Estimating Causal Effects with Hidden Confounding using Instrumental Variables and Environments
利用工具变量与环境估计存在隐藏混杂的因果效应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：摘要直接研究隐藏混杂下的因果效应，并结合环境不变性、工具变量和 GMM 估计。
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…
利用工具变量与环境估计存在隐藏混杂的因果效应
- 研究问题
- 存在隐藏混杂时，如何结合跨数据收集环境的不变性与工具变量信息进行因果估计，并将相关方法扩展到连续环境？
- 方法与思路
- 作者将 Causal Dantzig 表示为 GMM，构造适用于连续环境的广义估计量，并提出与两阶段最小二乘结合的混合估计量。
- 材料陈述的贡献
- 摘要称 GMM 表示带来连续环境扩展、混合估计及渐近分析；模拟和流式细胞术应用显示，新方法在许多设定中表现优于既有方法。
- 阅读关注点
- 应核对环境变化与隐藏混杂的限制、不变性产生的矩条件、混合估计如何使用工具变量信息，以及性能改善对应的具体设定。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明完整识别条件与优越性的适用范围，不能据此主张普遍支配其他方法。
原文摘要
Recent works have proposed regression models which are invariant across data collection environments. These estimators often have a causal interpretation under conditions on the environments and type of invariance imposed. One recent example, the Causal Dantzig (CD), is consistent under hidden confounding and represents an alternative to classical instrumental variable estimators such as Two Stage Least Squares (TSLS). In this work we derive the CD as a generalized method of moments (GMM) estimator. The GMM representation leads to several practical results, including 1) creation of the Generalized Causal Dantzig (GCD) estimator which can be applied to problems with continuous environments where the CD cannot be fit 2) a Hybrid (GCD-TSLS combination) estimator which has properties superior to GCD or TSLS alone 3) straightforward asymptotic results for all methods using GMM theory. We compare the CD, GCD, TSLS, and Hybrid estimators in simulations and an application to a Flow Cytometry data set. The newly proposed GCD and Hybrid estimators have superior performance to existing methods in many settings.