Assessing Sensitivity to IV Exclusion and Exogeneity without First Stage Monotonicity
Toulouse School of Economics(图卢兹经济学院);Duke University(杜克大学);Georgetown University(乔治城大学)
本文提出新的敏感性分析方法,用于评估工具变量排除和外生性假设的有效性,不依赖第一阶段的单调性要求,通过非参数放松方法分析潜在结果的边际分布及平均处理效应。
2026-04-08 econ.EM stat.ME
On ill-posedness of nonparametric instrumental variable regression with convexity constraints
本文证明了在回归函数上增加单调性或凸性约束并不能恢复非参数工具变量回归的适定性。没有正则化的最小距离问题仍然是局部不适定的。
2016-12-15 math.ST stat.TH
Adaptive estimation for some nonparametric instrumental variable models
统计学和计量经济学中的内隐问题通常通过引入满足均值独立性假设的工具变量(IV)来处理,即不可观测的是与工具无关的均值。当假设IV和不可观测的完全独立时,非参数IV回归模型和非参数需求模型导致具有未知积分核的非线性积分方程。我们证明了收敛速度的平均积分平方误差的迭代正则化牛顿法适用于这些问题。与相关结果相比,我们得到更强的收敛结果,依赖于较弱的非线性限制。我们证明了在数值模拟的非参数IV回归,该方法产生更好的结果比标准模型。
2021-08-12 econ.EM math.ST stat.CO
Interpreting Quantile Independence
人们应该如何评估比统计独立性弱的假设的可信度,比如分位数独立性?在确定治疗变量的因果效应的背景下,我们认为,这种偏差应该选择的基础上,他们允许的不可观测的选择形式。对于分位数独立性,我们描述了这种形式的治疗选择。具体来说,我们表明,分位数的独立性是相当于一个约束的平均值的潜在倾向得分(二进制治疗)或CDF的治疗不可观测(连续治疗)。在这两种情况下,该平均值约束需要一种非单调处理选择。利用这些结果,我们表明,几种常见的治疗选择模型是不相容的分位数独立。我们引入了一类假设,通过去除平均值约束来削弱分位数独立性,因此允许单调处理选择。在二元治疗的潜在结果模型中,我们在两类假设下推导出ATT和QTT的识别集。在一个数值例子中,我们表明,固有的分位数独立的平均值约束有很大的识别能力。我们的研究结果表明,研究人员应该仔细考虑这种非单调性属性的可信度时,使用分位数的独立性,以削弱完全的独立性。
2018-04-29 econ.EM stat.ME
Necessary and Probably Sufficient Test for Finding Valid Instrumental Variables
能否从数据中找到工具变量?虽然工具变量(IV)方法被广泛用于识别因果效应,但从观测数据中检验其有效性仍然是一个挑战。这是因为IV的有效性取决于两个假设,排除和假设随机,这在很大程度上被认为是无法从数据中检验的。在本文中,我们表明,在一定的条件下,测试工具变量是可能的。我们建立在必要的测试,以获得一个测试的特点是一个有效的工具的几率,从而产生的名称“必要的,可能是足够的”。该测试的工作原理是将无效IV和有效IV因果模型定义为贝叶斯生成模型,并根据观察到的数据比较它们的边际可能性。当所有变量都是离散的,我们还提供了一种方法来有效地计算这些边际似然。我们评估测试的一组广泛的模拟二进制数据,灵感来自一个开放的问题,IV测试在过去的工作中提出的。我们发现,当一个工具遵循单调性-对治疗的影响是非递减或非递增-并且具有中等到弱的强度时,该检验是最强大的;顺便说一句,这种工具通常用于观察性研究。在as-if-random和exclusion中,它以更高的功率检测排除违规。将该检验应用于两项关于工具变量的开创性研究和《美国经济评论》最近的五项研究的IV表明,许多工具可能存在缺陷,至少当所有变量都离散化时。所提出的测试打开了数据驱动的验证和搜索工具变量的可能性。
2018-12-04 econ.EM stat.ME
Instrumental Variable Quantile Regression with Misclassification
