Estimating Complier Average Causal Effects with Mixtures of Experts
利用专家混合模型估计依从者平均因果效应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：摘要明确研究随机试验不依从情况下的依从者平均因果效应，并讨论工具变量识别限制，直接属于因果推断。
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…
利用专家混合模型估计依从者平均因果效应
- 研究问题
- 随机试验存在不依从且经典工具变量的单调性或排除限制可能失效时，如何识别并估计依从者平均因果效应？
- 方法与思路
- 作者构建专家混合模型，以两个专用 EM 算法实现两步估计，并研究模型组件识别、估计一致性和渐近正态性。
- 材料陈述的贡献
- 摘要称该框架放松经典工具变量限制，模拟中在这些限制失效时降低均方根误差，并给出大型随机试验应用。
- 阅读关注点
- 应核对替代单调性和排除限制的混合模型条件、依从类型的定义，以及组件识别和模型误设下效应估计的边界。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未列出替代识别条件，误设下的模拟优势不证明普遍稳健或一致。
原文摘要
Treatment non-compliance, where individuals deviate from their assigned experimental conditions, frequently complicates the estimation of causal effects. To address this, we introduce a novel learning framework based on a mixture of experts architecture to estimate the Complier Average Causal Effect (CACE). Our framework provides a flexible alternative to classical instrumental variable methods by relaxing their strict monotonicity and exclusion restriction assumptions. We develop a principled, two-step procedure where each step is optimized with a dedicated Expectation-Maximization (EM) algorithm. Crucially, we provide formal proofs that the model's components are identifiable, ensuring the learning procedure is well-posed. The resulting CACE estimators are proven to be consistent and asymptotically normal. Extensive simulations demonstrate that our method achieves a substantially lower root mean squared error than traditional instrumental variable approaches when their assumptions fail, an advantage that persists even when our own mixture of experts are misspecified. We illustrate the framework's practical utility on data from a large-scale randomized trial.