Fighting Noise with Noise: Causal Inference with Many Candidate Instruments
以噪声对抗噪声：大量候选工具变量下的因果推断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：摘要直接研究未观测混杂下的工具变量筛选和因果效应推断，属于因果推断方向。
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…
以噪声对抗噪声：大量候选工具变量下的因果推断
- 研究问题
- 大量候选工具变量中可能同时存在与暴露无关的变量，以及直接影响结果的无效变量，如何筛选并开展可靠的因果效应推断？
- 方法与思路
- 作者提出数据驱动方法，利用已知与暴露无关的伪变量剔除原集合中的虚假相关变量，并同时处理相关工具可能无效的问题。
- 材料陈述的贡献
- 摘要称所提方法同时应对无关与无效候选工具，合成数据比较显示其表现有利，并用于估计肥胖对健康相关生活质量的效应。
- 阅读关注点
- 应核对伪变量的生成与无关性依据、无效工具的处理机制，以及筛选后的识别和推断条件、模拟比较设定与应用稳健性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明有效工具所需结构、筛选阈值或相对表现的数值。
原文摘要
Instrumental variable methods provide useful tools for inferring causal effects in the presence of unmeasured confounding. To apply these methods with large-scale data sets, a major challenge is to find valid instruments from a possibly large candidate set. In practice, most of the candidate instruments are often not relevant for studying a particular exposure of interest. Moreover, not all relevant candidate instruments are valid as they may directly influence the outcome of interest. In this article, we propose a data-driven method for causal inference with many candidate instruments that addresses these two challenges simultaneously. A key component of our proposal involves using pseudo variables, known to be irrelevant, to remove variables from the original set that exhibit spurious correlations with the exposure. Synthetic data analyses show that the proposed method performs favourably compared to existing methods. We apply our method to a Mendelian randomization study estimating the effect of obesity on health-related quality of life.