Bayesian Model Averaging in Causal Instrumental Variable Models
因果工具变量模型中的贝叶斯模型平均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：摘要在结构方程模型中通过工具变量与模型平均推断因果效应，直接对应因果推断和结构估计方向。
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…
关注这篇论文的作者
因果工具变量模型中的贝叶斯模型平均
- 研究问题
- 存在未观测混杂且工具变量选择不确定时，如何综合不同工具和协变量集合，并处理工具无效的风险？
- 方法与思路
- 作者提出 gIVBMA，在结构方程中进行模型平均，采用尺度不变先验及条件贝叶斯因子分别更新结果和处理模型。
- 材料陈述的贡献
- 摘要称，该方法适用于非高斯结果和处理，给出模型选择一致性，并以模拟、两项经验应用及 Julia 实现展示。
- 阅读关注点
- 应核对有效与无效工具的区分条件、先验和候选模型空间，以及选择一致性证明和模拟优势所依赖的设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明工具有效性的识别条件，模型平均不自动消除无效工具偏差。
原文摘要
Instrumental variables are a popular tool to infer causal effects under unobserved confounding, but choosing suitable instruments is challenging in practice. We propose gIVBMA, a Bayesian model averaging procedure that addresses this challenge by averaging across different sets of instrumental variables and covariates in a structural equation model. This allows for data-driven selection of valid and relevant instruments and provides additional robustness against invalid instruments. Our approach extends previous work through a scale-invariant prior structure and accommodates non-Gaussian outcomes and treatments, offering greater flexibility than existing methods. The computational strategy uses conditional Bayes factors to update models separately for the outcome and treatments. We prove that this model selection procedure is consistent. In simulation experiments, gIVBMA outperforms current state-of-the-art methods. We demonstrate its usefulness in two empirical applications: the effects of malaria and institutions on income per capita and the returns to schooling. A software implementation of gIVBMA is available in Julia.