更改

'''<font color="#ff8000">鲁宾因果模型 Rubin Causal Model (RCM)</font>''' ，也称为 Neyman-Rubin 因果模型，<ref name="sekhon">{{cite book |last=Sekhon |first=Jasjeet |chapter=The Neyman–Rubin Model of Causal Inference and Estimation via Matching Methods |title=The Oxford Handbook of Political Methodology |year=2007 |chapter-url=http://sekhon.berkeley.edu/papers/SekhonOxfordHandbook.pdf }}</ref>是一种基于潜在结果框架的因果统计分析方法，以<nowiki>[[Donald Rubin]]</nowiki>的名字命名。“鲁宾因果模型”这个名字最早是由 Paul W. Holland 创造的。 <ref name="holland:causal86">{{cite journal |last=Holland |first=Paul W. |title=Statistics and Causal Inference |journal=[[Journal of the American Statistical Association|J. Amer. Statist. Assoc.]] |volume=81 |issue=396 |year=1986 |pages=945–960 |jstor=2289064 |doi=10.1080/01621459.1986.10478354}}</ref> '''<font color="#ff8000"> 潜在结果框架 Potential Outcomes Framework</font>'''最初是由 Jerzy Neyman 在他 1923 年的硕士论文中提出的，<ref name="neyman:masters">Neyman, Jerzy. ''Sur les applications de la theorie des probabilites aux experiences agricoles: Essai des principes.'' Master's Thesis (1923).  Excerpts reprinted in English, Statistical Science, Vol. 5, pp.&nbsp;463–472. ([[Dorota Dabrowska|D. M. Dabrowska]], and T. P. Speed, Translators.)</ref>尽管他只在完全随机实验的背景下讨论了它。 <ref name="Jasa1">{{cite journal |last=Rubin |first=Donald |year=2005 |title=Causal Inference Using Potential Outcomes |journal=[[Journal of the American Statistical Association|J. Amer. Statist. Assoc.]] |volume=100 |issue=469 |pages=322–331 |doi=10.1198/016214504000001880 }}</ref>鲁宾将其扩展为在观察性和实验性研究中思考因果关系的一般框架。<ref name="sekhon" />

 

'''鲁宾因果模型 Rubin Causal Model (RCM)''' ，也称为 '''Neyman-Rubin 因果模型'''，<ref name="sekhon">{{cite book |last=Sekhon |first=Jasjeet |chapter=The Neyman–Rubin Model of Causal Inference and Estimation via Matching Methods |title=The Oxford Handbook of Political Methodology |year=2007 |chapter-url=http://sekhon.berkeley.edu/papers/SekhonOxfordHandbook.pdf }}</ref>是一种基于潜在结果框架的因果统计分析方法，以Donald Rubin的名字命名。“鲁宾因果模型”这个名字最早是由 Paul W. Holland 创造的。 <ref name="holland:causal86">{{cite journal |last=Holland |first=Paul W. |title=Statistics and Causal Inference |journal=Journal of the American Statistical Association |volume=81 |issue=396 |year=1986 |pages=945–960 |jstor=2289064 |doi=10.1080/01621459.1986.10478354}}</ref> '''<font color="#ff8000"> 潜在结果框架 Potential Outcomes Framework</font>'''最初是由 Jerzy Neyman 在他 1923 年的硕士论文中提出的，<ref name="neyman:masters">Neyman, Jerzy. ''Sur les applications de la theorie des probabilites aux experiences agricoles: Essai des principes.'' Master's Thesis (1923).  Excerpts reprinted in English, Statistical Science, Vol. 5, pp.&nbsp;463–472. (Dorota Dabrowska, and T. P. Speed, Translators.)</ref>尽管他只在完全随机实验的背景下讨论了它。 <ref name="Jasa1">{{cite journal |last=Rubin |first=Donald |year=2005 |title=Causal Inference Using Potential Outcomes |journal=Journal of the American Statistical Association|volume=100 |issue=469 |pages=322–331 |doi=10.1198/016214504000001880 }}</ref>鲁宾将其扩展为在观察性和实验性研究中思考因果关系的一般框架。<ref name="sekhon" />

