无效工具变量下平均处理效应的选择性机器学习

基于摘要分析。本文研究存在未测量混杂、且工具变量不满足排除限制时，如何识别和估计总体平均处理效应。核心贡献是结合多重稳健估计、机器学习干扰参数估计与学习器选择准则，处理工具变量可能直接影响结局时的因果推断问题。 传统排除限制要求工具变量不能通过研究中的暴露之外的路径影响结局。作者针对该限制不成立的情形提出识别条件，并在非参数观测数据模型下推导目标识别泛函的有效影响函数。摘要未给出具体识别条件，因此不能将该方法理解为适用于任意无效工具变量。 估计方面，作者提出多重稳健、局部有效的估计量，其一致性覆盖多个参数化干扰模型组成的并集；另提出使用通用机器学习方法估计干扰参数的多重去偏估计量，以利用干扰参数空间中的线性或非线性结构化稀疏性。当无法确信候选学习器能以足够快的速度一致收敛、从而支持平均处理效应估计的 √n 一致性时，作者进一步利用多重稳健性质构造选择性机器学习准则，目标是控制偏差。这一目标不应被解读为对任意学习器都保证 √n 一致性。 作者以模拟实验和评估 401(k) 参与对储蓄因果效应的数据分析展示方法；摘要未提供定量结果、样本规模或比较基线，实验协议、消融及统计信息尚未验证。本文主要属于因果效应估计研究，并非 EEG 解码或 BCI 算法；现有材料不足以建立具体的 BCI 迁移路径。