The Multiplicative Instrumental Variable Model
乘法工具变量模型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：摘要直接提出工具变量框架下未测混杂的处理与已处理者平均因果效应识别。
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
乘法工具变量模型
- 研究问题
- 在存在隐性混杂时，能否通过工具变量与混杂因素影响治疗选择的乘法机制条件，识别已接受治疗者的平均处理效应？
- 方法与思路
- 作者在治疗倾向模型中施加工具变量与未测混杂无乘法交互的条件，以单臂 Wald 比率识别目标效应，并构造多重稳健有效估计量。
- 材料陈述的贡献
- 摘要称乘法工具变量模型为独立作用机制提供形式化表达，实现已处理者平均效应的非参数识别，并以模拟和职业培训收入应用展示方法。
- 阅读关注点
- 应核对乘法条件的精确定义及与工具独立性、排除限制的关系，单臂比率的分子分母，以及多重稳健允许哪些模型误设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未完整列出识别与效率条件，不能将无乘法交互视为可由观测数据直接验证。
原文摘要
The instrumental variable (IV) design is a common approach to address hidden confounding bias. For validity, an IV must impact the outcome only through its association with the treatment. In addition, IV identification has required a homogeneity condition such as monotonicity or no unmeasured common effect modifier between the additive effect of the treatment on the outcome, and that of the IV on the treatment. In this work, we introduce the Multiplicative Instrumental Variable Model (MIV), which encodes a condition of no multiplicative interaction between the instrument and an unmeasured confounder in the treatment propensity score model. Thus, the MIV provides a novel formalization of the core IV independence condition interpreted as independent mechanisms of action, by which the instrument and hidden confounders influence treatment uptake, respectively. As we formally establish, MIV provides nonparametric identification of the population average treatment effect on the treated (ATT) via a single-arm version of the classical Wald ratio IV estimand, for which we propose a novel class of estimators that are multiply robust and semiparametric efficient. Finally, we illustrate the methods in extended simulations and an application on the causal impact of a job training program on subsequent earnings.