Causal Inference for Statistics, Social, and Biomedical Sciences

来自集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织
（重定向自YG1-ST）
跳到导航 跳到搜索

此词条由因果科学读书会词条梳理志愿者四月翻译审校，未经专家审核，带来阅读不便，请见谅。

书籍简介

本书[1]的基本观点：（1）所有的因果问题都和特点的干预（intervention）或者实验（treatment）相联系。（2）因果问题被视为对潜在结果（potential outcome）的比较，每个潜在结果对应于一个实验水平（或条件）。如果采用相应的实验条件，那么每个潜在结果都将被观察到。因果效应涉及到将实际观察结果与其他潜在结果比较。实际上其他潜在结果无法被观察到。因此，从根本上说，因果推断是一个处理缺失数据的问题。

与所有处理缺失数据的问题一样，处理的关键是决定是否被观测到的机制（mechanism）。在因果推断中，被称为分配机制（assignment mechanism）。

本书阐述了因果推断方法所依据的基本理念、潜在结果框架及逐步放宽分配机制的假设时的因果推断方法。

作者简介

Guido W. Imbens

Guido W. Imbens[2][3]，荷兰裔美国经济学家，于斯坦福大学斯坦福商学院任职应用计量经济学教授和经济学教授，研究领域为经济学和统计学。2021年，与Joshua Angrist共同获得诺贝尔经济学奖，“以表彰他们在分析因果关系方面的方法论贡献”。

Imbens曾分别任教于哈佛大学（1990-1997，2006-2012年），蒂尔堡大学（1989-1990年），加州大学洛杉矶分校（1997-2001年），加州大学伯克利分校（2002-06年）。他主要研究计量经济学，这是一种描绘因果推理的特殊方法。他于2019年成为《Econometrica》杂志的编辑，并将担任这一职务直到2023年。截至2021年，他是斯坦福大学商学院应用计量经济学和经济学教授。他还是斯坦福大学经济政策研究所（SIEPR）的高级研究员，以及该所人文与社会科学学院的经济学教授。因本斯是经济计量学会（2001年）和美国艺术与科学学院的研究员。2017年，因本斯被选为荷兰皇家艺术与科学学院的外籍成员。2020年，他被评选为美国统计协会会员。

与经济学家同行，包括Joshua Angrist和Alan Krueger合作，Imbens致力于开发方法论和框架，帮助经济学家利用现实生活中的情况（即自然试验）来检验现实生活中的理论。通过他的研究，帮助经济学家分析因果关系，通过他研究分析的一些问题，包括大学教育或额外的教育年限对收入的影响，使得因果关系研究框架在很多其他领域也有了应用，包括社会学和生物医学。他的工作为跨学科的研究人员提供了理解现实世界工具，提高了他们更好地理解基于实地和试验数据的干预措施的效果的能力。这些方法有助于研究人员分析各种研究问题，包括研究新政策对经济活动和新药对患者有效性的影响等。

Donald B. Rubin

Donald B. Rubin[4][5]，哈佛大学统计系名誉教授，曾在那里担任13年统计系主任，同时在清华大学和费城坦普尔大学工作。其研究兴趣为实验和观察研究中的因果推理、在无响应的样本调查和缺失数据问题中的推断、贝叶斯和经验贝叶斯技术的应用和开发统计模型并将其应用于各种科学学科的数据。

Donald Rubin教授是当今世界影响力最深远的统计学家之一，他在现代统计领域做出了许多基础贡献，特别是在缺失数据和因果推断方面。他也是世界上被引用最多的科学作者之一，根据谷歌学者的数据，他被引用超过25万次。此外，截至2019年底，他有10篇单独发表的论文，每一篇都被引用超过1000次。他获得过统计学领域几乎所有著名奖项，是当今世界最具影响力的统计学家。他对科学的贡献已超出统计学范畴，其统计思想对生物医学、经济学、心理学、教育学、社会学及计算机科学等众多领域均产生了重要影响。

