[论文解读] Instrumentality Tests Revisited

Blai Bonet|arXiv (Cornell University)|Jan 10, 2013

Bayesian Modeling and Causal Inference参考文献 7被引用 47

一句话总结

本文重新审视了Pearl在具有内生误差项的线性模型中进行因果识别时的工具变量检验，提出了新颖的解释、工具变量检验的一般理论，以及针对离散与连续变量的新检验方法。该研究证实了一个长期存在的猜想，并在不忠实性假设下为因果推断中的工具变量验证提供了严格框架。

ABSTRACT

An instrument is a random variable thatallows the identification of parameters inlinear models when the error terms arenot uncorrelated.It is a popular method used in economicsand the social sciences that reduces theproblem of identification to the problemof finding the appropriate instruments.Few years ago, Pearl introduced a necessarytest for instruments that allows the researcher to discard those candidatesthat fail the test.In this paper, we make a detailed study of Pearl's test and the general model forinstruments. The results of this studyinclude a novel interpretation of Pearl'stest, a general theory of instrumentaltests, and an affirmative answer to aprevious conjecture. We also presentnew instrumentality tests for the casesof discrete and continuous variables.

研究动机与目标

• 重新表述并推广Pearl在具有内生误差项的线性模型中进行因果识别的工具变量检验。
• 解决误差项与回归变量相关时识别有效工具变量的问题。
• 为适用于离散与连续变量的工具变量检验提供正式理论。
• 证实关于工具变量条件必要性与充分性的先前猜想。
• 在不忠实性假设下，为因果建模中的工具变量有效性开发新的实用检验方法。

提出的方法

• 使用因果图中的d-分离与d-连接重新解释Pearl原始的工具变量检验。
• 基于条件独立性约束，提出工具变量检验的一般框架。
• 利用半马尔可夫模型中的条件独立关系，推导工具变量的新可检验推论。
• 将理论应用于推导适用于离散与连续变量的新工具变量检验方法。
• 利用不忠实性概念，增强工具变量有效性的可检验性。
• 采用图形标准（d-分离）判断某一变量是否满足工具变量条件。

实验结果

研究问题

• RQ1 在因果图背景下，Pearl工具变量检验的正确解释是什么？
• RQ2 能否发展一种适用于离散与连续变量的一般工具变量检验理论？
• RQ3 在具有内生误差项的线性模型中，工具变量条件是否为识别的必要且充分条件？
• RQ4 能否在Pearl原始表述之外，推导出新的、可检验的工具变量有效性条件？
• RQ5 不忠实性如何影响因果模型中工具变量的有效性与可检验性？

主要发现

• 本文通过因果图中的d-分离与d-连接，提出了Pearl工具变量检验的新型图形化解释。
• 建立了适用于离散与连续变量的一般工具变量检验理论。
• 作者证实了先前猜想：在不忠实性假设下，工具变量条件是识别的必要且充分条件。
• 推导出适用于离散与连续变量的新可检验工具变量条件，扩展了其适用范围。
• 该框架可通过半马尔可夫模型中的条件独立性检验，系统性地验证工具变量。
• 研究结果表明，工具变量有效性可仅通过图形标准评估，而无需完整的分布假设。