Identifying Causal Effects Using Instrumental Variables from the Auxiliary Dataset
利用辅助数据集中的工具变量识别因果效应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：摘要明确研究辅助样本工具变量、控制函数与未测混杂下的因果识别。
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…
利用辅助数据集中的工具变量识别因果效应
- 研究问题
- 主数据仅共同观测处理与结果、辅助数据仅共同观测工具与处理时，如何识别存在未测混杂的非线性处理效应？
- 方法与思路
- 作者在结构方程模型中利用辅助数据构造控制函数，并投影到处理变量张成的函数空间，再提出三步估计程序。
- 材料陈述的贡献
- 摘要称无需同时观测工具与结果即可识别和估计因果效应，给出估计量的渐近结果，并以模拟及维生素 D 应用展示。
- 阅读关注点
- 应核对两数据集之间的可迁移条件、工具有效性、控制函数投影的识别作用，以及各估计步骤误差如何进入推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未列明跨数据集限制及渐近结论形式，不能据此确认应用的因果有效性。
原文摘要
Instrumental variable approaches have gained popularity for estimating causal effects in the presence of unmeasured confounders. However, the availability of instrumental variables in the primary dataset is often challenged due to stringent and untestable assumptions. This paper presents a novel method to identify and estimate causal effects by utilizing instrumental variables from the auxiliary dataset, incorporating a structural equation model, even in scenarios with nonlinear treatment effects. Our approach involves using two datasets: one called the primary dataset with joint observations of treatment and outcome, and another auxiliary dataset providing information about the instrument and treatment. Our strategy differs from most existing methods by not depending on the simultaneous measurements of instrument and outcome. The central idea for identifying causal effects is to establish a valid substitute through the auxiliary dataset, addressing unmeasured confounders. This is achieved by developing a control function and projecting it onto the function space spanned by the treatment variable. We then propose a three-step estimator for estimating causal effects and derive its asymptotic results. We illustrate the proposed estimator through simulation studies, and the results demonstrate favorable performance. We also conduct a real data analysis to evaluate the causal effect between vitamin D status and body mass index.