本文考虑了具有二元内生处理的工具变量分位数回归模型(Zhenzhukov and Hansen,2005,2013)。当无法直接观察治疗状态时,它提供两种识别结果。第一个结果是,值得注意的是,结果变量对工具变量的简化形式分位数回归提供了随机单调性条件下结构分位数处理效应的下限(Small和Tan,2007; DiNardo和Lee,2011)。这一结果不仅在治疗变量发生错误分类时具有相关性,而且在治疗变量的任何测量均不可用时也具有相关性。第二个结果是当治疗状态测量有误差时的结构分位数函数;我通过在广泛使用的测量误差假设下推导矩条件来获得尖锐的识别集。此外,我提出了一种推理方法,在其他协变量的存在。
2019-12-16 stat.ME
Semiparametric principal stratification analysis beyond monotonicity
Yale University of Public Health(耶鲁大学公共卫生学院);MRC Clinical Trials Unit at UCL, Institute of Clinical Trials and Methodology(伦敦大学学院医学研究委员会临床试验单元,临床试验与方法学研究所);Department of Biostatistics, Epidemiology and Informatics, Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院生物统计学、流行病学和信息学系);Center for Methods in Implementation and Prevention Science, Yale School of Public Health(耶鲁大学公共卫生学院实施与预防科学方法中心)
本文提出一种基于条件比值比敏感性参数的半参数主分层框架,突破单调性假设限制,并给出双重稳健和去偏机器学习估计方法,在重症监护试验中验证其有效性。
2025-09-18 stat.ME
Relaxing monotonicity in endogenous selection models and application to surveys
本文考虑内生选择模型,特别是非参数的。当使用工具变量时,估计结果的无条件定律是可能的。使用一个选择方程,这是可加性分离的一维不可观测的工具单调性有时不可取的属性。我们提出的模型,允许非单调性和非参数随机系数指数的基础上。我们讨论了他们的非参数识别和应用这些结果推断非线性统计,如基尼指数在调查时,无响应不随机失踪。
2020-10-06 math.ST stat.TH
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
Causal inference with imperfect instrumental variables
International Centre for Theory of Quantum Technologies (ICTQT)(国际量子技术理论中心);University of Gdansk(格但斯克大学);Heinrich Heine University Düsseldorf(海因里希·海涅大学杜塞尔多夫);University of Cologne(科隆大学);International Institute of Physics(国际物理研究所);Federal University of Rio Grande do Norte(北里奥格兰德联邦大学)
工具变量允许量化因果关系,即使在没有干预的情况下。为了实现这一点,必须满足一些因果假设,其中最重要的是独立性假设,即工具和任何混杂因素必须是独立的。但是,如果不满足这个独立性条件,我们还能处理不完美的工具变量吗?不完美的工具可以通过违反限制场景中相关性集合的工具不平等来表现出来。在本文中,我们建立了一个定量的关系,这种违反工具不等式和最小量的测量依赖需要解释它们。其结果是,我们提供了适应的不平等,是有效的,在存在一个宽松的测量依赖性假设的工具的情况下。这允许调整现有的和新的下限的平均因果效应的工具情景与二元结果。最后,我们在量子力学的背景下讨论我们的发现。
2021-11-04 cs.LG quant-ph stat.ML
Instrumental variables as bias amplifiers with general outcome and confounding
