The Categorical Instrumental Variable Model: Characterization, Partial Identification, and Statistical Inference
类别型工具变量模型：刻画、部分识别与统计推断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：摘要明确围绕工具变量假设、潜在结果、因果泛函锐界和模型证伪展开，直接对应因果推断。
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…
类别型工具变量模型：刻画、部分识别与统计推断
- 研究问题
- 当工具变量、处理和结果均只有有限个取值时，哪些潜在结果联合分布与观测数据相容，如何为因果目标构造锐界并证伪模型？
- 方法与思路
- 作者以最小不等式集合给出相容分布的闭式刻画，统一不同独立性和排除限制版本，并用 KL 散度尾界构造同时覆盖的置信区间。
- 材料陈述的贡献
- 摘要称，该刻画提供因果泛函的锐界和锐的证伪标准，对线性泛函给出同时有限样本覆盖，并以明尼阿波利斯家暴实验演示。
- 阅读关注点
- 应核对各版工具变量假设对应哪些不等式、最小性与锐性的证明，以及有限样本同时覆盖的对象范围、区间计算和实际保守程度。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未列出具体假设版本；模型未被证伪也不等于独立性和排除限制已获验证。
原文摘要
We study categorical instrumental variable (IV) models with instrument, treatment and outcome taking finitely many values. We derive a simple closed-form characterization of the set of joint distributions of potential outcomes that are compatible with a given observed data distribution in terms of a minimal set of inequalities. These inequalities unify several different IV models defined by versions of the independence and exclusion restriction assumptions. They lead to sharp bounds on causal functionals and provide a sharp criterion for model falsification. For linear functionals of the joint counterfactual distribution, such as pairwise average treatment effects and probabilities of potential outcomes, we construct confidence intervals with simultaneous finite-sample coverage, using a tail bound on the Kullback--Leibler divergence. We illustrate our method using data from the Minneapolis Domestic Violence Experiment.