Instrumental Variable Estimation for Causal Inference in Longitudinal Data with Time-Dependent Latent Confounders
含时变潜在混杂的纵向数据因果推断：工具变量估计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：摘要明确研究时变混杂下的工具变量识别与因果效应估计，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…
含时变潜在混杂的纵向数据因果推断：工具变量估计
- 研究问题
- 纵向观察数据存在未观测且随时间变化的混杂因素时，如何估计时变因果效应，并处理传统工具变量方法的适用限制？
- 方法与思路
- 作者提出时变工具因子模型 TIFM，在每个时点利用循环神经网络推断潜在工具变量，再以该因子处理时变混杂偏差。
- 材料陈述的贡献
- 摘要称，论文提供因果效应估计的理论分析，以合成数据评价方法效果，并通过气候数据应用展示现实问题中的潜力。
- 阅读关注点
- 阅读时应重点核对推断出的潜在变量为何满足工具变量要求、理论分析覆盖的条件，以及合成数据与气候应用的验证设计。
- 阅读边界
- 本条依据 arXiv 预印本摘要，同行评审与接收未核实；摘要未说明潜在工具变量有效性的具体条件及实际应用的因果识别依据。
原文摘要
Causal inference from longitudinal observational data is a challenging problem due to the difficulty in correctly identifying the time-dependent confounders, especially in the presence of latent time-dependent confounders. Instrumental variable (IV) is a powerful tool for addressing the latent confounders issue, but the traditional IV technique cannot deal with latent time-dependent confounders in longitudinal studies. In this work, we propose a novel Time-dependent Instrumental Factor Model (TIFM) for time-varying causal effect estimation from data with latent time-dependent confounders. At each time-step, the proposed TIFM method employs the Recurrent Neural Network (RNN) architecture to infer latent IV, and then uses the inferred latent IV factor for addressing the confounding bias caused by the latent time-dependent confounders. We provide a theoretical analysis for the proposed TIFM method regarding causal effect estimation in longitudinal data. Extensive evaluation with synthetic datasets demonstrates the effectiveness of TIFM in addressing causal effect estimation over time. We further apply TIFM to a climate dataset to showcase the potential of the proposed method in tackling real-world problems.