通过观察性研究得出因果推论是许多学科的核心支柱。确定因果效应的一个充分条件是治疗-结局关系在观察到的协变量的条件下是无混杂的。人们通常认为,我们所依赖的协变量越多,这种无混淆性假设就越合理。这种信念对实际的因果推理产生了巨大的影响,这表明我们应该对所有预处理协变量进行调整。然而,当治疗和结局之间存在不可测量的混杂时,调整某些治疗前协变量的估计值可能比未调整该协变量的估计值具有更大的偏倚。这种协变量被称为偏倚放大器,包括独立于混杂因素的工具变量,仅通过治疗影响结果。以前,这种现象的理论结果只建立在线性模型上。我们填补了这一空白,在文献中提供了一个一般的理论,表明这种现象发生在一个广泛的一类模型满足一定的单调性假设。我们进一步表明,当治疗以下的加性或乘性模型的条件下的工具变量和混杂因素,这些单调性假设可以解释为因果图的箭头的符号。
2017-01-16 math.ST stat.AP stat.TH
The Multiplicative Instrumental Variable Model
University of Pennsylvania(宾夕法尼亚大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Washington University in St. Louis(圣路易斯华盛顿大学);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院)
本文提出乘法工具变量模型,通过非参数方法识别处理效应,引入了新的估计器以提高效率和鲁棒性。
2026-05-11 stat.ME
Profiling Compliers in Instrumental Variables Designs
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。IV分析既可用于分析不依从的随机试验,也可作为自然实验的一种形式。在这些分析中,研究者通常采用单调性假设,这意味着相关效应仅适用于被称为依从者的研究人群的子集。由于估计效应不是研究人群的平均处理效应,因此比较依从者和非依从者的特征非常重要。分析依从者和非依从者对于了解研究者正在推断的亚群是必要的,并且是评估依从者IV估计的外部有效性(或缺乏外部有效性)的重要第一步。在这里,我们讨论了分析所需的假设,如果随机分配仪器,这些假设比识别局部平均处理效应所需的假设弱。然后,我们概述了一个简单的和一般的方法来表征遵守者和noncompliers使用基线协变量。接下来,我们通过导出这些估计的标准误来扩展当前的方法。我们证明了这些方法使用被称为倾向于操作(TTO)从卫生服务研究的IV。
2021-03-10 stat.ME
Quantile Models with Endogeneity
在这篇文章中,我们回顾分位数模型与endoquantity。我们专注于通过使用工具变量实现识别的模型,并讨论了部分和点识别获得的条件。我们详细讨论了其中的关键条件,包括单调性和满秩型条件。在提供这篇评论时,我们更新了Rishzhukov和Hansen(2005,Econometrica)的识别结果。我们通过经济动机的例子来说明建模假设。我们还简要回顾了估计和推理的文献。关键词:识别、处理效应、结构模型、工具变量
2013-03-28 econ.EM stat.AP
Toggling the Defiers to Relax Monotonicity: The Difference-in-Instrumental-Variables Estimand
Hiroshima University(广岛大学)
本文提出DIIV估计量,通过两个具有相反合规模式的工具变量,无需单调性假设即可估计点识别的因果效应。
2026-02-13 econ.EM
Orthogonality conditions for convex regression
针对凸回归中识别正交性条件未知的问题,基于拉格朗日对偶理论建立样本正交性条件,并提出混合工具变量条件函数方法以减轻内生性影响。
2025-06-26 econ.EM stat.ME
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
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
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
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
When Should We (Not) Interpret Linear IV Estimands as LATE?
