利用工具变量与环境估计含隐藏混杂的因果效应
统计方法学
2023-11-10 v2
摘要
近期工作提出了跨数据收集环境保持不变的回归模型。在关于环境及所施加不变性类型的条件下，这些估计量常具有因果解释。一个近期例子是 Causal Dantzig（CD），它在隐藏混杂下是一致的，并代表了诸如两阶段最小二乘（TSLS）等经典工具变量估计量的一种替代。本工作中，我们将 CD 推导为广义矩估计（GMM）估计量。GMM 表示带来了若干实用结果，包括：1）构建广义 Causal Dantzig（GCD）估计量，可应用于具有连续环境而 CD 无法拟合的问题；2）一种混合（GCD-TSLS 组合）估计量，其性质优于单独的 GCD 或 TSLS；3）利用 GMM 理论对所有方法给出直接的渐近结果。我们在模拟以及对流式细胞术（Flow Cytometry）数据集的应用中比较了 CD、GCD、TSLS 和混合估计量。新提出的 GCD 和混合估计量在许多设定下具有优于现有方法的性能。
引用
@article{arxiv.2207.14753,
title = {Estimating Causal Effects with Hidden Confounding using Instrumental Variables and Environments},
author = {James P. Long and Hongxu Zhu and Kim-Anh Do and Min Jin Ha},
journal= {arXiv preprint arXiv:2207.14753},
year = {2023}
}
备注
32 pages, 7 figures, 4 tables