Mining Causality: AI-Assisted Search for Instrumental Variables
挖掘因果关系：人工智能辅助搜索工具变量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：摘要明确研究工具变量的发现与有效性评价，直接服务于因果识别。
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
挖掘因果关系：人工智能辅助搜索工具变量
- 研究问题
- 大型语言模型能否借助叙事与反事实推理，帮助研究者发现较新颖且可能有效的工具变量，并改善直接搜索的候选结果？
- 方法与思路
- 作者设计两步提示和角色扮演的工具变量发现流程，应用于教育回报、供需与同伴效应，再以专家调查和经调查数据训练的模型评审评价。
- 材料陈述的贡献
- 摘要称，所提流程发现的候选工具变量在评审中显得新颖且可能有效，而直接搜索更倾向于返回已有文献中的工具变量。
- 阅读关注点
- 应核对候选生成与评价是否独立、专家调查如何组织，以及相关性、排除限制和外生性的实质论证是否超出叙事合理性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；专家或模型认为可能有效不等于识别成立，摘要未提供候选工具变量的实证验证。
原文摘要
The instrumental variables (IVs) method is a leading empirical strategy for causal inference. Finding IVs is a heuristic and creative process, and justifying their validity---especially exclusion restrictions---is largely rhetorical. We propose using large language models (LLMs) to search for new IVs through narratives and counterfactual reasoning, similar to how a human researcher would. The stark difference, however, is that LLMs can dramatically accelerate this process and explore an extremely large search space. We introduce a discovery pipeline that searches for potentially novel and valid IVs using two-step and role-playing prompting strategies. We contend that these strategies simulate the endogenous decision-making of economic agents and social actors and ground language models in real-world scenarios, thereby masking the IV discovery task itself. We apply our method to three canonical areas in economics: returns to schooling, demand and supply, and peer effects. We then introduce an evaluation pipeline in which we conduct expert surveys and train an LLM judge on the survey data. This evaluation reveals that the IV candidates discovered by our method appear both novel and likely valid, whereas a more direct search tends to return instruments already established in the literature.