Distributional Instrumental Variable Method
分布工具变量方法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：摘要明确以工具变量处理未测混杂，并将目标扩展到完整干预分布及分位数效应，直接涉及因果推断与分布效应。
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…
分布工具变量方法
- 研究问题
- 存在未观测混杂时，如何利用工具变量识别并估计完整干预分布，而不仅获得均值因果效应或部分分位数处理效应？
- 方法与思路
- 作者在非线性工具变量设置下引入生成式建模，建立干预分布的识别结果，并通过模拟、经济数据及单细胞数据评估。
- 材料陈述的贡献
- 摘要称，DIV 在所述假设下识别干预分布，并展示两阶段最小二乘失效的案例；模拟报告识别与估计误差方面的优势。
- 阅读关注点
- 应核对干预分布可识别的具体假设、所谓欠识别案例的模型差异，以及生成模型拟合、比较公平性和未见干预验证。
- 阅读边界
- 这是预印本，同行评审与期刊接收均未核实；摘要未列一般假设的内容，不能据此认为传统工具变量的识别限制普遍消失。
原文摘要
The instrumental variable (IV) approach is commonly used to infer causal effects in the presence of unmeasured confounding. Existing methods typically aim to estimate the mean causal effects, whereas a few other methods focus on quantile treatment effects. The aim of this work is to estimate the entire interventional distribution. We propose a method called Distributional Instrumental Variable (DIV), which uses generative modelling in a nonlinear IV setting. We establish identifiability of the interventional distribution under general assumptions and demonstrate an 'under-identified' case, where DIV can identify the causal effects while two-step least squares fails to. Our empirical results show that the DIV method performs well for a broad range of simulated data, exhibiting advantages over existing IV approaches in terms of the identifiability and estimation error of the mean or quantile treatment effects. Furthermore, we apply DIV to an economic data set to examine the causal relation between institutional quality and economic development and our results align well with the original study. We also apply DIV to a single-cell data set, where we study the generalizability and stability in predicting gene expression under unseen interventions. The software implementations of DIV are available in R and Python.