Generalized Encouragement-Based Instrumental Variables for Counterfactual Regression
用于反事实回归的广义鼓励型工具变量方法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：摘要明确研究鼓励设计、工具变量识别和条件平均处理效应估计。
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…
用于反事实回归的广义鼓励型工具变量方法
- 研究问题
- 当鼓励设计存在随机化不完整、实验样本有限且鼓励数量少于处理数量的问题时，如何利用鼓励变化和观测数据识别并估计条件平均处理效应？
- 方法与思路
- 作者提出基于鼓励变化识别条件平均处理效应的理论与算法，并将观测数据和鼓励数据结合，构建广义工具变量估计器 EnCounteR。
- 材料陈述的贡献
- 摘要称，文章提供新的识别理论及反事实回归算法，且在合成与真实数据实验中优于现有方法；具体比较结果和适用条件未说明。
- 阅读关注点
- 应核对不完整随机化下的识别条件、鼓励与处理数量关系对识别的限制，以及观测数据融合方式、目标效应定义和实验比较设计。
- 阅读边界
- 所用摘要来自 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明工具变量有效性及条件效应识别所需假设，不能确认其普遍优势。
原文摘要
In causal inference, encouragement designs (EDs) are widely used to analyze causal effects, when randomized controlled trials (RCTs) are impractical or compliance to treatment cannot be perfectly enforced. Unlike RCTs, which directly allocate treatments, EDs randomly assign encouragement policies that positively motivate individuals to engage in a specific treatment. These random encouragements act as instrumental variables (IVs), facilitating the identification of causal effects through leveraging exogenous perturbations in discrete treatment scenarios. However, real-world applications of encouragement designs often face challenges such as incomplete randomization, limited experimental data, and significantly fewer encouragements compared to treatments, hindering precise causal effect estimation. To address this, this paper introduces novel theories and algorithms for identifying the Conditional Average Treatment Effect (CATE) using variations in encouragement. Further, by leveraging both observational and encouragement data, we propose a generalized IV estimator, named Encouragement-based Counterfactual Regression (EnCounteR), to effectively estimate the causal effects. Extensive experiments on both synthetic and real-world datasets demonstrate the superiority of EnCounteR over existing methods.