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
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
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
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
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
介绍和讨论 IV 方法及其在因果推断和机器学习中的应用,主要包括两阶段最小二乘法、控制函数和 IV 评估;总结了实际应用场景中的数据集和算法,并讨论了未来研究的方向和问题。
Dec, 2022
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
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
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
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