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。
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识别因果效应，并在结构方程模型中平均工具变量与协变量集合。
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
- 在存在未观测混杂且工具变量选择不确定时，如何整合不同工具变量和协变量集合来估计因果效应？
- 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，并用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
- 摘要称方法支持非高斯结果与处理，证明模型选择一致性，并在模拟及两个因果应用中展示表现，另提供Julia实现。
- 阅读关注点
- 应核对有效工具变量的识别条件、无效工具变量的允许范围、先验构造，以及模型选择一致性与效应推断之间的关系。
- 阅读边界
- 仅据所给Crossref版本摘要；数据驱动选择不能据此保证工具有效，优势限于所述模拟，具体条件与刊本变化未知。
原文摘要
ABSTRACT 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.