Identification and multiply robust estimation of causal effects via instrumental variables from an auxiliary population
利用辅助总体工具变量识别因果效应与多重稳健估计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：摘要明确研究工具变量数据融合下目标总体因果效应的识别与稳健估计。
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
利用辅助总体工具变量识别因果效应与多重稳健估计
- 研究问题
- 目标总体存在未观测混杂且没有工具变量时，如何利用辅助总体中的工具变量恢复目标因果效应，并允许总体间效应异质性？
- 方法与思路
- 作者比较条件平均处理效应同质的迁移方案与等混杂方案；后者假设协变量调整后的混杂偏差相同，并据此校正目标总体关联。
- 材料陈述的贡献
- 摘要称等混杂方案允许总体间条件平均处理效应不同，并在两种方案下构造多重稳健估计量，以模拟和真实数据展示方法。
- 阅读关注点
- 应核对跨总体同质性与等混杂假设的区别、辅助工具变量识别偏差的条件，以及多重稳健性具体容许哪些工作模型误设。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要未列出完整迁移和工具变量条件，也未说明多重稳健性的模型组合。
原文摘要
Estimating causal effects in a target population with unmeasured confounders is challenging, especially when instrumental variables (IVs) are unavailable. However, IVs from auxiliary populations with similar problems can help infer causal effects in the target population. While the homogeneous conditional average treatment effect assumption has been widely used for effect transportability, it has not been explored in IV-based data fusion. We include it as a basic approach, though it may be biased when treatment effect heterogeneity exists. As an alternative approach, we introduce the equi-confounding assumption that the unmeasured confounding bias remains the same after adjusting for observed covariates, while allowing conditional average treatment effects to differ across populations. This allows us to identify the confounding bias in the auxiliary population and remove it from the treatment-outcome association in the target population to recover the causal effect. We develop multiply robust estimators under both approaches and demonstrate them through simulation studies and a real data application.