Identifying Causal Effects using Instrumental Time Series: Nuisance IV and Correcting for the Past
利用工具变量时间序列识别因果效应：辅助变量与历史依赖调整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：摘要以工具变量识别因果效应为核心，并明确在 VAR(p) 和 VAR(1) 过程中建立结果，对应因果推断与 VAR 方法。
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…
利用工具变量时间序列识别因果效应：辅助变量与历史依赖调整
- 研究问题
- 当时间序列含有未观测混杂和历史依赖时，如何构造有效的工具变量识别方程，避免直接套用独立样本方法？
- 方法与思路
- 作者提出引入辅助协变量和调整过去依赖的方法，结合图边缘化框架与 VAR 的全局马尔可夫性质构造识别方程。
- 材料陈述的贡献
- 摘要称给出一致估计方法、VAR(1) 中涉及 Jordan 形式的识别条件，并展示因果效应在分布泛化中的用途及模拟支持。
- 阅读关注点
- 应核对工具变量有效性、历史调整集合、辅助协变量的作用，以及 Jordan 形式条件如何区别于独立样本的秩条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出完整识别条件，不能概括为工具变量越少越好。
原文摘要
Instrumental variable (IV) regression relies on instruments to infer causal effects from observational data with unobserved confounding. We consider IV regression in time series models, such as vector auto-regressive (VAR) processes. Direct applications of i.i.d. techniques are generally inconsistent as they do not correctly adjust for dependencies in the past. In this paper, we outline the difficulties that arise due to time structure and propose methodology for constructing identifying equations that can be used for consistent parametric estimation of causal effects in time series data. One method uses extra nuisance covariates to obtain identifiability (an idea that can be of interest even in the i.i.d. case). We further propose a graph marginalization framework that allows us to apply nuisance IV and other IV methods in a principled way to time series. Our methods make use of a version of the global Markov property, which we prove holds for VAR(p) processes. For VAR(1) processes, we prove identifiability conditions that relate to Jordan forms and are different from the well-known rank conditions in the i.i.d. case (they do not require as many instruments as covariates, for example). We provide methods, prove their consistency, and show how the inferred causal effect can be used for distribution generalization. Simulation experiments corroborate our theoretical results. We provide ready-to-use Python code.