Identification and Debiased Learning of Causal Effects with General Instrumental Variables
一般工具变量下因果效应的识别与去偏学习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：摘要直接研究不可观测混杂下的工具变量识别、平均处理效应及去偏因果学习。
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
一般工具变量下因果效应的识别与去偏学习
- 研究问题
- 存在不可观测混杂且工具变量为多类别或连续变量时，如何在非参数框架中识别平均潜在结果和平均处理效应并有效估计？
- 方法与思路
- 作者通过规则加权函数建立识别框架，推导有效影响函数，并构造预设权重与自适应最优权重的两种去偏机器学习估计量。
- 材料陈述的贡献
- 摘要称两种估计量一致且渐近正态，并进一步扩展至纵向数据、动态处理规则和乘性工具变量，辅以模拟及职业培训数据分析。
- 阅读关注点
- 应核对一般工具变量识别所需的限制、规则权重的存在条件、最优权重准则，以及干扰函数估计与各项扩展的额外要求。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出识别限制、学习速率或应用数值，不能仅凭工具变量类型推断可识别性。
原文摘要
Instrumental variable methods are fundamental to causal inference when treatment assignment is confounded by unobserved variables. In this article, we develop a general nonparametric causal framework for identification and learning with multi-categorical or continuous instrumental variables. Specifically, the mean potential outcomes and the average treatment effect can be identified via a regular weighting function derived from the proposed framework. Leveraging semiparametric theory, we derive efficient influence functions and construct two consistent, asymptotically normal estimators via debiased machine learning. The first estimator uses a prespecified weighting function, while the second estimator selects the optimal weighting function adaptively. Extensions to longitudinal data, dynamic treatment regimes, and multiplicative instrumental variables are further developed. We demonstrate the proposed method by employing simulation studies and analyzing real data from the Job Training Partnership Act program.