(EP)算法,并研究了在高维稀疏工具变量模型中的近似推理。该方法采用经典的两阶段最小二乘法,与贝叶斯上下文一起使用。仿真研究进行检查的方法的性能。所提出的方法被应用于小鼠肥胖数据的分析。
2021-10-06 stat.ME
Non-Asymptotic State-Space Identification of Closed-Loop Stochastic Linear Systems using Instrumental Variables
本文推广了符号扰动和(SPS)方法,结合矩阵变量回归与工具变量,为闭环随机线性状态空间系统构造免分布置信区域,并提出计算高效的椭球外逼近算法。
2024-06-08 cs.SY eess.SY math.DS
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
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
The Ridge Path Estimator for Linear Instrumental Variables
本文给出了一个线性工具变量(IV)估计的渐近行为,使用岭回归惩罚。正则化调整参数通过将观察到的数据分成训练样本和测试样本来根据经验选择。在调整参数的条件下,训练样本创建从IV估计器到先验的路径。最佳调整参数是沿着该路径的值,该路径使测试样本的IV目标函数最小化。根据经验选择的正则化调整参数变成与感兴趣的参数联合收敛的估计参数。调谐参数的渐近分布是一个非标准的混合分布。蒙特卡罗模拟表明,渐近分布捕获的特征的抽样分布,当这种岭估计性能优于两阶段最小二乘法。
2019-08-25 econ.EM stat.ML
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
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
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
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
Inference with Granular Instruments in Large Panels
University of Warwick(华威大学)
本文发展了大型面板中颗粒工具变量(GIV)的强度渐近理论,区分了强、近弱和弱三种工具强度状态,并提供了相应的推断方法。
2026-10-30 econ.EM stat.ME
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
Inference for Instrumental Variables: A Randomization Inference Approach
工具变量(IV)的方法提供了一个框架,研究因果关系的随机实验与不遵守和观察性研究中的自然情况下产生的,如果随机轻推接受治疗。传统上,IV的推断依赖于Wald估计量或两阶段最小二乘分布的渐近近似,通常具有结构建模假设和/或矩条件。在本文中,我们利用随机化推理方法IV推理。首先,我们概述了确切的方法,它使用随机分配的治疗实验作为推理的基础,但缺乏一个封闭的形式的解决方案,并可能在许多应用中计算不可行。然后,我们提供了一种替代的精确方法,几乎精确的方法,这是计算上可行的,但保留了精确方法的优点。我们还回顾了渐近推理方法,包括与两阶段最小二乘法相关的方法,并将其与随机推理方法进行了分析比较。我们还使用一组模拟进行额外的比较。最后,我们从社会科学的三个不同的应用。
2018-02-06 stat.AP 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
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
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
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
A Nonparametric Likelihood Approach for Inference in Instrumental Variable Models
工具变量方法允许通过控制不依从随机实验中的未测量混杂来推断处理效应。然而,许多研究没有考虑在测试过程中观察到的顺应性行为,这可能导致功率损失。在本文中,我们提出了一种新的非参数似然方法,称为二项式似然(BL)方法,它结合了信息的遵守行为,同时克服了以前的技术的几个限制,并利用似然方法的优点。我们所提出的方法产生适当的估计的反事实的分布函数通过最大化的二项似然空间的分布函数。利用这一点,我们提出了两个版本的二项似然比检验的原假设没有处理效应。我们表明,这两个版本是更强大的检测任何分布的变化比现有的方法在有限样本的情况下,渐近等价于两个样本的安德森-达林测试。我们还开发了一个有效的算法来计算我们的估计,并应用二项式似然方法的研究医疗补助覆盖范围对心理健康的影响,使用俄勒冈州健康保险实验。
2020-06-11 math.ST stat.AP stat.ME
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
A Dimension-Agnostic Bootstrap Anderson-Rubin Test For Instrumental Variable Regressions
Singapore Management University(新加坡管理大学);Nanyang Technological University(南洋理工大学)
针对工具变量数量固定、发散甚至超过样本量时弱识别稳健检验割裂的问题,提出结合岭正则化与 bootstrap 的维度无关 AR 检验,保证统一渐近有效并提升功效。
