Fundamental Limits and Optimal Methods for Sharp Analytical Causal Bounds in Instrumental Variable Models
工具变量模型中尖锐解析因果界的基本极限与最优方法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：摘要直接讨论工具变量模型中平均治疗效应的尖锐界与识别不等式，属于因果推断。
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…
工具变量模型中尖锐解析因果界的基本极限与最优方法
- 研究问题
- 在离散工具变量模型中，平均治疗效应的尖锐解析界能否仅用少量线性项表达，其计算复杂度是否存在不可避免的下限？
- 方法与思路
- 作者研究尖锐界的线性项表示及工具变量不等式的数量，证明随结局取值数增长的复杂度下限，并提供构造算法。
- 材料陈述的贡献
- 摘要称相关线性项和不等式数量均呈指数增长，多项式数量的此类表达不能达到尖锐性；配套算法匹配其证明的下限。
- 阅读关注点
- 核对离散工具变量设置、复杂度所采用的表达类别与计算口径，以及下界证明和配套算法达到最优效率的具体含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核验；摘要未列出完整模型条件，不能将复杂度结论推广到所有因果界问题。
原文摘要
Bounding causal effects analytically, rather than numerically, is appealing for its interpretability and conceptual clarity. Existing sharp methods rely on optimization-based approaches such as the Balke-Pearl framework, whose computational complexity grows rapidly. An alternative line of work derives bounds heuristically using probability laws and generic inequalities, and some recent papers have claimed or conjectured that this approach can yield sharp analytical bounds with substantially lower complexity. In this paper, we show that this perceived advantage is illusory. In particular, in a discrete instrumental variable setting, we show that any sharp analytical bound for the average treatment effect must be expressible as a maximum (minimum) over a collection of linear terms whose cardinality grows exponentially in the number of values taken by the outcome. In parallel, we show that the number of instrumental variable inequalities itself also grows exponentially. Consequently, bounds and inequalities expressed using only polynomially many such terms cannot be sharp. As a constructive complement, the paper is accompanied by codes implemented in python and R to derive sharp analytical bounds and sharp inequalities with optimal efficiency, matching the lower bounds proven in this paper. These codes are available online.