Jan, 2014

带有一些无效工具变量的工具变量估计及其在 Mendelian Randomization 中的应用

PDF
TL;DR提出了一种名为 sisVIVE 的快速惩罚估计方法，用于不知道哪些工具有效的因果效应估计，该方法在模拟数据和现实中的 “Mendelian 随机化” 研究中得到了验证。
instrumental variablescausal effectmendelian randomizationinvalid instrumentssisvive estimation method
发现论文，激发创造
  • 具有（某些）无效工具的有效因果推断

    本文提出一种方法，使用多个工具变量估计器计算最可能的因果效应，从而在不依赖于「排除假设」的情况下进行一致的工具变量估计。

    Jun, 2020

  • 利用泄漏工具限定因果效应

    通过使用一个允许一定程度上违反排除性准则的泄露工具集合，我们提出了一种在线性模型中进行部分识别的新方法，其通过凸优化目标为平均处理效应提供可靠的下确界，并实现推断程序以量化结果估计的不确定性。

    Apr, 2024

  • Ivy: 因果推断的工具变量合成

    提出了一种新方法 Ivy，用于合并仪器变量候选项，以在处理相关和无效候选项时进行有效估算，与 allele scores 相比，该方法的实验结果表明更可靠、准确性更高。

    Apr, 2020

  • 从观测数据中发现祖先工具变量进行因果推断

    本文提出一种基于部分祖先图的数据驱动算法用于发现有效的工具变量，并在合成数据和真实世界数据集上进行实验证明其对因果效应估计的准确性优于现有基于工具变量的因果效应估计方法。

    Jun, 2022

  • 利用独立仪器：鉴别和分布泛化

    介绍了一种基于 HSIC-X 工具的因果推断方法，该方法能够在考虑隐藏共变量的情况下，利用独立性进行精确推断，并在分布变化时具有不变性和最优性。

    Feb, 2022

  • 深度广义矩方法在工具变量分析中的应用

    这篇文章提出了一个名为 DeepGMM 的算法，利用新的变分重构方法和协方差加权，能够高效处理复杂的因果效应以及高维数据的情形，并且缩短优化时间，即使在大规模数据集上也同样适用。

    May, 2019

  • 祖先仪器方法用于因果推断，无需因果图

    本文提出了一种基于最大祖先图 (MAG) 的新型工具 —— 祖先工具变量 (ancestral IV)，并通过理论与算法探讨，实现了从观测数据中自动发现祖先 IV 特征值并进行无偏因果效应估计的方法。实验结果表明，该方法能够在合成数据和实际数据集上比已有 IV 方法表现更好。

    Jan, 2022

  • 使用两阶段硬门限投票法推断无效工具因果效应的置信区间

    该研究提出了一种在存在无效 IV 的情况下进行因果效应估计的方法，称为 Two-Stage Hard Thresholding with voting，并应用于重新分析教育对收入的因果效应。

    Mar, 2016

  • 使用深度生成模型的条件工具因果推断

    本文提出了一种基于深度生成模型的数据驱动方法，用于从含有潜在混淆因素的数据中学习条件工具变量及其调节集的信息表示，并实现平均因果效应估计。通过大量的合成和实际数据实验，证明该方法优于现有的 IV 方法。

    Nov, 2022

  • 间接实验的自适应仪器设计

    间接实验通过利用（条件）工具变量来估计治疗效果，提供了一种有价值的框架，适用于无法进行随机对照试验（RCT）的情况。本文提出了通过自适应设计数据收集策略来提高间接实验的样本效率的实际计算流程，通过在各个领域进行实验展示了该方法如何显著提高间接实验的样本效率。

    Dec, 2023