Instrumental variables (IVs) can be used to provide evidence as to whether a treatment X has a causal effect on Y. Z is a valid instrument if it satisfies the three core IV assumptions of relevance, independence and the exclusion restriction. Even if the instrument satisfies these assumptions, further assumptions are required to estimate the average causal effect (ACE) of X on Y. Sufficient assumptions for this include: homogeneity in the causal effect of X on Y; homogeneity in the association of Z with X; and No Effect Modification (NEM). Here, we describe the NO Simultaneous Heterogeneity (NOSH) assumption, which requires the heterogeneity in the Z-X association and heterogeneity in the X-Y causal effect to be independent. We describe the necessary conditions for NOSH to hold, in which case conventional IV methods are consistent for the ACE even if both homogeneity assumptions and NEM are violated. We illustrate these ideas using simulations and by re-examining selected published studies.


翻译:仪器变量(IVs)可用于提供证据,证明一种处理X是否对Y.Z.具有因果关系,如果它符合相关性、独立性和排除限制这三个核心四假设,则Z.是一个有效的工具。即使文书符合这些假设,也需要进一步假设来估计X.对Y.的平均因果关系(ACE)。 这方面的充分假设包括:X.对Y.的因果关系的同质性;Z.与X.的同质性;和无效果改变。这里,我们描述了NO同质异质性(NOSH)假设,要求Z-X协会的异质性和X-Y因果关系的异质性是独立的。我们描述了NOSH.(ACE)保持平均因果关系的必要条件,在这种情况下,即使同质性假设和NEM(NEM)都受到侵犯,常规四方法对ACE是一致的。我们用模拟和重新分析选定的已发表的研究来说明这些想法。

0
下载
关闭预览

相关内容

因果推断,Causal Inference:The Mixtape
专知会员服务
104+阅读 · 2021年8月27日
专知会员服务
14+阅读 · 2021年5月21日
【干货书】Python参考手册,210页pdf
专知会员服务
63+阅读 · 2021年4月30日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1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
已删除
将门创投
4+阅读 · 2019年5月8日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11日
Arxiv
14+阅读 · 2020年12月17日
VIP会员
相关VIP内容
相关资讯
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
已删除
将门创投
4+阅读 · 2019年5月8日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11日
Top
微信扫码咨询专知VIP会员