Instrumental variables allow for quantification of cause and effect relationships even in the absence of interventions. To achieve this, a number of causal assumptions must be met, the most important of which is the independence assumption, which states that the instrument and any confounding factor must be independent. However, if this independence condition is not met, can we still work with imperfect instrumental variables? Imperfect instruments can manifest themselves by violations of the instrumental inequalities that constrain the set of correlations in the scenario. In this paper, we establish a quantitative relationship between such violations of instrumental inequalities and the minimal amount of measurement dependence required to explain them. As a result, we provide adapted inequalities that are valid in the presence of a relaxed measurement dependence assumption in the instrumental scenario. This allows for the adaptation of existing and new lower bounds on the average causal effect for instrumental scenarios with binary outcomes. Finally, we discuss our findings in the context of quantum mechanics.


翻译:为达到这一目的,必须满足若干因果假设,其中最重要的是独立假设,其中指出文书和任何混淆因素必须是独立的;然而,如果这一独立条件没有得到满足,我们仍能用不完善的工具变量开展工作吗?不完善的文书可以表现为违反制约假设中一系列相互关系的因果不平等。在本文件中,我们在侵犯工具不平等与解释这些不平等所需的衡量依赖程度最低之间建立起一种定量关系。因此,我们提供了经调整的不平等,在工具假设中存在一种宽松的衡量依赖性假设时,这些不平等是有效的。这允许对具有双重结果的工具情景的平均因果作用调整现有和新的较低界限。最后,我们在量力力学方面讨论了我们的结论。

0
下载
关闭预览

相关内容

专知会员服务
142+阅读 · 2021年3月17日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
经济学中的数据科学,Data Science in Economics,附22页pdf
专知会员服务
35+阅读 · 2020年4月1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
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
已删除
将门创投
3+阅读 · 2018年8月21日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
1+阅读 · 2022年1月6日
Arxiv
0+阅读 · 2022年1月6日
Arxiv
0+阅读 · 2022年1月4日
Arxiv
0+阅读 · 2022年1月3日
Arxiv
5+阅读 · 2020年12月10日
Arxiv
110+阅读 · 2020年2月5日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
已删除
将门创投
3+阅读 · 2018年8月21日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员