Causal Inference with Invalid Instruments: Post-selection Problems and A Solution Using Searching and Sampling
无效工具变量下的因果推断：选择后问题与搜索、抽样解法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：摘要直接讨论无效工具变量下的处理效应识别和置信区间，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…
关注这篇论文的作者
无效工具变量下的因果推断：选择后问题与搜索、抽样解法
- 研究问题
- 当有效与无效工具变量难以从数据中区分时，如何避免选择后的置信区间覆盖不足，并对因果效应提供稳健推断？
- 方法与思路
- 作者搜索能对应足够多有效工具变量的处理效应范围，再结合抽样方法构造区间，以容忍工具变量分类错误。
- 材料陈述的贡献
- 摘要称在有限样本多数规则和 plurality 规则下，区间具有一致有效性并达到参数级长度，另提供教育收益应用与 R 包。
- 阅读关注点
- 应核对两类规则的精确定义、一致有效性覆盖的参数空间，以及搜索和抽样如何兼顾覆盖率、区间长度与计算成本。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未列出完整识别条件，也未说明弱工具变量下的适用边界与具体结果。
原文摘要
Instrumental variable methods are among the most commonly used causal inference approaches to deal with unmeasured confounders in observational studies. The presence of invalid instruments is the primary concern for practical applications, and a fast-growing area of research is inference for the causal effect with possibly invalid instruments. This paper illustrates that the existing confidence intervals may undercover when the valid and invalid instruments are hard to separate in a data-dependent way. To address this, we construct uniformly valid confidence intervals that are robust to the mistakes in separating valid and invalid instruments. We propose to search for a range of treatment effect values that lead to sufficiently many valid instruments. We further devise a novel sampling method, which, together with searching, leads to a more precise confidence interval. Our proposed searching and sampling confidence intervals are uniformly valid and achieve the parametric length under the finite-sample majority and plurality rules. We apply our proposal to examine the effect of education on earnings. The proposed method is implemented in the R package RobustIV available from CRAN.