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

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

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

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

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

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

利用双 / 去偏机器学习框架设计的 DML-IV 算法，有效减小两阶段 IV 回归中的偏差并学习高性能策略。

May, 2024

本论文研究了工具变量回归中未测量混淆因素和观测混淆因素不平衡引起的混淆效应，提出一种混淆平衡的工具变量回归算法 (CB-IV) 来无偏估计治疗效应，进一步提高 CB-IV 的性能，扩展引入了潜在变量模块 (CB-IV-L)，实验证明了 CB-IV (-L) 算法优于现有的方法。

Nov, 2022

本研究提出了一种新的方法，即深度特征工具变量回归（DFIV），用于解决仪器、处理和结果之间可能是非线性关系的情况。通过训练深度神经网络，定义仪器和处理的信息非线性特征。采用交替训练模式确保优良的端到端性能，解决了应用传统仪器变量回归可能存在的局限性，可有效提高其应用范围和性能。

Oct, 2020