IV-ICL：通过上下文学习利用工具变量界定因果效应
机器学习
2026-05-14 v1
摘要
当存在未观测混杂因素使得点识别不可能时，工具变量（IV）设定是部分识别因果效应的标准方法。现有方法面临方法论瓶颈：需要闭式边界估计量——例如二元IV中的Balke-Pearl方程——并且即使可用，设计准确的估计量也需要针对每个估计量进行手动调整。虽然直接对因果效应（而非边界）进行贝叶斯推断可以规避这些挑战，但它通常计算密集，并且存在高先验敏感性或后验分散不足的问题。作为补救措施，我们引入了IV-ICL，一种摊销贝叶斯上下文学习方法，它直接学习因果效应的边际后验分布，并将其分位数作为边界。与优化独占KL散度的标准变分推断不同，摊销贝叶斯推断最小化期望的包含KL，这是一种覆盖质量的目标。我们经验性地观察到，优化包含KL可以在各种数据生成过程中恢复整个识别集，而相同贝叶斯公式的独占KL（例如使用变分推断）则坍缩到单个模式，无法覆盖识别集。我们在合成和半合成IV基准上评估了IV-ICL，并表明与高效的半参数、贝叶斯和插件基线相比，它产生的区间更可靠有效且信息更丰富，同时推理时间降低了20-500倍。除了方法论之外，我们提出了一种将随机对照试验转换为IV基准的程序，该程序可证明保留真实因果效应，从而能够对部分识别方法进行更现实的评估。
引用
@article{arxiv.2605.12924,
title = {IV-ICL: Bounding Causal Effects with Instrumental Variables via In-Context Learning},
author = {Vahid Balazadeh and Hamidreza Kamkari and Medha Barath and Ricardo Silva and Rahul G. Krishnan},
journal= {arXiv preprint arXiv:2605.12924},
year = {2026}
}