TSCI: two stage curvature identification for causal inference with invalid instruments
TSCI：利用无效工具变量进行因果推断的两阶段曲率识别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：摘要直接讨论无效工具变量下观察数据处理效应的识别与估计。
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…
TSCI：利用无效工具变量进行因果推断的两阶段曲率识别
- 研究问题
- 观察数据中的工具变量违反经典有效性条件时，能否借助处理模型的非线性信息估计处理效应并提供软件实现？
- 方法与思路
- TSCI 第一阶段用机器学习处理处理模型的非线性及交互，第二阶段自适应选择工具违规空间并投影剔除其影响。
- 材料陈述的贡献
- 摘要介绍了 R 环境中的两阶段估计实现，并称不要求经典工具变量识别条件，全部工具无效时也能发挥作用。
- 阅读关注点
- 应核对曲率识别所需的替代条件、违规空间的选择规则，以及机器学习误差、投影操作和最终推断的联系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明替代识别条件，不能把全部工具无效解读为无需任何假设。
原文摘要
TSCI implements treatment effect estimation from observational data under invalid instruments in the R statistical computing environment. Existing instrumental variable approaches rely on arguably strong and untestable identification assumptions, which limits their practical application. TSCI does not require the classical instrumental variable identification conditions and is effective even if all instruments are invalid. TSCI implements a two-stage algorithm. In the first stage, machine learning is used to cope with nonlinearities and interactions in the treatment model. In the second stage, a space to capture the instrument violations is selected in a data-adaptive way. These violations are then projected out to estimate the treatment effect.