论文
IV Co-Scientist：用于因果工具变量发现的多智能体LLM框架
IV Co-Scientist: Multi-Agent LLM Framework for Causal Instrumental Variable Discovery
摘要
当内生变量与结果之间存在混杂时，工具变量（IV）被用来分离内生变量的因果效应。识别有效的工具变量需要跨学科知识、创造力与情境理解，因此并非易事。本文研究大语言模型（LLM）能否协助完成这一任务。我们采用两阶段评估框架。首先，我们检验LLM能否复原文献中公认的成熟工具变量，评估其复制标准推理的能力。其次，我们评估LLM能否识别并避开那些已被实证或理论否定的工具变量。在这些结果的基础上，我们提出IV Co-Scientist，一个为给定处理-结果对提出、批评并改进工具变量的多智能体系统。我们还引入一种统计检验，用于在缺乏真值的情况下为一致性提供情境化判断。我们的结果显示出LLM从大型观察性数据库中发现有效工具变量的潜力。
