instrumental variables estimation
PulseAugur coverage of instrumental variables estimation — every cluster mentioning instrumental variables estimation across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的PAC因果可学习性框架为有限样本保证提供形式化
研究人员引入了PAC因果可学习性（PACC）框架，该框架通过有限样本量为因果模型提供统一的准确性-置信度保证。该方法通过基于因果识别强度、目标复杂度和干扰复杂度来定义样本复杂度，弥合了理论因果识别与实际估计之间的差距。该框架通过对自控病例系列、工具变量和倾向得分估计方法进行分析来说明，为理解有限样本因果学习提供了一种统一的方法。
-
新研究利用大型语言模型和新算法推进因果发现 · 跟踪4个来源
近期研究探索了因果发现的先进技术，该领域专注于从数据中推断因果关系。一篇论文研究了用于监督因果发现的模拟数据中嵌入的假设，强调了这些假设如何影响可识别性和泛化能力。另一项研究介绍了一种名为DISCO的方法，通过调整离散分布的评分匹配技术，实现了从计数数据中进行因果发现。此外，一篇论文提出使用大型语言模型来辅助寻找经济学中因果推断的工具变量，加速了传统上启发式的方法。最后，提出了一种名为MARCEDES的新型基于评分的方法，用于通过连续…
-
新框架通过可靠的不确定性量化增强因果推断
研究人员开发了一个名为Deconditional Gaussian Process (DGP)的新框架，以改进因果推断方法，特别是工具变量（IV）和近因学习（Proxy）。该框架通过提供可靠的认知不确定性量化，解决了现有方法的局限性。DGP框架集成了流行的核估计器，并通过后验方差提供原则性、校准良好的不确定性，从而能够通过边际对数似然优化进行系统性的模型选择。实证结果显示了强大的预测性能和信息丰富的不确定性量化。