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

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

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

本文提取了某些牵涉到未测量变量的因果模型，虽然在观测到的变量之间不会产生独立性约束，但仍然会暗示观测分布的不等式约束。利用一个通用公式推导出了这样的工具变量（instrumental variables），即直接影响某些变量但不影响所有变量的外生变量。可以借助此公式测试涉及工具变量的模型是否能够解释数据，或者反过来，确认给定变量是否可以视为工具变量。

Feb, 2013