Valid Instrumental Variables Selection Methods using Negative Control Outcomes and Constructing Efficient Estimator
利用负对照结局筛选有效工具变量并构造高效估计量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：摘要明确研究工具变量、孟德尔随机化和未测混杂下的因果效应估计，并以负对照结局辅助识别，直接对应因果推断。
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
利用负对照结局筛选有效工具变量并构造高效估计量
- 研究问题
- 研究观察研究与孟德尔随机化中，如何避免将无效工具变量纳入估计导致的因果效应偏误，并利用负对照结局辅助筛选。
- 方法与思路
- 作者将负对照结局作为辅助变量识别工具变量有效性，提出筛选策略与两步估计程序，并以模拟比较所提估计量和已有方法。
- 材料陈述的贡献
- 摘要称，该策略可排除无效工具变量，作者证明两步估计量的半参数效率，并报告模拟中的相对优势，但未列出条件与数值。
- 阅读关注点
- 应核对负对照结局与未观测混杂的关系、有效工具变量筛选条件，以及筛选误差如何影响两步估计的效率和统计推断。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未说明负对照及效率结论的完整条件，不能据此认为任意负对照都能准确筛选工具变量。
原文摘要
In observational studies, instrumental variable (IV) methods are commonly applied when there exists some unmeasured covariates. In Mendelian Randomization (MR), constructing an allele score by using many single nucleotide polymorphisms (SNPs) is often implemented; however, there are risks estimating biased causal effects by including some invalid IVs. Invalid IVs are candidates of IVs associated with some unobserved variables. To solve this problem, we propose a novel strategy in this paper: using Negative Control Outcomes (NCOs) as auxiliary variables. By using NCOs, we can essentialy select only valid IVs and exclude invalid IVs without any information of IV candidates. We also propose the new two-step estimating procedure and prove the semiparametric efficiency. We demonstrate the superior performance of the proposed estimator compared with existing estimators via simulation studies.