Mar, 2016

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

PDF
TL;DR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。
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

  • 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

  • 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

    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。

    Jan, 2014

  • 利用工具变量的有界、高效和多重稳健的平均处理效果估计

    本文提出了新的假设条件，允许在标准 IV 模型下识别平均处理效应（ATE），并构建了多个估计器，这些估计器在三个不同的观察数据模型下是一致的，并设计保证 ATE 估计值在 - 1 到 1 之间的估计器。

    Nov, 2016

  • 通过结合弱工具和观测数据估计异质治疗效应

    通过结合工具变量和观测数据，本文提出了一种可靠的方法来估计存在观测数据中的未观察混淆以及工具变量数据中的低合规性（包括某些子群体的零合规性）的条件平均处理效应（CATEs）。

    Jun, 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

  • 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

  • Auto IV: 自动仪器变量分解实现反事实预测

    本文提出了一种名为自动工具变量分解（AutoIV）算法来从观测变量（IV 候选变量）中自动生成具有 IV 角色的表达形式，通过最大化和最小化互信息约束来满足与处理和结果相关性和排除条件，以学习混淆因子及竞争信息以获得 IV 角色的表征，进而为基于 IV 的反事实预测生成有效的 IV 表征。

    Jul, 2021

  • 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