Two Stage Curvature Identification with Machine Learning: Causal Inference with Possibly Invalid Instrumental Variables
Two Stage Curvature Identification with Machine Learning: Causal Inference with Possibly Invalid Instrumental Variables
复制标题
使用机器学习进行两阶段曲率识别：使用可能无效的工具变量进行因果推理
DOI：
--
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
P. Bühlmann
中科院分区：
文献类型：
--
作者：
Zijian Guo;P. Bühlmann
工具变量回归是内生治疗的一种流行的因果推断方法。在实际应用中，一个值得注意的问题是工具变量的有效性和强度。本文的目的是在所有工具都可能无效的情况下进行因果推理。为此，我们提出了一种新的方法，称为两阶段曲率恒等式fi阳离子(TSCI)，并提出了一个广义概念来衡量可能无效的工具的强度：在我们的框架中，这样的无效工具仍然可以用于推理。我们使用一种通用的机器学习方法对处理模型进行fi检验，并提出了一种新的偏差校正方法来消除机器学习方法中的过度fi偏差。在一组违反函数的空间中，我们通过评估无效工具变量的强度来选择最优的空间。我们在一个大规模的模拟研究中展示了我们提出的TSCI方法，并重新审视了教育对收入的影响等重要的经济学问题。大型
Instrumental variables regression is a popular causal inference method for endogenous treatment. A significant concern in practical applications is the validity and strength of instrumental variables. This paper aims to perform causal inference when all instruments are possibly invalid. To do this, we propose a novel methodology called two stage curvature identification (TSCI) together with a generalized concept to measure the strengths of possibly invalid instruments: such invalid instruments can still be used for inference in our framework. We fit the treatment model with a general machine learning method and propose a novel bias correction method to remove the overfitting bias from machine learning methods. Among a collection of spaces of violation functions, we choose the best one by evaluating invalid instrumental variables’ strength. We demonstrate our proposed TSCI methodology in a large-scale simulation study and revisit the important economics question on the effect of education on earnings. large
DOI：
--
发表时间：
2019-05
期刊：
ArXiv
影响因子：
--
作者：
Andrew Bennett;Nathan Kallus;Tobias Schnabel
通讯作者：
Andrew Bennett;Nathan Kallus;Tobias Schnabel