针对弱工具变量或无效工具变量的稳健性：基于机器学习的非线性处理模型探索
统计方法学
2024-01-08 v4 统计理论
机器学习
统计理论
摘要
我们讨论了在工具变量可能无效的非实验性研究中进行的因果推断。我们通过探索带有机器学习的非线性处理模型，提出了一种称为两阶段曲率识别（TSCI）的新方法。第一阶段机器学习能够增强工具变量的强度，并调整违反工具变量假设的不同形式。TSCI 的成功要求工具变量对处理的影响不同于其违反形式。我们实施了一种新颖的偏差校正步骤，以消除由机器学习潜在的高复杂度所引起的偏差。我们提出的 TSCI 估计量被证明是渐近无偏且服从高斯分布的，即使机器学习算法未能一致估计处理模型。此外，我们设计了一种数据依赖的方法来在若干候选违反形式中选择最优者。我们将 TSCI 应用于研究教育对收入的影响。
引用
@article{arxiv.2203.12808,
title = {Robustness Against Weak or Invalid Instruments: Exploring Nonlinear Treatment Models with Machine Learning},
author = {Zijian Guo and Mengchu Zheng and Peter Bühlmann},
journal= {arXiv preprint arXiv:2203.12808},
year = {2024}
}