Causal inference with invalid instruments: post-selection problems and a solution using searching and sampling
无效工具变量下的因果推断：选择后问题及搜索与抽样方案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。
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：摘要明确研究无效工具变量下的因果效应识别与置信区间，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
无效工具变量下的因果推断：选择后问题及搜索与抽样方案
- 研究问题
- 当有效与无效工具变量难以通过数据区分时，如何避免选择错误导致因果效应置信区间覆盖不足，并保持区间精度？
- 方法与思路
- 作者搜索能使足够多工具变量有效的处理效应取值，再结合所提出的抽样方法，构造对工具变量分类错误稳健的区间。
- 材料陈述的贡献
- 摘要称搜索与抽样区间在有限样本多数及相对多数规则下具有一致有效性和参数级长度，并用于教育对收入的影响分析。
- 阅读关注点
- 应核对多数及相对多数规则的定义、一致有效性的参数范围、抽样与搜索步骤，以及教育应用的工具变量有效性依据。
- 阅读边界
- 仅据 Crossref 摘要；规则细节、其他识别条件、有限样本覆盖及应用结果未说明，不能将所述保证推广到任意无效工具变量配置。
原文摘要
Abstract Instrumental variable methods are among the most commonly used causal inference approaches to deal with unmeasured confounders in observational studies. The presence of invalid instruments is the primary concern for practical applications, and a fast-growing area of research is inference for the causal effect with possibly invalid instruments. This paper illustrates that the existing confidence intervals may undercover when the valid and invalid instruments are hard to separate in a data-dependent way. To address this, we construct uniformly valid confidence intervals that are robust to the mistakes in separating valid and invalid instruments. We propose to search for a range of treatment effect values that lead to sufficiently many valid instruments. We further devise a novel sampling method, which, together with searching, leads to a more precise confidence interval. Our proposed searching and sampling confidence intervals are uniformly valid and achieve the parametric length under the finite-sample majority and plurality rules. We apply our proposal to examine the effect of education on earnings. The proposed method is implemented in the R package RobustIV available from CRAN.