2026-09-30 econ.EM stat.ME
Inference for biased models: a quasi-instrumental variable approach
对于不完全稀疏的线性回归模型,即不显著变量的系数不完全为零,通过变量选择获得的工作模型通常是有偏的。即使在稀疏的情况下,在变量选择之后,当一些重要的变量缺失时,工作模型也会有偏差。因此,在这样的情况下,不能期望root-n一致估计和准确预测。本文提出了一种新的建模方法,当引入准工具变量时,可以得到一个无偏的模型。该方法能保证估计的根-n相合性和渐近正态性,提高预测精度。新方法的性能通过仿真研究进行了检查。
2014-07-16 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
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
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
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
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
Instrumental Variable Estimation for Compositional Treatments
Helmholtz Munich(亥姆霍兹慕尼黑中心);TUM School of Computation, Information and Technology, Technical University of Munich(慕尼黑工业大学计算、信息与技术学院);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);Ludwig-Maximilian University(路德维希-马克西米利安大学);Center for Computational Mathematics, Flatiron Institute(弗拉蒂伦研究所计算数学中心)
针对成分性数据作为处理变量的因果推断,提出工具变量估计框架,强调干预视角的陷阱,并开发考虑成分空间结构的多变量回归方法,在合成与真实微生物组数据上验证其优势与局限。
2024-05-28 cs.LG q-bio.QM stat.AP
Estimation of Complier Expected Shortfall Treatment Effects with a Binary Instrumental Variable
在许多生物医学和经济学研究中,估计治疗或暴露对亚群的因果效应具有极大的意义。预期不足,也称为超分位数,是一种有吸引力的效应大小度量,可以适应数据异质性并聚合结果分布的某个感兴趣区域上的局部效应信息。在这篇文章中,我们提出了一个工具变量框架下的符合预期不足的处理效应(CRESTE)模型来量化CRESTE的二元内生治疗变量。利用二元工具变量的特殊性质和Neyman正交化的特殊形式,提出了一种两步估计方法,该方法可以通过简单地求解加权最小二乘回归和加权分位数回归来实现。我们开发的估计的渐近性质,并使用数值模拟,以确认其有效性和强大的有限样本性能。一个国家的就业培训合作伙伴关系法研究的说明性分析,以显示所提出的方法的实际效用。
2023-03-22 stat.ME
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
Nonparametric Scanning For Nonrandom Missing Data With Continuous Instrumental Variables
本文介绍了一种新的估计具有非随机缺失数据的未知总体参数的工具变量方法。利用粗糙和离散仪器,Shao和Wang(2016)提出了一种半参数方法,该方法使用添加的信息从缺失数据倾向模型中识别倾斜参数。通过任意离散化将这种想法天真地应用于连续工具往往是低效的,并且在某些设置中可能是有问题的。我们提出了一种非参数的方法,不需要任意离散化,但涉及扫描连续二分法的仪器,并结合扫描统计估计未知参数通过加权积分。我们建立了渐近正态性的建议的综合估计和基本的扫描过程,一致的整个仪器样本空间。模拟研究和分析的一个真实的数据集表明,依赖于任意离散化或时刻的工具的程序的方法的收益。
2021-11-17 stat.ME
Two-sample instrumental variable analyses using heterogeneous samples
工具变量分析是一种广泛使用的方法来估计因果关系的影响,在存在不可测量的混杂。当工具、暴露和结果不在同一样本中测量时,Angrist和Krueger(1992)建议使用双样本工具变量(TSIV)估计量,该估计量使用来自工具暴露样本和工具结果样本的样本矩。然而,如果两个样本来自非齐性总体,则该方法存在偏倚,从而使仪器的分布不同。在线性结构方程模型中,我们在两个样本的结构关系相同的关键假设下,得到了一类新的对异质样本具有鲁棒性的TSIV估计.广泛使用的两样本两阶段最小二乘估计属于这一类。它通常不是渐近有效的,虽然我们发现,它执行类似的最佳TSIV估计在大多数实际情况下。然后,我们试图放松线性假设。我们发现,不像单样本分析,TSIV估计是不稳健的错误指定的暴露模型。此外,为了非参数化地确定因果效应的大小,暴露中的噪声在两个样本中必须具有相同的分布。然而,这一假设一般是不可检验的,因为在一个样本中没有观察到接触。尽管如此,我们仍然可以在噪声不均匀的情况下识别因果效应的符号。
2018-09-05 math.ST stat.TH
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
Inferential Theory for Granular Instrumental Variables in High Dimensions
