Buchumschlag

Agglomerative Hierarchical Clustering for Selecting Valid Instrumental Variables

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Apfel, Nicolas, Liang, Xiaoran
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Methodology Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

An Agglomerative Clustering of Simulation Output Distributions Using Regularized Wasserstein Distance
von: Ghasemloo, Mohammadmahdi, et al.
Veröffentlicht: (2024)

The Falsification Adaptive Set in Linear Models with Instrumental Variables that Violate the Exclusion or Conditional Exogeneity Restriction
von: Apfel, Nicolas, et al.
Veröffentlicht: (2022)

Distributional Instrumental Variable Method
von: Holovchak, Anastasiia, et al.
Veröffentlicht: (2025)

Demystifying Spectral Feature Learning for Instrumental Variable Regression
von: Meunier, Dimitri, et al.
Veröffentlicht: (2025)

Generalized Encouragement-Based Instrumental Variables for Counterfactual Regression
von: Wu, Anpeng, et al.
Veröffentlicht: (2024)

Learning Treatment Representations for Downstream Instrumental Variable Regression
von: Lin, Shiangyi, et al.
Veröffentlicht: (2025)

Nonparametric Instrumental Variable Inference with Many Weak Instruments
von: van der Laan, Lars, et al.
Veröffentlicht: (2025)

Agglomerative hierarchical clustering for selecting valid instrumental variables
von: Nicolas Apfel, et al.
Veröffentlicht: (2024)

Hierarchical and Density-based Causal Clustering
von: Kim, Kwangho, et al.
Veröffentlicht: (2024)

Penalized Generative Variable Selection
von: Wang, Tong, et al.
Veröffentlicht: (2024)

Mining Causality: AI-Assisted Search for Instrumental Variables
von: Han, Sukjin
Veröffentlicht: (2024)

Identifiability of Sparse Causal Effects using Instrumental Variables
von: Pfister, Niklas, et al.
Veröffentlicht: (2022)

Hierarchical Linkage Clustering Beyond Binary Trees and Ultrametrics
von: Dreveton, Maximilien, et al.
Veröffentlicht: (2025)

Hierarchical Clustering With Confidence
von: Wu, Di, et al.
Veröffentlicht: (2025)

Linear Models, Variable Selection, Artificial Intelligence
von: Alrawkan, By Riyadh, et al.
Veröffentlicht: (2026)

Automating the Selection of Proxy Variables of Unmeasured Confounders
von: Xie, Feng, et al.
Veröffentlicht: (2024)

Diffusion-Driven High-Dimensional Variable Selection
von: Wang, Minjie, et al.
Veröffentlicht: (2025)

Double Machine Learning for Static Panel Data with Instrumental Variables: New Method and Applications
von: Baiardi, Anna, et al.
Veröffentlicht: (2026)

Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models
von: Guo, Xichen, et al.
Veröffentlicht: (2024)

A Unified Framework for Variable Selection in Model-Based Clustering with Missing Not at Random
von: Ho, Binh H., et al.
Veröffentlicht: (2025)

Stability Selection via Variable Decorrelation
von: Nouraie, Mahdi, et al.
Veröffentlicht: (2025)

Variable Selection for Comparing High-dimensional Time-Series Data
von: Mitsuzawa, Kensuke, et al.
Veröffentlicht: (2024)

Identification and Debiased Learning of Causal Effects with General Instrumental Variables
von: Chen, Shuyuan, et al.
Veröffentlicht: (2025)

A Graphical Approach to State Variable Selection in Off-policy Learning
von: Andersen, Joakim Blach, et al.
Veröffentlicht: (2025)

Asymptotic Inference for Multi-Stage Stationary Treatment Policy with Variable Selection
von: Gao, Daiqi, et al.
Veröffentlicht: (2023)

Chiseling: Powerful and Valid Subgroup Selection via Interactive Machine Learning
von: Cheng, Nathan, et al.
Veröffentlicht: (2025)

Selective Induction Heads: How Transformers Select Causal Structures In Context
von: D'Angelo, Francesco, et al.
Veröffentlicht: (2025)

Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework
von: Ma, Ziling, et al.
Veröffentlicht: (2026)

Ab Initio Nonparametric Variable Selection for Scalable Symbolic Regression with Large $p$
von: Ye, Shengbin, et al.
Veröffentlicht: (2024)

Latent Network Estimation and Variable Selection for Compositional Data via Variational EM
von: Osborne, Nathan, et al.
Veröffentlicht: (2020)

Robust Variable Selection for High-dimensional Regression with Missing Data and Measurement Errors
von: Zhang, Zhenhao, et al.
Veröffentlicht: (2024)

Beyond Cross-Validation: Adaptive Parameter Selection for Kernel-Based Gradient Descents
von: Liu, Xiaotong, et al.
Veröffentlicht: (2026)

Double Machine Learning of Continuous Treatment Effects with General Instrumental Variables
von: Chen, Shuyuan, et al.
Veröffentlicht: (2026)

An Experimental Design for Anytime-Valid Causal Inference on Multi-Armed Bandits
von: Liang, Biyonka, et al.
Veröffentlicht: (2023)

Robust Variable Selection and Estimation Via Adaptive Elastic Net S-Estimators for Linear Regression
von: Kepplinger, David
Veröffentlicht: (2021)

The Informed Elastic Net for Fast Grouped Variable Selection and FDR Control in Genomics Research
von: Machkour, Jasin, et al.
Veröffentlicht: (2024)

Robust Ultra-High-Dimensional Variable Selection With Correlated Structure Using Group Testing
von: Guo, Wanru, et al.
Veröffentlicht: (2026)

Sample-Efficient "Clustering and Conquer" Procedures for Parallel Large-Scale Ranking and Selection
von: Zhang, Zishi, et al.
Veröffentlicht: (2024)

Causal Effect Estimation with Learned Instrument Representations
von: Dean, Frances, et al.
Veröffentlicht: (2026)

A Semiparametric Bayesian Method for Instrumental Variable Analysis with Partly Interval-Censored Time-to-Event Outcome
von: Cui, Elvis Han, et al.
Veröffentlicht: (2025)