Brandeis University(布兰迪斯大学)
本文探讨线性工具变量估计量作为条件局部平均处理效应加权平均的解释问题,指出在存在额外协变量且回归可能误设定时,权重可能为负,从而影响因果解释。
2026-04-29 econ.EM 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
Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models
本文提出了一种基于辅助的独立性检验(AIT)条件,用于检验工具变量的有效性,适用于连续和离散治疗变量的非恒定效应模型,并通过实验验证了其有效性。
2026-03-12 cs.AI cs.LG stat.ME
Quasi Instrumental Variable Methods for Stable Hidden Confounding and Binary Outcome
Columbia University(哥伦比亚大学);National University of Singapore(新加坡国立大学);University of Washington, Seattle(华盛顿大学);University of Pennsylvania(宾夕法尼亚大学)
本文针对二元结果下IV排除性限制和独立性条件常不满足的问题,提出基于稳定混杂结构模型与准工具变量的识别策略,并开发最大似然和三重稳健半参数估计量,通过模拟及UK Biobank数据验证其有效性。
2025-09-20 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
Assessing the commonly used assumptions in estimating the principal causal effect in clinical trials
在临床试验中,通常需要了解主要因果效应(PCE),即主要分层(由一个或多个基线后变量的潜在结局定义的患者子集)的平均处理效应。常用的假设包括单调性、主可重复性、主可重复性和主层独立性的跨世界假设。在这篇文章中,我们通过一项2 $\times$ 2交叉研究来评估这些假设,在该研究中,只要没有遗留效应和研究期效应,就可以观察到两种治疗的潜在结局。从这个例子来看,似乎单调性假设和治疗内主要可重复性假设并不成立。另一方面,以基线协变量为条件的跨世界主要可解释性和跨世界主要阶层独立性的假设似乎是合理的。在后一种假设下,我们估计了PCE,其定义为每个治疗阶段的血糖标准差是否增加,而不依赖于交叉特征,产生的估计值接近利用交叉特征时的结果。据我们所知,这篇文章是第一次尝试使用交叉试验来评估用于估计PCE的常用假设的可行性。
2022-10-04 stat.AP stat.ME
Exploiting Independent Instruments: Identification and Distribution Generalization
University of Copenhagen(哥本哈根大学)
工具变量模型允许我们识别协变量$X$和响应$Y$之间的因果函数,即使存在未观察到的混杂。大多数现有的估计器假设响应$Y$中的误差项和隐藏混杂因素与工具$Z$不相关。这通常是由图形分离引起的,这也是证明独立性的一个论点。假设一个独立的限制,但是,导致严格更强的可识别性的结果。我们连接到现有的文献计量经济学,并提供了一个实用的方法,称为HSIC-X利用独立性,可以结合任何基于梯度的学习过程。我们看到,即使在可识别的设置,考虑更高的时刻可能会产生更好的有限样本结果。此外,我们利用分布推广的独立性。我们证明了所提出的估计是不变的分布转移的工具和最坏情况下的最佳,只要这些变化是足够强的。这些结果保持即使在欠识别的情况下,工具是不够丰富,以确定因果函数。
2022-09-22 cs.LG stat.ME stat.ML
Estimating Complier Average Causal Effects with Mixtures of Experts
针对治疗不依从问题,提出基于专家混合架构的CACE估计框架,放宽工具变量假设,证明可识别性与估计量性质,模拟和实际数据验证其优势。
2025-06-24 stat.ME
Ivy: Instrumental Variable Synthesis for Causal Inference
Stanford University(斯坦福大学)
