BudgetIV: 在大部分工具变量无效的情况下对因果效应的最优部分识别

工具变量（IVs）广泛用于在暴露与结果之间存在未观测混杂因素的情况下估计因果效应。一个 IV 必须仅通过暴露影响结果，并且与结果无混杂。我们提出了一个框架，通过可调节且可解释的预算约束来放宽其中任一或全部强假设。我们的算法返回一个可行的因果效应集合，该集合在给定相关协方差参数的情况下可以被精确识别。可行集合可能是不连通的，但是凸子集的有限并。我们讨论了在何种条件下该集合是紧的，即包含且仅包含与背景假设和可观测变量联合分布一致的所有效应。我们的方法适用于广泛的半参数模型，我们展示了其选择特定工具变量子集的能力在线性和非线性设置中均优于凸松弛方法。我们还将算法适配为在孟德尔随机化文献中常见统计假设下渐近有效的置信集。