Robustness Against Weak or Invalid Instruments: Exploring Nonlinear Treatment Models with Machine Learning
对弱工具变量或无效工具变量的稳健性：利用机器学习探索非线性治疗模型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：摘要明确研究可能无效的工具变量、因果效应识别及教育对收入的影响，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…
对弱工具变量或无效工具变量的稳健性：利用机器学习探索非线性治疗模型
- 研究问题
- 在观察性研究中，工具变量可能较弱或违反有效性要求时，能否利用治疗模型的非线性结构识别并推断因果效应？
- 方法与思路
- 作者提出两阶段曲率识别方法，以机器学习拟合第一阶段，利用工具变量对治疗的作用与违规形式的差异识别效应，并实施偏差修正。
- 材料陈述的贡献
- 摘要称，即使机器学习未一致估计治疗模型，估计量仍可渐近无偏且呈高斯分布；同时提出违规形式选择方法，并应用于教育收益。
- 阅读关注点
- 应核对工具变量作用与违规形式必须如何区分、弱工具变量的处理范围，以及偏差修正、模型选择和渐近结论所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出完整识别与正则条件，不能理解为对任意工具变量失效均稳健。
原文摘要
We discuss causal inference for observational studies with possibly invalid instrumental variables. We propose a novel methodology called two-stage curvature identification (TSCI) by exploring the nonlinear treatment model with machine learning. {The first-stage machine learning enables improving the instrumental variable's strength and adjusting for different forms of violating the instrumental variable assumptions.} The success of TSCI requires the instrumental variable's effect on treatment to differ from its violation form. A novel bias correction step is implemented to remove bias resulting from the potentially high complexity of machine learning. Our proposed \texttt{TSCI} estimator is shown to be asymptotically unbiased and Gaussian even if the machine learning algorithm does not consistently estimate the treatment model. Furthermore, we design a data-dependent method to choose the best among several candidate violation forms. We apply TSCI to study the effect of education on earnings.