从观测数据中估计变量x对y的因果效应的一种流行方法是使用工具变量(IV):第三个变量z,它只通过x影响y。z与x的关联越强,估计值就越可靠,但这样强的IV很难找到。相反,从业者将更常见的IV候选者-不一定是强有力的,甚至是有效的IV-结合到一个单一的“摘要”中,插入因果效应估计器中代替IV。在遗传流行病学中,这种方法被称为等位基因评分。等位基因分数需要强有力的假设-独立性和有效性的所有IV候选人-为所得的估计是可靠的。为了放松这些假设,我们提出了常春藤,一种新的方法来结合IV候选人,可以处理相关的和无效的IV候选人在一个强大的方式。从理论上讲,我们的特点是这种鲁棒性,其限制,其影响所产生的因果估计。从经验上讲,Ivy可以正确识别已知关系的方向性,并且在三个没有因果关系的真实世界数据集上对错误发现具有鲁棒性(中位效应大小<= 0.025),而等位基因得分返回更有偏见的估计(中位效应大小>= 0.118)。
2020-04-11 cs.LG stat.ML
Nested Instrumental Variables Analysis: Switcher Average Treatment Effect, Identification, Efficient Estimation and Generalizability
University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心);Ghent University(根特大学)
本文提出嵌套工具变量分析方法,用于识别开关者平均处理效应,并通过非参数模型推导高效估计器,探讨IV估计的可推广性检验。
2026-10-08 stat.AP stat.ME stat.OT
Heterogeneous Treatment Effects with Mismeasured Endogenous Treatment
本文研究了在非参数异质性处理效应框架下,当二元处理被误测和内生时,工具变量的识别能力。使用一个二进制工具变量,我刻画了尖锐的识别集的本地平均治疗效果的排除限制下的仪器和确定性的单调性的真正治疗的仪器。即使考虑到一般的测量误差(例如,测量误差是内生的),仍然可以获得局部平均处理效果的有限界限。值得注意的是,Wald被估量是局部平均治疗效应的上界,但它不是一般的锐界。我还提供了具有一致渐近有效尺寸控制的局部平均治疗效应的置信区间。此外,我证明了本文的识别策略提供了一个新的使用重复测量收紧识别集。
2017-05-19 math.ST stat.TH
Identifying Causal Effects of Discrete, Ordered and ContinuousTreatments using Multiple Instrumental Variables
本文利用多个二元工具变量提出新的因果参数识别方法,在弱单调性假设下适用于离散、有序和连续处理变量,并结合因果机器学习进行估计与假设违背检测,应用于教育回报和生育对女性劳动力市场影响的研究。
2024-10-18 econ.EM
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
On the Use of Instrumental Variables in Mediation Analysis
经验研究者不仅对治疗是否影响目标结果感兴趣,而且对处理效应如何产生感兴趣。因果中介分析提供了一个正式的框架,以确定因果机制,通过治疗影响的结果。最流行的识别策略依赖于所谓的序贯可混淆性(SI)假设,该假设要求在治疗和结局之间的因果路径中不存在未观察到的混杂因素。尽管这种假设很受欢迎,但在许多情况下被认为过于强大,因为它排除了未观察到的混杂因素的存在。这一局限性激发了最近的文献考虑一种替代的识别策略的基础上的工具变量(IV)。本文讨论了在一个二进制处理和一个二进制工具变量,这两个都被假定为随机设置的因果中介效应的识别。我们发现,虽然IV方法允许可能存在的未观察到的混杂因素,额外的单调性假设是必需的,除非假设强常数效应。此外,即使满足这种单调性假设,IV被估量不一定等同于目标参数。
2022-01-30 econ.EM
Complementarity and Identification
本文探讨了识别能力的假设,正式的互补性的概念的背景下,治疗反应的非参数界分析。我扩展了文献的部分识别通过形状的限制,利用跨维度的限制治疗反应时,治疗是多维的,超模块化的假设可以加强政策互补性研究中的平均处理效应的界限。这种限制可以与统计独立性假设相结合,以获得处理效应分布的改进界限,帮助评价复杂的随机对照试验。处理效应异质性产生的互补性可通过超模块工具变量纳入,以加强在一种或多种治疗研究中的识别。一个应用程序研究分区对城市空间结构演变的长期影响,说明了所提出的识别方法的价值。
2016-09-13 stat.ME
Double/Debiased Machine Learning for Continuous Treatment Effects in Panel Data with Endogeneity
