我院博士研究生郭喜辰在导师耿直教授、谢峰副教授的指导下，与硕士毕业生李政、黄碧薇教授（University of California San Diego）、曾艳老师合作完成的论文“Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models”在机器学习领域国际权威期刊 Journal of Machine Learning Research（JMLR）正式发表。郭喜辰为论文共同第一作者（署名第一），也是我院自2024年获批统计学一级学科博士学位授权点以来的首批硕博连读研究生。谢峰为通讯作者，北京工商大学为第一署名单位。

JMLR创刊于2000年，是机器学习领域的重要国际学术期刊之一，也是中国计算机学会CCF推荐的人工智能领域四种A类国际期刊之一。该刊2025年度影响因子为6.8，位列JCR Q1区，主要刊载机器学习及相关领域的高质量理论与方法研究成果。

工具变量方法是存在未观测混杂因素时估计因果效应的重要方法，广泛应用于经济学、流行病学和人工智能等领域。然而，工具变量是否有效，直接关系到因果推断结论的可靠性。由于部分混杂因素无法被直接观测，工具变量有效性的判断往往依赖领域知识，如何利用观测数据对其进行检验，一直是因果推断研究中的重要问题。

针对已有方法主要适用于离散处理变量或常数效应模型的局限，该研究考虑含未观测混杂因素的加性非线性非常数效应模型，允许处理变量为离散或连续类型，提出了基于辅助变量的独立性检验条件（Auxiliary-based Independence Test，AIT）。其核心思路是构造辅助变量，考察其与候选工具变量之间的独立性，从而将工具变量有效性问题与可由观测数据检验的统计约束联系起来。

在理论方面，论文证明，在完备性条件下，有效工具变量必然满足 AIT 条件；进一步加入相应的分布非退化条件后，AIT条件能够刻画工具变量有效性的充要关系。研究还将该方法拓展至包含协变量的情形，并设计了相应的检验算法。模拟实验及三个真实数据集的分析展示了所提方法的有效性，为复杂非线性场景下工具变量的检验提供了新的理论依据与数据驱动的方法。

郭喜辰，北京工商大学数学与统计学院统计学专业2025级博士研究生，导师为耿直教授、谢峰副教授。主要研究方向为因果推断，关注工具变量有效性检验、因果结构学习及异常根因分析等问题。相关研究成果发表于 JMLR、NeurIPS、ICML等国际期刊与会议。

发表信息：Journal of Machine Learning Research, 2026, 27(154): 1–60.

论文原文：https://jmlr.org/papers/v27/24-1990.html

开源代码：https://github.com/zhengli0060/AIT_Condition

文字：郭喜辰、谢峰

封面：杜荣珊

排版：诺敏

审核：黄雪源

审定：周艳杰