The Multiplicative Instrumental Variable Model
乘法工具变量模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确使用工具变量处理潜在混杂并识别 ATT，属于因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
乘法工具变量模型
- 研究问题
- 存在潜在混杂时，能否通过工具变量与混杂因素影响治疗接受机制的乘法结构约束，识别受治疗者平均处理效应？
- 方法与思路
- 作者在治疗倾向得分模型中施加工具变量与未观测混杂因素无乘法交互的条件，并利用单臂 Wald 比率构造识别和估计。
- 材料陈述的贡献
- 摘要称，乘法工具变量模型实现 ATT 的非参数识别，并提出具有多重稳健性和半参数效率的估计量，配以模拟及培训项目应用。
- 阅读关注点
- 应核对无乘法交互与其他工具变量条件的关系、单臂 Wald 表达式的适用范围，以及多重稳健性需要哪些模型组合正确。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未列出全部识别假设和稳健性组合，不能把该乘法约束视为自动满足，也不能推断弱工具下的表现。
原文摘要
Summary The instrumental variable (IV) design is a common approach to address hidden confounding bias. For validity, an IV must impact the outcome only through its association with the treatment. In addition, IV identification has required a homogeneity condition such as monotonicity or no unmeasured common effect modifier between the additive effect of the treatment on the outcome, and that of the IV on the treatment. In this work, we introduce the Multiplicative Instrumental Variable Model (MIV), which encodes a condition of no multiplicative interaction between the instrument and an unmeasured confounder in the treatment propensity score model. Thus, the MIV provides a novel formalization of the core IV independence condition interpreted as independent mechanisms of action, by which the instrument and hidden confounders influence treatment uptake, respectively. As we formally establish, MIV provides nonparametric identification of the population average treatment effect on the treated (ATT) via a single-arm version of the classical Wald ratio IV estimand, for which we propose a novel class of estimators that are multiply robust and semiparametric efficient. Finally, we illustrate the methods in extended simulations and an application on the causal impact of a job training program on subsequent earnings.