Background: Interpreting results of instrumental variable (IV) analysis as well-defined causal estimands requires further assumptions in addition to the core IV assumptions of relevance, independence, and the exclusion restriction. One such assumption is additive homogeneity in the instrument-exposure association, which is postulated to render the conventional Wald estimand as equal to the average causal effect (ACE). Methods: We used theoretical arguments and an illustrative example to assess whether instrument-exposure additive homogeneity identifies the ACE when the exposure is continuous and the instrument is either binary or continuous. Results: Instrument-exposure additive homogeneity is insufficient to identify the ACE when the instrument is binary, the exposure is continuous and the effect of the exposure on the outcome is non-linear on the additive scale. If the exposure is binary, the exposure-outcome effect is necessarily additive linear, so the homogeneity condition is sufficient. For a continuous instrument, the instrument-exposure additive homogeneity is sufficient regardless of the exposure-outcome effect being linear or not. Conclusions: For binary instruments, additive homogeneity in the instrument-exposure association identifies the ACE if the exposure is also binary. Otherwise, additional assumptions (such as additive linearity of the exposure-outcome effect) are required.


翻译:将工具变量(IV)分析的结果解释为定义明确的因果估计值,除了相关性、独立性和排他性限制的核心四类假设外,还需要进一步假设工具变量(IV)分析的结果。这种假设之一是仪器接触关联中的添加同质性,其假设是使常规Wald 估计值与平均因果效果相等(ACE)。方法:我们使用了理论论点和一个示例来评估仪器接触添加同质性是否在接触持续且仪器为二进制或连续时确定ACE。结果:仪器接触添加同质性同质性不足以在仪器为二进制时确定ACE。在仪器为二进制时确定ACE,接触是持续的,接触是持续的,接触对结果的影响是非线性的。如果接触为二进制,则接触结果效应必然是线性,因此同质性条件就足够了。对于连续仪器而言,仪器接触添加同性添加性同性同质性就足够了,无论接触结果是线性还是非线性。结论:对于二进制工具而言,接触性工具的附加性假设是额外的接触性。

0
下载
关闭预览

相关内容

让 iOS 8 和 OS X Yosemite 无缝切换的一个新特性。 > Apple products have always been designed to work together beautifully. But now they may really surprise you. With iOS 8 and OS X Yosemite, you’ll be able to do more wonderful things than ever before.

Source: Apple - iOS 8
因果推断,Causal Inference:The Mixtape
专知会员服务
105+阅读 · 2021年8月27日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
专知会员服务
159+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Arxiv
0+阅读 · 2021年9月3日
Arxiv
0+阅读 · 2021年9月1日
Arxiv
14+阅读 · 2020年12月17日
Arxiv
5+阅读 · 2020年12月10日
Implicit Maximum Likelihood Estimation
Arxiv
7+阅读 · 2018年9月24日
VIP会员
相关VIP内容
因果推断,Causal Inference:The Mixtape
专知会员服务
105+阅读 · 2021年8月27日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
专知会员服务
159+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Top
微信扫码咨询专知VIP会员