Fudan University(复旦大学)
本文提出了一种双重/去偏机器学习框架,用于估计非参数面板模型中平均导数效应,扩展了工具变量方法到面板数据设置,处理连续治疗和各种内生性形式,并引入交叉拟合方案以消除时间固定效应后的独立性。通过惩罚GMM去偏项实现自动去偏机器学习。所提出的估计器在同时效应、动态效应和聚合效应上具有一致性和渐近正态性,具有有效的方差估计器。模拟显示了减少的正则化偏差和准确的置信区间。对ECLS-K数据的应用揭示了家庭社会经济地位对儿童BMI影响的丰富动态。
2026-05-18 stat.ME
Breakdown Analysis for Instrumental Variables with Binary Outcomes
本文针对二元结果的工具变量情境,推导了独立性违背下处理效应的识别集、失效阈值及对应非参数估计量,可评估IV实证结论稳健性,并验证了家庭规模对女性失业影响的相关结论对独立性违背高度敏感。
2025-10-01 econ.EM
On the falsification of instrumental variable models for heterogeneous treatment effects
Duke University(杜克大学)
本文提出了一种用于检验异质处理效应工具变量模型的可检验推论,区分排除限制和单调性假设的违反,并扩展到多个工具变量的情况。
2026-01-20 econ.EM
Specification Testing in Nonparametric Instrumental Quantile Regression
在计量经济学中,有许多环境需要对结构性扰动进行不可分离的建模。在具有内生回归变量的不可分离模型中,关键条件是工具变量的有效性和模型在标量不可观测变量中的单调性。在这些条件下,不可分模型等价于工具分位数回归模型。然而,关键条件的失败使得工具分位数回归可能不一致。本文提出了一种检验工具分位数回归模型是否正确的方法。我们的检验统计量在正确的规范下是渐近正态分布的,并且对任何替代模型都是一致的。此外,检验统计量,以证明模型简化。有限样本性质的研究在蒙特卡罗研究和经验说明。
2019-09-23 econ.EM
Identification and Model Testing in Linear Structural Equation Models using Auxiliary Variables
本文提出了一种基于辅助变量的线性结构方程模型辨识和模型检验的新方法,该方法推广了被广泛使用的工具变量方法。识别问题涉及的条件下,因果参数可以唯一地估计从一个观察,非因果协方差阵。在本文中,我们提供了一个算法的因果参数的线性结构模型,包括以前的国家的最先进的方法识别。换句话说,我们的算法比文献中先前已知的方法识别更多的系数和模型。我们的算法建立在辅助变量和模型变量之间的条件独立关系的图论表征,这是本文开发的。此外,我们利用这种新的特性,允许识别时,有限的实验数据或新的实质性知识的域。最后,我们开发了一个新的程序,使用AV模型测试。
2019-10-07 stat.ME
Homogeneity in the instrument-treatment association is not sufficient for the Wald estimand to equal the average causal effect for a binary instrument and a continuous exposure
工作背景:解释工具变量的结果往往需要进一步的假设,除了相关性,独立性和排除限制的核心假设。研究方法:我们评估是否工具暴露添加剂的同质性,使沃尔德估计等于平均衍生效应(ADE)的情况下,一个二元工具和连续曝光。结果如下:当仪器为二进制、暴露为连续且暴露对结果的影响在加性标度上为非线性时,仪器暴露加性同质性不足以识别ADE。对于二元暴露,确定性-结果效应必然是加性线性的,因此齐性条件是充分的。结论:对于二元仪器,如果暴露也是二元的,则仪器暴露加性均匀性识别ADE。否则,需要额外的假设(如确定性-结果效应的加性线性)。
2022-04-18 stat.ME
Stochastic Online Instrumental Variable Regression: Regrets for Endogeneity and Bandit Feedback
Université de Lille(里尔大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心)
