Double Machine Learning of Continuous Treatment Effects with Additive Instrumental Variables
加性工具变量下连续处理效应的双重机器学习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下连续处理的工具变量识别、剂量反应估计与去偏推断。
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
加性工具变量下连续处理效应的双重机器学习
- 研究问题
- 连续处理存在未观测混杂时，如何借助加性工具变量识别平均剂量反应函数，并开展灵活估计和相关条件的检验？
- 方法与思路
- 作者在处理空间的有限开集覆盖上构造一致正则权重，建立局部识别，并以增广逆概率加权得分开展去偏机器学习。
- 材料陈述的贡献
- 摘要称，方法提供权重的数据自适应构造、加性工具变量条件的证伪检验及权重有效性检验，并建立估计和检验理论。
- 阅读关注点
- 核对加性工具变量限制、正则权重存在条件，以及局部识别区域如何衔接，并检查核回归与风险最小化各自的推断条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出完整条件、渐近速率和实证结果，证伪检验不能直接确认有效性。
原文摘要
Estimating causal effects of continuous treatments is a common problem in practice, for example, in studying average dose-response functions. Classical analyses typically assume that all confounders are fully observed, whereas in real-world applications, unmeasured confounding often persists. In this article, we propose a novel framework for the identification of average dose-response functions using instrumental variables, thereby mitigating bias induced by unobserved confounders. We introduce the concept of a uniform regular weighting function and consider covering the treatment space with a finite collection of open sets. On each of these sets, such a weighting function exists, allowing us to identify the average dose-response function locally within the corresponding region. For estimation, we propose an augmented inverse probability weighted score for continuous treatments with instrumental variables under a debiased machine learning framework, and provide practical guidance for adaptively constructing regular weighting functions from the data. We also propose a falsification test for the additive instrumental variable condition and develop a testing procedure for assessing the validity of regular weighting functions. We further establish the asymptotic properties of the resulting estimators based on kernel regression or empirical risk minimization as well as the theoretical validity of the proposed testing procedures. Finally, we conduct both simulation and empirical studies to assess the finite-sample performance of the proposed methods.