本文在高维大N大T框架下扩展粒度工具变量方法,处理未知因子与载荷并构造额外工具变量实现过度识别,蒙特卡洛模拟和全球原油市场应用验证了理论有效性。
2023-09-25 econ.EM stat.ML
Sign-Perturbed Sums (SPS) with Instrumental Variables for the Identification of ARX Systems - Extended Version
我们提出了一个推广的最近开发的系统识别方法,称为符号扰动和(SPS)。建议的建设是基于工具变量估计,与原来的SPS,它可以构建非渐近置信区域的线性回归模型的回归包含过去的输出值。因此,它适用于ARX系统,以及系统的反馈。我们证明了这种方法在弱假设下为区域提供了精确的置信度,即,真实参数被包括在对于任何有限样本具有(用户选择的)精确概率的区域中。本文还证明了该方法的强相容性,并提出了一个计算效率的推广以前提出的椭球外近似。最后,通过数值实验,使用真实世界和模拟数据证明了新方法。
2015-09-15 math.DS stat.ME
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
Weak-instrument-robust subvector inference in instrumental variables regression: A subvector Lagrange multiplier test and properties of subvector Anderson-Rubin confidence sets
ETH Zürich(苏黎世联邦理工学院)
本文提出了一种弱工具变量鲁棒的子向量拉格朗日乘数检验,并探讨了子向量安德森-鲁宾置信集的性质。
2026-03-01 econ.EM math.ST stat.TH
An instrumental variable approach under dependent censoring
本文提出一种基于工具变量和控制函数的方法,在相依删失和未观测混杂并存的情况下估计变量对生存时间的因果效应,并应用于职业培训对失业持续时间的影响分析。
2023-01-06 math.ST stat.TH
Robust Generalized Method of Moments: A Finite Sample Viewpoint
MIT(麻省理工学院);Microsoft Research, New England(微软研究院新英格兰分部)
在统计学和计量经济学中的许多推断问题中,未知参数是通过一组矩条件来确定的。求解矩条件的一般方法是广义矩量法(GMM)。然而,经典的GMM估计可能对离群值非常敏感。鲁棒GMM估计已经在过去开发,但遭受几个缺点:计算棘手,不良的维度依赖性,并没有定量的恢复保证在一个常数分数的离群值的存在。在这项工作中,我们开发了第一个计算效率高的GMM估计(在直观的假设下),可以容忍一个恒定的$ε$部分的adversarially损坏的样本,并有一个$\ell_2$恢复保证$O(\sqrtε)$。为了实现这一目标,我们借鉴并扩展了最近关于算法稳健统计的工作,以解决相关但更简单的问题,例如均值估计、线性回归和随机最优化。作为我们的算法的一般性的两个例子,我们展示了我们的估计算法和假设如何适用于工具变量线性和逻辑斯谛回归。此外,我们通过实验验证了我们的估计优于经典的IV回归和两阶段Huber回归的合成和半合成数据集腐败。
2021-10-13 cs.DS cs.LG econ.EM
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
Identifying Causal Effects Using Instrumental Variables from the Auxiliary Dataset
Peking University(北京大学);Beijing Technology and Business University(北京工商大学);Center for Applied Statistics and School of Statistics, Renmin University of China(中国人民大学应用统计学院和统计学院)
本文提出利用辅助数据集中的工具变量结合结构方程模型,解决非线性治疗效应下的因果效应估计问题,通过构建控制函数和投影方法,提出三步估计器并进行实证分析。
2026-03-29 stat.ME
Instrumental Variables Estimation of a Generalized Correlated Random Coefficients Model
我们研究了相关随机系数模型中平均处理效应的识别和估计,该模型允许第一阶段异质性和二进制工具。该模型还考虑到多个内生变量以及内生变量和协变量之间的相互作用。我们的识别方法是基于平均的系数从一个普通的线性回归的条件下,不同的实现控制功能的集合。该识别策略提出了一种透明且计算简单的修剪平均处理效应估计器,该估计器构建为核加权线性回归的平均值。我们发展了这个估计量,并建立了它的$\sqrt{n}$ --相合性和渐近正态性。蒙特卡罗模拟显示出优秀的有限样本性能,在精度上与标准的两阶段最小二乘估计相当。我们应用我们的研究结果来分析空气污染对房价的影响,发现第一阶段的工具效果以及处理效应的异质性,这是与家庭分类一致的实质性异质性。
2014-01-02 stat.ME
Nonparametric instrumental variable estimation under monotonicity