 

==介绍==

==介绍==

由于因果推理的根本问题，无法直接观察到单元级别的因果效应。然而，随机实验允许估计人口水平的因果效应。<ref name=":01">{{cite journal |last=Rubin |first=Donald |title=Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies |journal=[[Journal of Educational Psychology|J. Educ. Psychol.]] |volume=66 |issue=5 |year=1974 |pages=688–701 [p. 689] |doi=10.1037/h0037350 }}</ref>随机实验将人们随机分配到对照组：大学或非大学。由于这种随机分配，各组（平均）相等，40 岁时的收入差异可归因于大学分配，因为这是各组之间的唯一差异。然后可以通过计算处理（上大学）和对照（非上大学）样本之间的平均值差异来获得平均因果效应（也称为平均处理效应）的估计值。

由于因果推理的根本问题，无法直接观察到单元级别的因果效应。然而，随机实验允许估计人口水平的因果效应。<ref name=":01">{{cite journal |last=Rubin |first=Donald |title=Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies |journal=Journal of Educational Psychology|volume=66 |issue=5 |year=1974 |pages=688–701 [p. 689] |doi=10.1037/h0037350 }}</ref>随机实验将人们随机分配到对照组：大学或非大学。由于这种随机分配，各组（平均）相等，40 岁时的收入差异可归因于大学分配，因为这是各组之间的唯一差异。然后可以通过计算处理（上大学）和对照（非上大学）样本之间的平均值差异来获得平均因果效应（也称为平均处理效应）的估计值。

 

然而，在许多情况下，由于伦理或实际问题，随机实验是不可能的。在这种情况下，存在非随机分配机制。上大学的例子就是这种情况：人们不是随机分配上大学的。相反，人们可能会根据他们的经济状况、父母的教育等来选择上大学。已经开发了许多用于因果推断的统计方法，例如倾向得分匹配。这些方法试图通过寻找类似于处理单元的控制单元来纠正分配机制。

然而，在许多情况下，由于伦理或实际问题，随机实验是不可能的。在这种情况下，存在非随机分配机制。上大学的例子就是这种情况：人们不是随机分配上大学的。相反，人们可能会根据他们的经济状况、父母的教育等来选择上大学。已经开发了许多用于因果推断的统计方法，例如倾向得分匹配。这些方法试图通过寻找类似于处理单元的控制单元来纠正分配机制。

==一个扩展案例==

==一个扩展案例==

根据 RCM，您在一小时前服用或不服用阿司匹林的因果效应是您的头部在情况 1（服用阿司匹林）和情况 2（未服用阿司匹林）中的感受的差异。如果没有阿司匹林你的头痛仍然存在，但如果服用阿司匹林头痛就会消失，那么服用阿司匹林的因果效应是头痛缓解。在大多数情况下，我们对比较两种特性感兴趣，一种通常称为“处理”，另一种称为“控制”。这些标签有些随意。

根据 RCM，您在一小时前服用或不服用阿司匹林的因果效应是您的头部在情况 1（服用阿司匹林）和情况 2（未服用阿司匹林）中的感受的差异。如果没有阿司匹林你的头痛仍然存在，但如果服用阿司匹林头痛就会消失，那么服用阿司匹林的因果效应是头痛缓解。在大多数情况下，我们对比较两种特性感兴趣，一种通常称为“处理”，另一种称为“控制”。这些标签有些随意。

===潜在结果===

===潜在结果===

如果乔服用新药丸，<math>Y_{t}(u)</math>就是他的血压。通常，该符号表示对单位u进行处理t 所产生的潜在结果。类似的，<math>Y_{c}(u)</math>是不同处理t或控制c对单元u的影响。在这种情况下，如果乔不服药，<math>Y_{c}(u)</math>就是他的血压。<math>Y_{t}(u)-Y_{c}(u)</math> 是服用新药的因果效应。

