迷失于聚合：工具变量估计量的因果解释
统计方法学
2026-01-21 v1 机器学习
摘要
基于工具变量的因果效应估计已成为社会科学和流行病学中减轻混杂偏倚的标准方法，在这些领域进行随机实验可能成本过高或无法实现。然而，证明工具变量的有效性往往构成一项重大挑战。在这项工作中，我们强调了一个在为工具变量有效性辩护时普遍被忽视的问题：即“聚合处理变量”的存在，其中处理（例如，教育、GDP、热量摄入）由更细粒度的成分组成，而每个成分可能对结果产生不同的影响。我们表明，聚合处理的因果效应通常是模糊的，因为它取决于对聚合的干预如何在成分层面实例化，我们通过聚合约束的成分干预分布将其形式化。随后，我们刻画了干预分布和聚合设定下，标准工具变量估计量能够识别聚合效应的条件。这些条件的人为性质意味着基于聚合处理的工具变量估计的解释存在重大局限性，并凸显了在此类设定下为排他性约束寻求更广泛辩护基础的必要性。
引用
@article{arxiv.2601.12120,
title = {Lost in Aggregation: The Causal Interpretation of the IV Estimand},
author = {Danielle Tsao and Krikamol Muandet and Frederick Eberhardt and Emilija Perković},
journal= {arXiv preprint arXiv:2601.12120},
year = {2026}
}