在非参数工具变量模型中恢复回归函数的逆问题的不适定性导致估计量可能遭受非常慢的对数收敛速度。在本文中,我们表明,限制问题的模型与单调回归函数和单调工具显着削弱了不适定性的问题。与现有文献形成鲜明对比的是,单调工具的存在意味着我们的不适定性测度的有界性时,仅限于单调函数的空间。基于这个结果,我们得到了一个新的非渐近误差界的约束估计,施加单调的回归函数。对于给定的样本量,只要回归函数不是太陡,边界与不适定性的程度无关。作为一个含义,界允许我们表明,约束估计收敛在一个快速的,多项式的速度,独立的不适定性的程度,在一个大的,但慢慢收缩的常数函数的邻域。我们的模拟研究表明,即使当回归函数是相当远的是一个常数,施加单调性显着的有限样本的性能增益。我们将约束估计量的问题估计汽油需求函数从美国的数据。
2015-07-19 econ.EM math.ST stat.AP
Unbiased Instrumental Variables Estimation Under Known First-Stage Sign
在一个或多个第一阶段系数的符号已知的情况下,得到了具有单个内生回归变量的工具变量模型中结构参数的均值无偏估计量。在使用单一工具的情况下,存在基于简化形式和第一阶段回归估计的唯一非随机无偏估计量。对于多个工具的情况下,我们提出了一类无偏估计量,并表明,在这类估计是有效的,当工具是强大的。我们用数值方法证明了无偏性并不以增加单一工具模型的离散度为代价:在这种情况下,无偏估计量的离散度低于2SLS估计量。我们的有限样本的结果适用于正常的模型与已知的方差的减少形式的错误,并暗示类似的结果下弱仪器渐近未知的误差分布。
2016-12-02 stat.AP
Bridging preference-based instrumental variable studies and cluster-randomized encouragement experiments: study design, noncompliance, and average cluster effect ratio
工具变量方法被广泛应用于医学和社会科学研究中,当治疗和结局受到不可测量的混杂变量的混淆时,可以得出因果关系的结论。这类研究的一个重要特点是,工具变量往往应用于集群一级,例如,医院或医师对某一治疗的偏好,其中每个医院或医师自然地定义一个群集。本文提出了嵌入这样的观察工具变量数据到集群随机激励实验,使用统计匹配。潜在的结果和因果关系的假设支持的设计形式化和检查。两个常用的被估量,费舍尔的尖锐原假设和合并效应比的检验程序,扩展到目前的设置。然后,我们介绍了一种新的集群异质比例处理效应模型和相关的估计:平均集群效果比。这个新的被估量是有利的结构参数在一个恒定的比例处理效应模型,因为它允许治疗的异质性,是有利的合并效果比被估量,因为它是免疫辛普森悖论。我们开发了一个渐近有效的基于随机化的测试程序,这个新的估计的基础上解决一个混合整数二次约束优化问题。所提出的设计和推理方法应用于CABG手术期间使用经食管超声心动图对患者30天死亡率的影响的研究。
2021-05-23 stat.AP stat.ME
Doubly robust estimation of optimal treatment regimes for survival data using an instrumental variable
本文针对存在不可观测混杂因素和工具变量的生存数据,提出基于 Kaplan-Meier 型生存函数最大化的半参数最优治疗方案估计方法,并构造 doubly robust 估计量及核平滑改进,通过模拟和实际癌症筛查数据验证其有效性。
2025-07-23 stat.ME
Inference of high-dimensional weak instrumental variable regression models without ridge-regularization
针对高维弱工具变量回归,提出无需脊正则化和调节参数的二次型检验,结合最大型检验以应对密集与稀疏备择假设,对弱工具和异方差稳健,表现优于现有方法。
2025-04-29 stat.ME
Resistant Inference in Instrumental Variable Models
针对工具变量模型中经典检验在数据污染下失效的问题,提出基于 M-estimators 的稳健检验框架,推导经典检验影响函数并构建抗异常值的 CLR 统计量,通过模拟与实证验证其有效性。
2024-03-25 econ.EM 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
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
Functional instrumental variable regression with an application to estimating the impact of immigration on native wages
School of Economics, University of Sydney(悉尼大学经济学院)
本文提出了一种基于FPCA的工具变量估计方法,用于解决功能回归中的内生性问题,并应用于估计移民对本地工资的影响。
2023-12-10 econ.EM stat.ME
On Quantile Treatment Effects, Rank Similarity,and Variation of Instrumental Variables
针对不可分离内生性下的分布处理效应识别,本文弱化秩相似性假设,借助线性半无限规划构造识别界,并证明经验规划的大样本性质。
2025-10-19 econ.EM stat.ME
Bridging Local and Population Causal Effects: A Proximal Instrumental Variable Approach
Department of Statistics and Actuarial Science(统计与精算学系);University of Hong Kong(香港大学)
针对工具变量仅能识别局部平均处理效应的问题,提出近端工具变量框架,利用代理变量调整依从加权,结合双重稳健表示恢复总体平均处理效应,并给出有效估计与理论保证。
2026-09-22 stat.ME stat.ML