如果乔服用新药丸，<math>Y_{t}(u)</math>就是他的血压。通常，该符号表示对单位u进行处理t 所产生的潜在结果。类似的，<math>Y_{c}(u)</math>是不同处理t或控制c对单元u的影响。在这种情况下，如果乔不服药，<math>Y_{c}(u)</math>就是他的血压。<math>Y_{t}(u)-Y_{c}(u)</math> 是服用新药的因果效应。

从这张表中我们只知道对 Joe 的因果效应。研究中的其他人如果服用药物，血压可能会升高。然而，不管对其他受试者的因果效应是什么，乔的因果效应是血压降低（相对于他没有服用避孕药时的血压）。

从这张表中我们只知道对 Joe 的因果效应。研究中的其他人如果服用药物，血压可能会升高。然而，不管对其他受试者的因果效应是什么，乔的因果效应是血压降低（相对于他没有服用避孕药时的血压）。

考虑更大的患者样本：

考虑更大的患者样本：

因果效应对于每一个主题是不同的，但药物对乔，玛丽和鲍勃都有影响，因为因果效应是负的。他们服用药物后的血压低于每个人不服用药物时的血压。另一方面，对于 Sally 来说，这种药物会导致血压升高。

因果效应对于每一个主题是不同的，但药物对乔，玛丽和鲍勃都有影响，因为因果效应是负的。他们服用药物后的血压低于每个人不服用药物时的血压。另一方面，对于 Sally 来说，这种药物会导致血压升高。

为了使潜在结果有意义，它必须是可能的，至少是先验已知可能的。例如，如果乔在任何情况下都无法获得新药，那么<math>Y_{t}(u)</math>对他来说是不可能的。它永远不会发生。而如果<math>Y_{t}(u)</math>永远无法观察到（即使在理论上），那么对乔的血压的因果效应是不确定的。

为了使潜在结果有意义，它必须是可能的，至少是先验已知可能的。例如，如果乔在任何情况下都无法获得新药，那么<math>Y_{t}(u)</math>对他来说是不可能的。它永远不会发生。而如果<math>Y_{t}(u)</math>永远无法观察到（即使在理论上），那么对乔的血压的因果效应是不确定的。

===没有操纵就没有因果关系===

===没有操纵就没有因果关系===

问题在于：我们无法增加乔的身高。没有办法观察如果乔更高，他的体重会是多少，因为没有办法让他更高。我们无法操纵乔的身高，因此调查身高对体重的因果关系毫无意义。因此有一个口号：没有操纵就没有因果关系。

问题在于：我们无法增加乔的身高。没有办法观察如果乔更高，他的体重会是多少，因为没有办法让他更高。我们无法操纵乔的身高，因此调查身高对体重的因果关系毫无意义。因此有一个口号：没有操纵就没有因果关系。

===稳定单元处理值假设 (SUTVA)===

===稳定单元处理值假设 (SUTVA)===

在不满足SUTVA的情况下，因果推断会更加困难。我们可以通过考虑更多的处理来解释相关的观察结果。我们通过考虑 Mary 是否接受处理来创建 4 个处理。

在不满足SUTVA的情况下，因果推断会更加困难。我们可以通过考虑更多的处理来解释相关的观察结果。我们通过考虑 Mary 是否接受处理来创建 4 个处理。

回想一下，因果效应被定义为两个潜在结果之间的差异。在这种情况下，存在多种因果效应，因为存在两个以上的潜在结果。一是玛丽接受处理时药物对乔的因果效应<math>130-140</math>。另一个是当玛丽没有接受处理时对乔的因果效应<math>120-125</math>。第三是在乔没有得到处理的情况下，玛丽的处理对乔的因果效应<math>140-125</math>。Mary 接受的处理对 Joe 的因果影响比 Joe 接受的处理对 Joe 的影响更大，而且是相反的方向。

回想一下，因果效应被定义为两个潜在结果之间的差异。在这种情况下，存在多种因果效应，因为存在两个以上的潜在结果。一是玛丽接受处理时药物对乔的因果效应<math>130-140</math>。另一个是当玛丽没有接受处理时对乔的因果效应<math>120-125</math>。第三是在乔没有得到处理的情况下，玛丽的处理对乔的因果效应<math>140-125</math>。Mary 接受的处理对 Joe 的因果影响比 Joe 接受的处理对 Joe 的影响更大，而且是相反的方向。

