Confounder Balancing for Instrumental Variable Regression with Latent Variable
含潜变量的工具变量回归中的混杂平衡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回归、混杂偏差和潜在结果函数为基础估计处理效应，研究重点直接属于因果推断。
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…
含潜变量的工具变量回归中的混杂平衡
- 研究问题
- 非线性工具变量回归中，如何同时应对未观测混杂与已观测混杂不平衡，并处理有效工具变量未被预先指定的场景？
- 方法与思路
- 作者提出 CB-IV，通过潜在结果函数的逆问题结合混杂平衡；再加入潜变量模块，处理工具变量混合于观测或未被观测的情形。
- 材料陈述的贡献
- 摘要称，理论分析支持无偏效应估计及较低方差，并提出 CB-IV-L 扩展；实验报告相对所比较方法的表现优势。
- 阅读关注点
- 应核对工具变量有效性、逆问题可识别与可解条件、平衡目标，以及潜变量模块如何区分工具变量与混杂因素。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列识别假设及实验数值，不能推断算法能自动发现有效工具变量。
原文摘要
This paper studies the confounding effects from the unmeasured confounders and the imbalance of observed confounders in IV regression and aims at unbiased causal effect estimation. Recently, nonlinear IV estimators were proposed to allow for nonlinear model in both stages. However, the observed confounders may be imbalanced in stage 2, which could still lead to biased treatment effect estimation in certain cases. To this end, we propose a Confounder Balanced IV Regression (CB-IV) algorithm to jointly remove the bias from the unmeasured confounders and the imbalance of observed confounders. Theoretically, by redefining and solving an inverse problem for potential outcome function, we show that our CB-IV algorithm can unbiasedly estimate treatment effects and achieve lower variance. The IV methods have a major disadvantage in that little prior or theory is currently available to pre-define a valid IV in real-world scenarios. Thus, we study two more challenging settings without pre-defined valid IVs: (1) indistinguishable IVs implicitly present in observations, i.e., mixed-variable challenge, and (2) latent IVs don't appear in observations, i.e., latent-variable challenge. To address these two challenges, we extend our CB-IV by a latent-variable module, namely CB-IV-L algorithm. Extensive experiments demonstrate that our CB-IV(-L) outperforms the existing approaches.