本文针对在线学习中噪声与协变量相关的内生性问题,提出在线两阶段最小二乘法 O2SLS 及其老虎机算法 OFUL-IV,并证明其遗憾界与现有外生性方法同阶或匹配下界。
2024-02-25 cs.LG 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
Causal Inference with the Napkin Graph
Emory University(埃默里大学);Shanghai Jiao Tong University(上海交通大学)
研究Napkin图这一因果结构,通过两个g-公式的非标准比率识别平均处理效应,开发基于影响函数的双稳健估计量,并利用Verma约束建立半参数效率理论。
2026-06-26 stat.ME stat.ML
Marginal treatment effects in the absence of instrumental variables
Center for Quantitative Economic Research, Zhejiang University of Finance & Economics(浙江财经大学数量经济研究中心);School of Economics, Zhejiang University of Finance & Economics(浙江财经大学经济学院);School of Economics, Zhejiang University(浙江大学经济学院);School of Economics, Shanghai University of Finance & Economics(上海财经大学经济学院)
本文提出一种无需工具变量假设的方法,用于估计无工具变量情况下边际处理效应,并通过实证应用展示其在分析异质因果效应中的有效性。
2026-02-27 econ.EM
A Vector Monotonicity Assumption for Multiple Instruments
本文提出向量单调性假设,放宽多工具变量下LATE框架的严格单调性要求,刻画了二元工具变量下可点识别的因果参数类别,并提供了简单估计量及实证应用。
2024-03-25 econ.EM
Disentangled Graph Autoencoder for Treatment Effect Estimation
School of Mathematical Sciences, Zhejiang University(浙江大学数学科学学院);Petrochina Engineering and Planning Institute(中国石油工程规划研究院)
针对网络化观测数据中潜在因素被混淆的问题,提出解耦变分图自编码器,将潜在变量分离为工具、混杂、调整和噪声因素并强制独立,提升处理效应估计性能。
2025-02-20 cs.AI cs.LG stat.ML
Partial Identifiability in Discrete Data With Measurement Error
Johns Hopkins University(约翰斯·霍普金斯大学);Bayesian Health(贝叶斯健康公司)
当数据包含测量误差时,有必要做出假设,将观察到的错误数据与未观察到的真实感兴趣现象联系起来。这些假设应该在实质性的基础上是合理的,但往往是出于数学上的方便,为了准确地识别推理的目标。我们认为,最好是在合理的假设下提出界限,而不是在可疑的假设下寻求准确的识别。为此,我们演示了如何广泛的一类建模假设,涉及离散变量,包括常见的测量误差和条件独立的假设,可以表示为线性约束的模型参数。然后,我们使用线性规划技术,在这种模型中的测量误差下,为事实和反事实分布产生清晰的界限。我们还提出了一个程序,获得外边界的非线性模型。我们的方法在一些重要的设置中产生了尖锐的界限-例如具有测量误差的工具变量场景-以前没有已知的界限。
2020-12-23 cs.LG stat.ME stat.ML
Principal stratification analysis using principal scores
从业者感兴趣的不仅是治疗对结果的平均因果效应,而且是在治疗和结果之间存在中间变量的情况下的潜在因果机制。然而,在许多情况下,我们不能随机化中间变量,导致样本选择问题,即使在随机实验。因此,我们将具有中间变量的随机实验视为半观察性研究。在分析观察性研究的同时,我们提供了一个理论基础,进行客观的因果推断与一个中间变量的主要分层框架下,与主要层定义为联合潜在值的中间变量。我们的策略基于主要得分构建加权样本,定义为给定协变量的潜在主要层的条件概率,而无需访问任何结果数据。这种主要分层分析产生了强大的因果推断,而不依赖于任何模型假设的结果分布。我们还提出了方法进行敏感性分析的可验证性和单调性假设,在我们的理论中非常关键的,但不可测试的识别假设的违反。当经典的工具变量分析所需的假设不能被背景知识证明是合理的,或者因为感兴趣的科学问题而不能被证明是合理的时,我们的策略可以作为处理中间变量的一个有用的替代工具。我们用两个真实的数据例子来说明我们的方法,并找到科学上有意义的结论。
