IV Co-Scientist：用于因果工具变量发现的多智能体LLM框架

在内生变量与结果之间存在混杂因素的情况下，工具变量（IVs）被用来隔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、创造力和情境理解，这使得该任务非同寻常。本文探讨了大型语言模型（LLMs）是否能在此任务中提供帮助。我们采用两阶段评估框架：首先测试LLMs能否从文献中恢复已建立的工具变量，评估其复制标准推理的能力；其次评估LLMs能否识别并避免已被实证或理论否定的工具变量。基于这些结果，我们提出了IV Co-Scientist，一个用于针对特定处理-结果对提出、批评和优化工具变量的多智能体系统。我们还引入了一种统计检验方法，以在没有真实值的情况下进行一致性分析。实验结果表明，LLMs有潜力从大规模观测数据库中发现有效的工具变量。