Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models
加性非线性与非常数效应模型中工具变量的可检验性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：摘要直接讨论未测量混杂下的工具变量有效性、因果模型和可检验条件。
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…
加性非线性与非常数效应模型中工具变量的可检验性
- 研究问题
- 处理变量可连续、效应可非线性且存在未测量混杂时，观察数据能提供哪些检验候选工具变量有效性的条件？
- 方法与思路
- 作者提出基于辅助变量的独立性检验条件，分析完备性下的必要性及附加条件下的充分性，并扩展至协变量情形。
- 材料陈述的贡献
- 摘要称文章将工具变量可检验性推进到加性非线性、非常数效应模型，提出实际算法，并以合成与真实数据作评估。
- 阅读关注点
- 应核对辅助变量构造、完备性与其他附加条件，以及检验通过或拒绝分别意味着什么，算法如何处理非参数估计误差。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未说明充要结论的全部条件，不能把通过检验等同于一般意义上的工具有效。
原文摘要
We address the issue of the testability of instrumental variables derived from observational data. Most existing testable implications are centered on scenarios where the treatment is a discrete variable, e.g., instrumental inequality (Pearl, 1995), or where the effect is assumed to be constant, e.g., instrumental variables condition based on the principle of independent mechanisms (Burauel, 2023). However, treatments can often be continuous variables, such as drug dosages or nutritional content levels, and non-constant effects may occur in many real-world scenarios. In this paper, we consider an additive nonlinear, non-constant effects model with unmeasured confounders, in which treatments can be either discrete or continuous, and propose an Auxiliary-based Independence Test (AIT) condition to test whether a variable is a valid instrument. We first show that, under the completeness condition, if the candidate instrument is valid, then the AIT condition holds. Moreover, we illustrate the implications of the AIT condition and demonstrate that, under certain additional conditions, the AIT condition is necessary and sufficient to detect all invalid IVs. We also extend the AIT condition to include covariates and introduce a practical testing algorithm. Experimental results on both synthetic and three different real-world datasets show the effectiveness of our proposed condition.