252
个编辑
更改
跳到导航
跳到搜索
第59行：
第59行： − + 第69行：
第69行： − 在没有因果关联的情况下，无法从数据集本身估计因果效应，这就是辛普森悖论的教训，数据本身甚至不足以确定药物的作用是正面的还是负面的。但是借助图5的因果图模型，可以从数据中计算因果效应的大小。为此，以对图进行处理的形式模拟干预，即对模型中全体人群都服用了该药物。+
→实例4 - 辛普森悖论
==== 实例4 - 辛普森悖论 ====
==== 实例4 - 辛普森悖论 ====
[[File:07.PNG|320px|center|thumb|图1：<math>X</math>：代表药物；<math>Y</math>:痊愈；<math>Z</math>:性别]]
[[File:07.PNG|320px|center|thumb|图4：<math>X</math>：代表药物；<math>Y</math>:痊愈；<math>Z</math>:性别]]
为了确定药物在人群中的有效性，设想一种假设性的干预措施，即对整个人群统一服用这种药物，并与补充干预下的痊愈率进行比较，补充干预指阻止每个人服用药物。用<math>do(X=1)</math>表示第一种干预，用<math>do(X=0)</math>表示第二种干预，现在要估计它们的差异：
为了确定药物在人群中的有效性，设想一种假设性的干预措施，即对整个人群统一服用这种药物，并与补充干预下的痊愈率进行比较，补充干预指阻止每个人服用药物。用<math>do(X=1)</math>表示第一种干预，用<math>do(X=0)</math>表示第二种干预，现在要估计它们的差异：
在没有因果关联的情况下，无法从数据集本身估计因果效应，这就是辛普森悖论的教训，数据本身甚至不足以确定药物的作用是正面的还是负面的。但是借助图4的因果图模型，可以从数据中计算因果效应的大小。为此，以对图进行处理的形式模拟干预，即对模型中全体人群都服用了该药物。
{| class="wikitable"
{| class="wikitable"