更改

跳到导航 跳到搜索

潜在结果 (查看源代码)

2022年7月18日 (一) 22:12的版本

添加30字节 、 2022年7月18日 (一) 22:12
无编辑摘要
第1行： 第1行： −
'''潜在结果'''最初由Jerzy Neyman提出，但Neyman只在随机试验的背景下讨论了潜在结果，后来Donald Rubin将潜在结果拓展到观察性研究中。
+
'''潜在结果'''最初由Jerzy Neyman提出，但Neyman只在随机试验的背景下讨论了潜在结果，后来[[Donald Rubin]]将潜在结果拓展到观察性研究中。
    
== 概念来源 ==
 
== 概念来源 ==
 
潜在结果是指给定一个单元，和一系列动作，我们把一个“动作-单元”确定为一个潜在结果。“潜在(potential)”这个词表达的意思是我们并不总是能在现实中观察到这个结果(outcome)，但原则上它们可能发生。
 
潜在结果是指给定一个单元，和一系列动作，我们把一个“动作-单元”确定为一个潜在结果。“潜在(potential)”这个词表达的意思是我们并不总是能在现实中观察到这个结果(outcome)，但原则上它们可能发生。
   −
潜在结果最初的提出是在Neyman的论文中，但是这篇文章只在随机对照试验中使用了潜在结果的概念，且直到1990年翻译成英文后才为人所知。Rubin在他1974年的论文中也提出了潜在结果的概念，并将这个概念推广到了观察性数据中，真正开启了统计学界对因果推断的广泛研究。
+
潜在结果最初的提出是在Neyman的论文中，但是这篇文章只在随机对照试验中使用了潜在结果的概念，且直到1990年翻译成英文后才为人所知。[[Donald Rubin]]在他1974年的论文中也提出了潜在结果的概念，并将这个概念推广到了观察性数据中，真正开启了统计学界对因果推断的广泛研究。
    
何为潜在结果？又如何基于潜在结果定义因果？假设我们关心某个变量A（例如，在某个时间点是否服用阿莫西林，A=1是服用，A=0是没有服用）对Y（服用后三小时的是否还感冒，Y=1表示感冒，Y=0表示没有感冒）的因果关系。那么我们观察到的某个个体就存在两个“潜在”的状态：一个是如果他服药，他三小时后是否感冒，不妨记作Y(1)；另一个如果他没有服药，他三小时后是否感冒，不妨记作Y(0)。这里Y(1)和Y(0)就是潜在结果。（注意，在实际中，Y(1)和Y(0)这二者中只有一个可以被观察到。另外，严格地说，此处实际上做了“个体处理稳定性”即SUTVA的假设）那么对这个人，就可能有以下四种情况：
 
何为潜在结果？又如何基于潜在结果定义因果？假设我们关心某个变量A（例如，在某个时间点是否服用阿莫西林，A=1是服用，A=0是没有服用）对Y（服用后三小时的是否还感冒，Y=1表示感冒，Y=0表示没有感冒）的因果关系。那么我们观察到的某个个体就存在两个“潜在”的状态：一个是如果他服药，他三小时后是否感冒，不妨记作Y(1)；另一个如果他没有服药，他三小时后是否感冒，不妨记作Y(0)。这里Y(1)和Y(0)就是潜在结果。（注意，在实际中，Y(1)和Y(0)这二者中只有一个可以被观察到。另外，严格地说，此处实际上做了“个体处理稳定性”即SUTVA的假设）那么对这个人，就可能有以下四种情况：
第20行： 第20行：  
使用潜在结果我们或许可以理解为什么人们不会认为“太阳升起是因为鸡打鸣”，因为根据我们的常识，如果某天鸡不打鸣（或许是因为生病或劳累），太阳仍然会照常升起。
 
使用潜在结果我们或许可以理解为什么人们不会认为“太阳升起是因为鸡打鸣”，因为根据我们的常识，如果某天鸡不打鸣（或许是因为生病或劳累），太阳仍然会照常升起。
   −
'''因此从分析潜在结果出发，诞生了<font color="#ff8000">潜在结果框架，有时也称为</font>鲁宾因果模型 Rubin Causal Model (RCM)''' ，'''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>。它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>Donald Rubin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" />
+
'''因此从分析潜在结果出发，诞生了<font color="#ff8000">潜在结果框架，有时也称为</font>鲁宾因果模型 Rubin Causal Model (RCM)''' ，'''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>。它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>[[Donald Rubin]]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" />
    
== 思想介绍 ==
 
== 思想介绍 ==
第27行： 第27行：  
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。
 
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。
 
== 样例介绍 ==
 
== 样例介绍 ==
 
假设乔正在参与 FDA 对一种新的高血压药物的测试。如果我们是无所不知的，我们就会知道乔在治疗组和控制组下的结果。我们想要探究的因果效应，或者说治疗效果，就是指这两种潜在结果之间的差异。
 
