Identification and Robust Inference for Multiple Treatments with Possibly Invalid Instruments
存在无效工具变量时多重处理效应的识别与稳健推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要围绕工具变量有效性、多个内生处理的因果效应识别与置信区间展开，因此归入因果推断。
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
存在无效工具变量时多重处理效应的识别与稳健推断
- 研究问题
- 在线性工具变量模型含多个内生处理且部分工具可能无效时，如何识别各处理效应，并避免工具筛选错误导致区间覆盖不足？
- 方法与思路
- 作者将各工具对应的候选效应表示为多维空间中的超平面，提出广义多数与相对多数规则，并构造抵抗筛选错误的抽样置信区间。
- 材料陈述的贡献
- 摘要称，所提规则支持多重效应识别，区间在正则条件下具有渐近覆盖与参数率长度，并以模拟及孟德尔随机化应用展示方法。
- 阅读关注点
- 应核对有效工具数量与相关性要求、超平面交集如何保证唯一识别，以及抽样区间如何处理难以区分的无效工具。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未列出完整识别及正则条件，稳健性不能理解为允许任意工具无效结构。
原文摘要
The instrumental variable (IV) method is widely used to infer causal effects in observational studies with unmeasured confounding, but invalid instruments can compromise both population identification and finite-sample inference. This paper studies linear IV models with multiple endogenous treatments and possibly invalid instruments. Identification of multiple effects is more delicate than in the single-treatment setting because a single instrument no longer identifies a single candidate effect; instead, each relevant instrument defines a hyperplane in the multidimensional effect space. For identification of multiple treatment effects, we introduce generalized plurality and majority rules which require a sufficiently large number of IVs to be valid. For inference, data-dependent instrument selection may fail to separate certain invalid IVs from valid ones, leading to undercoverage of confidence intervals when these invalid instruments are mistakenly selected as valid. We propose a sampling confidence interval for each treatment effect, which is robust to IV selection errors. We establish asymptotic coverage and parametric-rate length of our sampling confidence interval under regularity conditions and illustrate this method in Monte Carlo simulations and a Mendelian randomization application.