Graphical tools for selecting conditional instrumental sets
选择条件工具变量集合的图形工具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：摘要直接以未测混杂下的工具变量识别与总因果效应估计为目标，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…
选择条件工具变量集合的图形工具
- 研究问题
- 存在未测混杂且已知因果混合图时，如何选择有效的条件工具变量集合，使总因果效应的两阶段最小二乘估计更精确？
- 方法与思路
- 作者在线性结构方程与相关误差设定中刻画有效工具集合，推导渐近方差，并提出图形比较准则、贪心添加算法和集合构造。
- 材料陈述的贡献
- 摘要称，三类图形工具能够比较或降低有效估计量的渐近方差，其中一种构造达到图形准则可保证的最小渐近方差。
- 阅读关注点
- 应核对线性有效性的定义、已知图对误差相关性的编码，以及方差比较准则和贪心算法能保证效率改善的具体范围。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。结论依赖已知图和线性模型；摘要未说明图误设或弱工具变量下的表现。
原文摘要
We consider the efficient estimation of total causal effects in the presence of unmeasured confounding using conditional instrumental sets. Specifically, we consider the two-stage least squares estimator in the setting of a linear structural equation model with correlated errors that is compatible with a known acyclic directed mixed graph. To set the stage for our results, we characterize the class of linearly valid conditional instrumental sets that yield consistent two-stage least squares estimators for the target total effect and derive a new asymptotic variance formula for these estimators. Equipped with these results, we provide three graphical tools for selecting more efficient linearly valid conditional instrumental sets. First, a graphical criterion that for certain pairs of linearly valid conditional instrumental sets identifies which of the two corresponding estimators has the smaller asymptotic variance. Second, an algorithm that greedily adds covariates that reduce the asymptotic variance to a given linearly valid conditional instrumental set. Third, a linearly valid conditional instrumental set for which the corresponding estimator has the smallest asymptotic variance that can be ensured with a graphical criterion.