假设乔正在参与 FDA 对一种新的高血压药物的测试。如果我们是无所不知的，我们就会知道乔在治疗组和控制组下的结果。我们想要探究的因果效应，或者说治疗效果，就是指这两种潜在结果之间的差异。
第72行： 第72行：  
|−15
 
|−15
 
|}
 
|}
−
每个实验对象的因果效应是不同的。从该表中可知乔，玛丽和鲍勃的因果效应为负值，说明药物仅对乔，玛丽和鲍勃起作用。他们服用这种药物后的血压比没有服用这种药物时的血压要低。另一方面，对于莎莉 来说，这种药物会导致血压升高。
+
每个实验对象的因果效应是不同的。从该表中可知乔，玛丽和鲍勃的因果效应为负值，说明药物仅对乔，玛丽和鲍勃起作用。他们服用这种药物后的血压比没有服用这种药物时的血压要低。另一方面，对于莎莉来说，这种药物会导致血压升高。
    
为了让一个潜在的结果有意义，它必须是可测试的，至少是先验的。例如，如果乔在任何情况下都没有办法获得新药，那么他就不可能获得效应。这永远不可能发生在乔身上。如果不能观察到效应，即使在理论上，那么治疗对乔的血压的因果效应也不能确定。
 
为了让一个潜在的结果有意义，它必须是可测试的，至少是先验的。例如，如果乔在任何情况下都没有办法获得新药，那么他就不可能获得效应。这永远不可能发生在乔身上。如果不能观察到效应，即使在理论上，那么治疗对乔的血压的因果效应也不能确定。
    
== 没有干预就没有因果关系 ==
 
== 没有干预就没有因果关系 ==
−
新药的因果效应是明确定义的，因为它是两种可能发生的潜在结果的简单差异。在这种情况下，我们（或其他事物）可以干预世界，至少在概念上是这样，因此可能会发生不同的事。
+
新药的因果效应是明确定义的，因为它是两种可能发生的潜在结果的简单差异。在这种情况下，我们（或其他事物）可以[[干预]]世界，至少在概念上是这样，因此可能会发生不同的事。
    
如果永远不可能发生其中一种潜在结果，那么这种因果效应的定义就会变得更加棘手。例如，乔的身高对他的体重有什么因果关系？这似乎与我们的其他示例相似。我们只需要比较两个潜在的结果：乔 在处理下的体重（处理被定义为增高3英寸）和 乔 在控制下的体重（控制被定义为他当前的身高）。
 
如果永远不可能发生其中一种潜在结果，那么这种因果效应的定义就会变得更加棘手。例如，乔的身高对他的体重有什么因果关系？这似乎与我们的其他示例相似。我们只需要比较两个潜在的结果：乔 在处理下的体重（处理被定义为增高3英寸）和 乔 在控制下的体重（控制被定义为他当前的身高）。
第185行： 第185行：  
=== '''集智俱乐部文章''' ===
 
=== '''集智俱乐部文章''' ===
 
[https://mp.weixin.qq.com/s/vFDu-g2qy-sUfIl8EhrMJg Donald Rubin的因果推断学术贡献：超出统计学范畴的划时代影响]
 
[https://mp.weixin.qq.com/s/vFDu-g2qy-sUfIl8EhrMJg Donald Rubin的因果推断学术贡献：超出统计学范畴的划时代影响]
 +
 +
==='''集智课程'''===
 +
    
[https://swarma.org/?p=29559 因果推断的潜在结果框架在实验性研究的应用 | 周日直播·因果科学读书会 | 集智俱乐部 (swarma.org)]
 
[https://swarma.org/?p=29559 因果推断的潜在结果框架在实验性研究的应用 | 周日直播·因果科学读书会 | 集智俱乐部 (swarma.org)]
第190行： 第193行：  
[https://swarma.org/?p=24656 两套因果框架深度剖析：潜在结果模型与结构因果模型 | 因果科学读书会 | 集智俱乐部 (swarma.org)]
 
[https://swarma.org/?p=24656 两套因果框架深度剖析：潜在结果模型与结构因果模型 | 因果科学读书会 | 集智俱乐部 (swarma.org)]
   −
=== '''集智课程''' ===
   
[https://campus.swarma.org/course/3527 因果科学读书会第三季：因果+X (swarma.org)]
 
[https://campus.swarma.org/course/3527 因果科学读书会第三季：因果+X (swarma.org)]
  
取自“https://wiki.swarma.org/index.php/特殊:移动版差异/32997”

导航菜单