协变量辅助的具有工具变量的因果效应界
统计方法学
2023-10-02 v4
摘要
当感兴趣的暴露受未测量因素混杂时,工具变量(IV)可用于识别和估计某些因果对比。从IV识别边际平均处理效应(ATE)依赖于不可检验的强结构性假设。当不愿断言此类结构时,IV仍可用于构造ATE的界。著名地,Balke和Pearl(1997)在具有不依从且无协变量信息的随机试验中,证明了二元结局ATE的紧界。我们展示了这些界在具有IV基线混杂的观察性设定以及具有已测量基线协变量的随机试验中如何仍然有用。所得ATE的界是非光滑泛函,因此标准非参数效率理论不能直接适用。为此,我们提出(1)在一种新的边际条件下,基于影响函数的界估计量,当 nuisance 函数被灵活建模时可达到参数收敛速率;(2)这些界的平滑近似的估计量。我们提出了对连续结局的扩展,在模拟中探索了有限样本性质,并在一项针对高等教育对工资影响的观察性研究中说明了所提估计量。
引用
@article{arxiv.2301.12106,
title = {Covariate-assisted bounds on causal effects with instrumental variables},
author = {Alexander W. Levis and Matteo Bonvini and Zhenghao Zeng and Luke Keele and Edward H. Kennedy},
journal= {arXiv preprint arXiv:2301.12106},
year = {2023}
}
备注
42 pages, 2 figures