通过以这种方式考虑更多潜在结果，我们可以使SUTVA成立。但是，如果 Joe 以外的任何单位都依赖于 Mary，那么我们必须考虑进一步的潜在结果。依赖单位的数量越多，我们必须考虑的潜在结果就越多，计算也变得越复杂（考虑对不同的20个人进行的实验，每个人的处理状态都会影响其他人的结果）。为了（轻松）估计单一处理相对于对照的因果效应，SUTVA 应该成立。

通过以这种方式考虑更多潜在结果，我们可以使SUTVA成立。但是，如果 Joe 以外的任何单位都依赖于 Mary，那么我们必须考虑进一步的潜在结果。依赖单位的数量越多，我们必须考虑的潜在结果就越多，计算也变得越复杂（考虑对不同的20个人进行的实验，每个人的处理状态都会影响其他人的结果）。为了（轻松）估计单一处理相对于对照的因果效应，SUTVA 应该成立。

===平均因果效应（Average Causal Effect, ACE）===

 

===平均因果效应 Average Causal Effect（ACE）===

考虑：

考虑：

人们可以通过取所有因果效应的平均值来计算平均因果效应。

人们可以通过取所有因果效应的平均值来计算平均因果效应。

我们如何测量反馈效应会影响我们得出的推论。假设我们以百分比变化而不是绝对值来测量血压的变化。然后，根据确切的数字，平均因果效应可能是血压升高。例如，假设乔治的血压在控制下为 154，在处理后为 140。因果效应的绝对大小为 -14，但百分比差异（就 140 的处理水平而言）为 -10%。如果莎拉的血压在治疗下为 200，在控制下为 184，那么因果效应的绝对值是 16，而治疗值是 8%。乔治的血压绝对变化较小（-14 对 16）会产生较大的百分比变化（-10% 对 8%）。

我们如何测量反馈效应会影响我们得出的推论。假设我们以百分比变化而不是绝对值来测量血压的变化。然后，根据确切的数字，平均因果效应可能是血压升高。例如，假设乔治的血压在控制下为 154，在处理后为 140。因果效应的绝对大小为 -14，但百分比差异（就 140 的处理水平而言）为 -10%。如果莎拉的血压在治疗下为 200，在控制下为 184，那么因果效应的绝对值是 16，而治疗值是 8%。乔治的血压绝对变化较小（-14 对 16）会产生较大的百分比变化（-10% 对 8%）。

===因果推理的基本问题===

===因果推理的基本问题===

到目前为止，我们所看到的结果永远无法在实践中衡量。根据定义，不可能在特定时间段内观察多种处理对受试者的影响。乔不能同时服用药物和不服用药物。因此，数据看起来像这样：

到目前为止，我们所看到的结果永远无法在实践中衡量。根据定义，不可能在特定时间段内观察多种处理对受试者的影响。乔不能同时服用药物和不服用药物。因此，数据看起来像这样：

问号是无法观察到的反馈。因果推断的基本问题<ref name="holland:causal86"/>是不可能直接观测因果效应。然而，这并不是说因果推断是不可能的。某些技术和假设可以克服基本问题。

问号是无法观察到的反馈。因果推断的基本问题<ref name="holland:causal86"/>是不可能直接观测因果效应。然而，这并不是说因果推断是不可能的。某些技术和假设可以克服基本问题。

假设我们有以下数据：

假设我们有以下数据：

所有受试者即使在治疗下有不同的结果，也具有相同的因果效应。

所有受试者即使在治疗下有不同的结果，也具有相同的因果效应。

假设这个数据是真实的：

假设这个数据是真实的：

平均因果效应会有所不同，因为我们的样本很小并且反馈效应的方差很大。如果样本较大且方差较小，则无论随机分配给处理的特定单位如何，平均因果效应将更接近真实的平均因果效应。

