Sequential Underspecified Instrument Selection for Cause-Effect Estimation
用于因果效应估计的序贯欠识别工具变量选择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因果效应估计及序贯实验设计，因此归入因果推断。
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…
用于因果效应估计的序贯欠识别工具变量选择
- 研究问题
- 研究高维处理变量多于可用工具变量时，如何从单次实验恢复部分因果效应，并通过多轮实验逐步获取整体效应信息。
- 方法与思路
- 作者估计处理效应在工具变量所覆盖子空间上的投影，提出一致合并不同工具集合部分估计的方法，再据此序贯选择工具变量。
- 材料陈述的贡献
- 摘要称，单次欠识别实验仍可恢复效应投影，不同实验的部分估计能够一致组合，并可用于选择下一轮最有信息的工具变量。
- 阅读关注点
- 应核对工具有效性、投影子空间的定义、不同实验估计可合并的条件，以及完整效应恢复需要怎样的工具覆盖与选择规则。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出具体识别条件，也未说明有限轮实验能否恢复全部效应。
原文摘要
Instrumental variable (IV) methods are used to estimate causal effects in settings with unobserved confounding, where we cannot directly experiment on the treatment variable. Instruments are variables which only affect the outcome indirectly via the treatment variable(s). Most IV applications focus on low-dimensional treatments and crucially require at least as many instruments as treatments. This assumption is restrictive: in the natural sciences we often seek to infer causal effects of high-dimensional treatments (e.g., the effect of gene expressions or microbiota on health and disease), but can only run few experiments with a limited number of instruments (e.g., drugs or antibiotics). In such underspecified problems, the full treatment effect is not identifiable in a single experiment even in the linear case. We show that one can still reliably recover the projection of the treatment effect onto the instrumented subspace and develop techniques to consistently combine such partial estimates from different sets of instruments. We then leverage our combined estimators in an algorithm that iteratively proposes the most informative instruments at each round of experimentation to maximize the overall information about the full causal effect.