Instrumental variable method is among the most commonly used causal inference approaches for analyzing observational studies with unmeasured confounders. Despite its popularity, the instruments' invalidity is a major concern for practical applications and a fast-growing area of research is inference for the causal effect with possibly invalid instruments. In this paper, we construct uniformly valid confidence intervals for the causal effect when the instruments are possibly invalid. We illustrate the post-selection problem of existing inference methods relying on instrument selection. Our proposal is to search for the value of the treatment effect such that a sufficient amount of candidate instruments are taken as valid. We further devise a novel sampling method, which, together with searching, lead to a more precise confidence interval. Our proposed searching and sampling confidence intervals are shown to be uniformly valid under the finite-sample majority and plurality rules. We compare our proposed methods with existing inference methods over a large set of simulation studies and apply them to study the effect of the triglyceride level on the glucose level over a mouse data set.


翻译:仪器可变方法是用来分析与未测量的混淆者进行的观测研究的最常用的因果推断方法之一。尽管其受欢迎程度很高,但仪器的无效性是实际应用中的一个主要问题,而迅速增长的研究领域则是对可能无效的仪器的因果关系的推断。在本文件中,我们为可能无效的仪器的因果影响制定了统一有效的信任间隔。我们举例说明了现有根据仪器选择的推断方法的选后问题。我们的建议是寻找处理效果的价值,以便将足够数量的候选仪器视为有效。我们进一步设计了一种新型的取样方法,与搜索一起,导致更精确的置信间隔。我们提议的搜索和取样信任间隔在有限抽样多数和多元规则下是统一的。我们将我们所提议的方法与现有的大量模拟研究的推断方法进行比较,并运用这些方法研究老鼠数据集的三重晶化水平对葡萄水平的影响。

0
下载
关闭预览

相关内容

专知会员服务
52+阅读 · 2020年9月7日
人工智能学习笔记,247页pdf
专知会员服务
182+阅读 · 2019年12月14日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
已删除
将门创投
3+阅读 · 2018年10月11日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Proper Scoring Rules for Missing Value Imputation
Arxiv
0+阅读 · 2021年6月7日
Arxiv
110+阅读 · 2020年2月5日
Arxiv
3+阅读 · 2018年2月24日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
已删除
将门创投
3+阅读 · 2018年10月11日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员