Semiparametric Causal Discovery and Inference with Invalid Instruments
容许无效工具变量的半参数因果发现与推断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识别、因果结构恢复及效应推断；因果图本身不提供网络干扰分类依据。
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…
容许无效工具变量的半参数因果发现与推断
- 研究问题
- 在存在未观测混杂、部分工具变量可能无效且变量对工具变量依赖并非线性的情况下，如何识别因果图结构与因果效应？
- 方法与思路
- 作者提出部分线性结构方程模型，通过构造替代有效工具变量实现识别，并给出因果结构与效应的样本估计程序。
- 材料陈述的贡献
- 摘要称建立识别结果，证明结构学习一致性、效应估计渐近正态性及边恢复的错误发现率控制，并展示模拟与基因网络应用。
- 阅读关注点
- 应核对无效工具变量的容许范围、替代工具变量的构造与有效性条件，以及结构恢复和错误发现率控制对应的假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明识别限制与有限样本保证，不能推断任意无效工具均可处理。
原文摘要
Learning causal relationships among a set of variables, as encoded by a directed acyclic graph, from observational data is complicated by the presence of unobserved confounders. Instrumental variables (IVs) are a popular remedy for this issue, but most existing methods either assume the validity of all IVs or postulate a specific form of relationship, such as a linear model, between the primary variables and the IVs. To overcome these limitations, we introduce a partially linear structural equation model for causal discovery and inference that accommodates potentially invalid IVs and allows for general dependence of the primary variables on the IVs. We establish identification under this semiparametric model by constructing surrogate valid IVs, and develop a finite-sample procedure for estimating the causal structures and effects. Theoretically, we show that our procedure consistently learns the causal structures, yields asymptotically normal estimates, and effectively controls the false discovery rate in edge recovery. Simulation studies demonstrate the superiority of our method over existing competitors, and an application to inferring gene regulatory networks in Alzheimer's disease illustrates its usefulness.