Estimating Heterogeneous Treatment Effects by Combining Weak Instruments and Observational Data
结合弱工具变量与观测数据估计异质性处理效应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：摘要直接研究未观测混杂、弱工具变量及异质性处理效应估计，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
结合弱工具变量与观测数据估计异质性处理效应
- 研究问题
- 观测数据存在未观测混杂，而工具变量数据存在低依从性甚至部分子群零依从性时，如何结合两类数据估计条件平均处理效应？
- 方法与思路
- 作者提出两阶段框架，先从观测数据学习有偏 CATE，再利用工具变量数据进行依从性加权修正，使用依从性随协变量变化的信息。
- 材料陈述的贡献
- 摘要称，该方法可处理低依从性及部分子群零依从性，给出收敛速率并开展模拟，还分析了 401(k) 参与对财富的异质性效应。
- 阅读关注点
- 应核对两类数据之间的可迁移条件、偏差修正的结构，以及零依从性子群为何可识别、收敛速率如何依赖工具强度。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列出数据融合和零依从性情形的识别条件或实证效应数值。
原文摘要
Accurately predicting conditional average treatment effects (CATEs) is crucial in personalized medicine and digital platform analytics. Since the treatments of interest often cannot be directly randomized, observational data is leveraged to learn CATEs, but this approach can incur significant bias from unobserved confounding. One strategy to overcome these limitations is to leverage instrumental variables (IVs) as latent quasi-experiments, such as randomized intent-to-treat assignments or randomized product recommendations. This approach, on the other hand, can suffer from low compliance, $\textit{i.e.}$, IV weakness. Some subgroups may even exhibit zero compliance, meaning we cannot instrument for their CATEs at all. In this paper, we develop a novel approach to combine IV and observational data to enable reliable CATE estimation in the presence of unobserved confounding in the observational data and low compliance in the IV data, including no compliance for some subgroups. We propose a two-stage framework that first learns $\textit{biased}$ CATEs from the observational data, and then applies a compliance-weighted correction using IV data, effectively leveraging IV strength variability across covariates. We characterize the convergence rates of our method and validate its effectiveness through a simulation study. Additionally, we demonstrate its utility with real data by analyzing the heterogeneous effects of 401(k) plan participation on wealth.