Nov, 2016

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

PDF
TL;DR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。
instrumental variablescausal effectsidentification assumptionsobserved data modelsbinary outcomes
发现论文，激发创造
  • 使用二元工具变量估计存在未观测混杂下的个体治疗效应

    该论文提出了一种称为 MRIV 的机器学习框架，基于二进制 IVs 直接估计个人化药物治疗效果，解决了实践中治疗分配容易被未观察变量混淆的偏差问题，并给出了理论分析证明的理论和实验结果表明，其性能表现优于已有的 IV 貌似方法。

    Aug, 2022

  • 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

  • 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

  • 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

  • 未观测到的混淆因素对条件和平均处理效应的界限

    本研究提出了一种可扩展的损失最小化方法，用于估计有界效应的未观察混淆因素对治疗选择的倾向比的条件平均治疗效应（CATE）的界限。同时，还引入了灵活的模型类别进行估计，并提供了关于平均治疗效应（ATE）的灵敏度分析，我们发现最优边界在某些情况下是紧的。该方法在模拟和实际数据示例上表现出准确的覆盖率。

    Aug, 2018

  • 学习条件工具变量表示以进行因果效应估计

    利用分离表示学习的优势，提出了一种名为 DVAE.CIV 的新方法，用于从具有潜在混淆因素的数据中学习和分离 CIV 和其条件集的表示，并进行因果效应估计。对合成和真实世界数据集的广泛实验结果表明，与现有的因果效应估计方法相比，所提出的 DVAE.CIV 方法具有卓越的性能。

    Jun, 2023

  • 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

  • 条件平均偏因果效应的识别与估计：基于工具变量的方法

    本研究介绍了一种用于揭示连续处理的因果效应异质性的条件平均局部因果效应（CAPCE）方法，在工具变量设定下提供了 CAPCE 识别的条件，并开发了三种 CAPCE 估计器：筛子、参数和再现核希尔伯特空间（RKHS）- 基于估计器，并分析了它们的统计特性。我们使用合成和真实世界数据验证了所提出的 CAPCE 估计器。

    Jan, 2024

  • 半参数工具变量法在内生性下最优治疗方案的研究

    提出了一种基于工具变量的方法，通过二进制工具变量帮助确定无未测混杂作用的最优治疗方案，同时构造了新型的多重稳健分类估计器，该方法通过对育儿对劳动参与的影响数据的应用进行了说明。

    Nov, 2019

  • 高维数据的程序评估和因果推论

    本文提供了针对丰富的数据环境中的各种处理效应，包括局部平均处理效应（LATE）和局部分位数处理效应（LQTE）的高效估计量和诚实置信区间。 我们的框架涵盖了处理的内生接收，异质性处理效应和函数值结果等特殊情况。

    Nov, 2013