Network-aware IV Regression for Causal Node Discovery and Estimation
利用网络结构的工具变量回归：因果节点发现与估计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：摘要结合工具变量因果效应估计与网络结构暴露的图融合正则化，对应因果推断和网络方法；未明确研究个体间干扰。
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
利用网络结构的工具变量回归：因果节点发现与估计
- 研究问题
- 在高维暴露具有网络结构、存在潜在混杂且部分工具变量可能无效时，如何发现真正具有因果作用的节点并估计稀疏效应？
- 方法与思路
- 作者提出结合工具变量与图正则化的两阶段回归，利用图融合惩罚鼓励相连预测变量的结构相似性，并允许部分无效工具。
- 材料陈述的贡献
- 摘要称建立估计误差与因果变量选择的非渐近保证，比较结果优于忽略网络或无效工具的方法，并在脑影像及遗传数据中应用。
- 阅读关注点
- 应核对网络来源与边的含义、允许无效工具的具体限制、稀疏性及选择一致性条件，以及图结构错误对结果的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出工具有效性限制、误差界条件和比较数值，不能认定所有节点效应均已识别。
原文摘要
Estimating causal effects from high-dimensional, structured exposures is a fundamental challenge in modern applications ranging from neuroscience and finance to environmental science. While the literature has addressed high-dimensional instrumental variable (IV) regression, and separately leveraged graph structure in penalized regression, the integration of both, especially for causal support recovery in the presence of latent confounding, remains unexplored. In this work, we propose a novel two-stage regression framework that incorporates instrumental variables and graph-based regularization to uncover sparse causal effects among network-structured exposures. Our method accommodates both valid and partially invalid instruments, and encourages structural similarity among connected predictors through a graph-fused penalty. We establish non-asymptotic guarantees for estimation accuracy and causal variable selection, and demonstrate that our approach yields improved performance over existing methods that ignore network dependencies or invalid IVs. Applied to ADNI brain imaging and genetic data, our method identifies interpretable causal ROIs associated with cognitive outcomes, underscoring the utility of graph-assisted IV regression in neuroscience and beyond.