平均因果效应会有所不同，因为我们的样本很小并且反馈效应的方差很大。如果样本较大且方差较小，则无论随机分配给处理的特定单位如何，平均因果效应将更接近真实的平均因果效应。

或者，假设该机制将处理分配给所有男性且仅分配给他们。

或者，假设该机制将处理分配给所有男性且仅分配给他们。

在这种分配机制下，女性不可能接受处理，因此无法确定对女性受试者的平均因果效应。为了对受试者做出因果效应的任何推断，受试者接受治疗的概率必须大于 0 且小于 1。

在这种分配机制下，女性不可能接受处理，因此无法确定对女性受试者的平均因果效应。为了对受试者做出因果效应的任何推断，受试者接受治疗的概率必须大于 0 且小于 1。

===完美的医生(Perfect Doctor Mechanism)===

 

===完美医生机制 Perfect Doctor Mechanism===

考虑使用完美医生作为分配机制。完美的医生知道每个受试者对药物或对照的反应如何，并为每个受试者分配对她最有益的处理。完美的医生知道有关患者样本的以下信息：

考虑使用完美医生作为分配机制。完美的医生知道每个受试者对药物或对照的反应如何，并为每个受试者分配对她最有益的处理。完美的医生知道有关患者样本的以下信息：

完美的医生通过过滤掉对处理和控制的不良反应来扭曲这两个平均值。均值之间的差异，即假定的平均因果效应，在取决于细节的方向上发生扭曲。例如，像Susie这样因服药而受到伤害的受试者会被完美的医生分配到对照组，从而掩盖了药物的负面影响。

完美的医生通过过滤掉对处理和控制的不良反应来扭曲这两个平均值。均值之间的差异，即假定的平均因果效应，在取决于细节的方向上发生扭曲。例如，像Susie这样因服药而受到伤害的受试者会被完美的医生分配到对照组，从而掩盖了药物的负面影响。

==结论==

==结论==

Rubin 因果模型还与工具变量（Angrist、Imbens 和 Rubin，1996 年）<ref name="">Angrist J.,Imbens G.,Rubin D. (1996) [https://pattern.swarma.org/paper?id=86ab704a-c3ad-11eb-ab25-0242ac170007 Identification of Causal effects Using Instrumental Variables].J. Amer. Statist. Assoc.91.434:(444–455)</ref>和其他因果推断技术相关联。有关 Rubin 因果模型、结构方程建模和其他因果推断统计方法之间联系的更多信息，请参见 Morgan 和 Winship (2007)。<ref name="">Morgan S.,Winship C. (2007) [https://pattern.swarma.org/paper?id=b87f164e-c3ad-11eb-ba86-0242ac170007 Counterfactuals and Causal Inference: Methods and Principles for Social Research].</ref>

Rubin 因果模型还与工具变量（Angrist、Imbens 和 Rubin，1996 年）<ref name="">Angrist J.,Imbens G.,Rubin D. (1996) [https://pattern.swarma.org/paper?id=86ab704a-c3ad-11eb-ab25-0242ac170007 Identification of Causal effects Using Instrumental Variables].J. Amer. Statist. Assoc.91.434:(444–455)</ref>和其他因果推断技术相关联。有关 Rubin 因果模型、结构方程建模和其他因果推断统计方法之间联系的更多信息，请参见 Morgan 和 Winship (2007)。<ref name="">Morgan S.,Winship C. (2007) [https://pattern.swarma.org/paper?id=b87f164e-c3ad-11eb-ba86-0242ac170007 Counterfactuals and Causal Inference: Methods and Principles for Social Research].</ref>

==另见==

==另见==

- [https://en.wikipedia.org/wiki/Principal_stratification 主要分层]

- [https://en.wikipedia.org/wiki/Principal_stratification 主要分层]

- [https://en.wikipedia.org/wiki/Propensity_score_matching 倾向得分匹配]

- [https://en.wikipedia.org/wiki/Propensity_score_matching 倾向得分匹配]

[[File:preface.png|200px|thumb|right|《Causal Inference: What If》封面]]

[[File:preface.png|200px|thumb|right|《Causal Inference: What If》封面]]