2016-02-03 math.ST stat.ME stat.TH
Learning Disentangled Representations for Counterfactual Regression via Mutual Information Minimization
Alibaba Group(阿里巴巴集团)
学习个体水平的处理效应是因果推理中的一个基本问题,在许多领域受到越来越多的关注,特别是在用户增长领域,这是许多互联网公司关注的问题。近年来,将协变量分解为工具因子、混杂因子和调节因子的非纠缠表示学习方法在治疗效果估计中取得了巨大的成功。然而,如何准确地了解潜在的分离因素仍然是一个悬而未决的问题。具体而言,以前的方法无法获得独立的解开的因素,这是一个必要的条件,识别处理效果。在本文中,我们提出了通过互信息最小化(MIM-DRFR),它使用多任务学习框架来共享信息时,学习潜在的因素,并纳入MI最小化学习标准,以确保这些因素的独立性的反事实回归的解开表示。包括公共基准测试和真实工业用户增长数据集在内的广泛实验表明,我们的方法比最先进的方法表现得更好。
2022-06-02 cs.LG stat.ML
The Inflation Technique for Causal Inference with Latent Variables
因果推理的问题是确定给定的观测变量的概率分布是否与某种因果结构相容。困难的情况是当因果结构包括潜在变量时。我们在这里介绍的$\textit{inflation technique}$解决这个问题。因果结构的膨胀是一种新的因果结构,它可以包含每个原始变量的多个副本,但每个副本的祖先都反映了原始变量的祖先。对于与原始因果结构相容的观测变量的每个分布,我们在与膨胀因果结构相容的副本的某些子集上分配一个边缘分布族。由此可见,膨胀的相容性约束可以转化为原始因果结构的相容性约束。即使在通货膨胀水平上的约束很弱,例如不相交的因果关系所隐含的可观察到的统计独立性,转换后的约束也可能很强。我们应用这种方法来推导新的不等式,其违反的分布证人,分布的不相容性的因果结构(其中贝尔不等式和珍珠的工具不等式是突出的例子)。我们描述了一个算法,用于推导出所有这些不平等的原始因果结构,从祖先的独立性,在通货膨胀。对于三个观察到的二元变量与成对的共同原因,它产生的不平等,至少在某些方面比现有的方法获得的更强。我们还描述了一个算法,推导出一组较弱的不等式,但更有效。最后,我们讨论了哪些暴胀是这样的,从他们得到的不等式仍然有效,甚至量子(和后量子)推广的因果模型的概念。
2019-07-22 math.ST quant-ph stat.ME
Robust Permutation Tests in Linear Instrumental Variables Regression
本文提出线性工具变量回归中识别稳健检验的置换版本,在正交性假设下对条件异方差稳健,并在工具独立时精确,兼具秩检验和野自助法优势。
2024-07-23 econ.EM
Causal Spillover Effects Using Instrumental Variables
我建立了一个潜在结果框架,使用工具变量分析溢出效应。我的特点是人口的依从性类型的设置中,溢出效应可能会发生在两个治疗占用和结果,并提供条件,识别的边际分布的依从性类型。我表明,意向治疗(ITT)参数聚合多个直接和溢出效应不同的依从性类型,因此没有一个明确的因果关系可解释的参数。此外,通过第一阶段被估量重新标度ITT参数通常恢复平均效应的加权组合,其中权重之和大于1。然后,我分析了识别的因果直接和溢出效应下的单边不遵守,并表明,因果效应可以估计在这种情况下,2SLS。我说明了所提出的方法使用的数据从实验中的社会互动和投票行为。我还介绍了另一种假设,同行的类型的独立性,通过限制平均潜在结果的异质性,确定参数的利益在双边不遵守。
2021-12-14 econ.EM
Causal Identification under Interference: The Role of Treatment Assignment Independence
Concordia University(康科迪亚大学);University of Geneva(日内瓦大学)
本文研究了在存在任意干扰时,基于个体治疗反应假设的因果识别公式所识别的因果对象,发现其为平均直接效应,并提出了一种稳健性分析框架。
2026-10-19 econ.EM