目录及概要

PART 1: 导论

内容：导论部分阐述了因果推断方法所依据的基本理念，并描述了潜在结果框架，讨论了因果推断方法背后的三个关键概念。首先，讨论的概念是潜在结果，潜在结果框架遵循一个基本理念——"没有干预则没有因果"，一个特定程度的干预措施对应着一种潜在结果。每种潜在结果都是先验观察变量，在某种意义上，如果该研究对象接受相应的治疗水平，就可以观察到。但是另一个角度来说，潜在结果也是一个后验观察变量，也就是说，一旦进行了某一种干预，最多只能观察到一种潜在的结果。其次，讨论了当我们进行因果推论时，多个待观察的实验单位存在的必要性，以及对应稳定性假设的有效性，我们将利用这本书的大部分篇幅里来探讨多实验单位的存在。第三个概念，讨论了分配机制的中心作用，这是推断因果效应的关键，也是这本书的组织原则。

  1. 因果：基本框架
  2. 因果推断潜在结果方法简史
  3. 分配机制的分类

PART 2: 经典随机实验

内容：经典随机实验部分，讨论了假设分配机制对应于经典随机实验的情况。这一章回顾了一些潜在结果方法的实例，其中两个重要早期发展，一个是在20世纪20年代，Neymen将潜在结果引入随机试验，另一个是Fisher引入随机化作为推理的“理性基础”。

  1. 经典随机实验的分类
  2. 完全随机实验的Fisher精确的p值
  3. 完全随机实验的Neyman重复抽样方法
  4. 完全随机实验的回归方法
  5. 完全随机实验的基于模型的推断
  6. 分层随机实验
  7. 成对随机实验
  8. 案例学习：劳动力市场的实验估计

PART 3: 规则分配机制：设计

内容：假设分配机制在一个定义明确的意义上是 "规则的"，它概括了随机化实验。这一部分讨论了观察性研究的 "设计 "阶段。

  1. unconfounded实验分配
  2. 估计倾向性得分
  3. 评估协变量的overlap
  4. 改进协变量分布平衡的匹配
  5. 切割以改善协变量分布的平衡

PART 4: 规则分配机制：分析

内容：讨论具有规则分配机制的研究的数据分析，包含匹配和亚分类程序，以及基于模型和加权的方法。

  1. 基于倾向性得分的子分类
  2. 匹配估计器
  3. 估计平均因果效应标准估计量抽样方差的一般方法
  4. 一般因果估计的推断

PART 5: 规则分配机制：补充分析

内容：放宽了这一规则性假设，并讨论了更普遍的分配机制。首先评估关键假设unconfoundedness，然后探讨了敏感性分析，其中放松了规则性赋值机制的一些关键特征。

  1. 评估unconfoundedness
  2. 敏感性分析和边界

PART 6: 不完全遵守规则的分配机制：分析

内容：讨论分配机制是有规则的，但对分配的遵守是不完善的情况。因此，实验概率可能取决于单位的观察和非观察特征和结果。为了解决这些复杂的问题，转向了工具变量方法。

  1. 单侧不符合随机实验的工具变量分析

双侧不符合随机实验的工具变量分析

  1. 工具变量设置中基于模型的分析：双侧不符合的随机实验

PART 7: 结论

内容：结论

  1. 结论与拓展

参考资料

  1. ↑ https://www.tandfonline.com/doi/abs/10.1080/15228053.2015.1077672?journalCode=utca20
  2. ↑ https://www.gsb.stanford.edu/faculty-research/faculty/guido-w-imbens
  3. ↑ https://en.wikipedia.org/wiki/Guido_Imbens
  4. ↑ https://statistics.fas.harvard.edu/people/donald-b-rubin
  5. ↑ https://en.wikipedia.org/wiki/Donald_Rubin

编辑推荐

课程推荐

因果科学与Causal AI读书会第三季 | 集智斑图 (swarma.org)

好的观察性研究与差的观察性研究| 因果科学第三季第六期 (swarma.org)

因果推断在观察性研究中的应用Ⅱ：分析 | 因果科学第三季第四期 (swarma.org)

相关路径

  • 因果科学与Casual AI读书会必读参考文献列表，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
  • 因果推断方法概述,这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
  • 因果科学和 Causal AI入门路径，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
取自“https://wiki.swarma.org/index.php?title=Causal_Inference_for_Statistics,_Social,_and_Biomedical_Sciences&oldid=33117”