Identifiability of Sparse Causal Effects using Instrumental Variables
利用工具变量识别稀疏因果效应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：摘要直接研究工具变量、内生协变量的稀疏因果效应及其可识别性，文本依据充分支持归入因果推断。
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…
关注这篇论文的作者
利用工具变量识别稀疏因果效应
- 研究问题
- 在线性因果效应稀疏且工具变量数量有限的情况下，何时能从观测分布识别因果系数，识别失败时又能恢复哪些直接原因？
- 方法与思路
- 作者给出稀疏线性模型的识别条件与图形判据，提出 spaceIV 估计器，并通过理论与模拟考察系数估计和因果父节点恢复。
- 材料陈述的贡献
- 摘要称，部分条件允许工具变量数仅等于因果父节点数；可识别时估计器一致，某些不可识别情形仍能恢复部分父节点。
- 阅读关注点
- 应核对工具变量的有效性与稀疏性要求，并区分一般识别条件和响应变量无子节点、随机边系数下的概率一识别结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未列出完整识别条件，工具变量数量少本身并不保证可识别。
原文摘要
Exogenous heterogeneity, for example, in the form of instrumental variables can help us learn a system's underlying causal structure and predict the outcome of unseen intervention experiments. In this paper, we consider linear models in which the causal effect from covariates $X$ on a response $Y$ is sparse. We provide conditions under which the causal coefficient becomes identifiable from the observed distribution. These conditions can be satisfied even if the number of instruments is as small as the number of causal parents. We also develop graphical criteria under which identifiability holds with probability one if the edge coefficients are sampled randomly from a distribution that is absolutely continuous with respect to Lebesgue measure and $Y$ is childless. As an estimator, we propose spaceIV and prove that it consistently estimates the causal effect if the model is identifiable and evaluate its performance on simulated data. If identifiability does not hold, we show that it may still be possible to recover a subset of the causal parents.