24
个编辑
更改
跳到导航
跳到搜索
第2行：
第2行： − + 第9行：
第9行： − + − + − + 第23行：
第23行： − +
→前门调整
==调整目的： 因果效应估计==
==调整目的： 因果效应估计==
我们期望在给定如下因果图的情况下，判断治疗变量 T 对结果变量 Y 的因果效应 <math> P(y|do(t))</math>，其中 W 是一个未观测的混淆变量，M 是中介变量。（注意：我们现在观测不到W，无法进行后门调整）
我们期望在给定如下因果图的情况下，判断治疗变量 T 对结果变量 Y 的因果效应 <math> P(y|do(t))</math>，其中 W 是一个未观测的混淆变量，M 是中介变量。（注意：我们现在观测不到W，无法进行后门调整.。）
[[文件:Front door.png|缩略图|229x229像素|前门调整]]
[[文件:Front door.png|缩略图|229x229像素|前门调整]]
主要步骤如下<ref>https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf</ref>：
主要步骤如下<ref>https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf</ref>：
#'''估计T对M的因果效应'''<math> P(m|do(t))</math> ，由于T-W-Y-M 这条路径被 [[阻断]] （见 [[D-分离]]) <math> P(m|do(t))=P(m|t)</math>
#'''估计T对M的因果效应'''<math> P(m|do(t))</math> ，由于T-W-Y-M 这条路径被 [[阻断]] （见 [[D-分离]]) <math> P(m|do(t))=P(m|t)</math>.
#'''估计M对Y的因果效应'''<math> P(y|do(m))</math>, 由于 T 阻断了[[后门路径]] M<-T<-W ->Y, 根据[[后门调整]] 我们可以轻松得到<math> P(y|do(m))= \sum_t P(y|m,t) P(t)</math>
#'''估计M对Y的因果效应'''<math> P(y|do(m))</math>, 由于 T 阻断了[[后门路径]] M<-T<-W ->Y, 根据[[后门调整]] 我们可以轻松得到<math> P(y|do(m))= \sum_t P(y|m,t) P(t)</math>.
#'''结合以上两种因果效应'''<math> P(y|do(t))= \sum_m P(y|do(m)) P(m| do(t))</math>
#'''结合以上两种因果效应'''<math> P(y|do(t))= \sum_m P(y|do(m)) P(m| do(t))</math>.
==前门准则==
==前门准则==
若变量集M关于（T,Y）满足前门准则，并且我们有<math> P(t,m)>0</math>, T对Y的因果效应是可识别的，
若变量集M关于（T,Y）满足前门准则，并且我们有<math> P(t,m)>0</math>, T对Y的因果效应是可识别的，
<math> P(y|do(t))= \sum_m P(m| t) \sum_t' P(y|m,t') P(t') </math>
<math> P(y|do(t))= \sum_m P(m| t) \sum_{t'} P(y|m,t') P(t') </math>.
==例子==
==例子==
<references />
<references />