252
个编辑
更改
跳到导航
跳到搜索
第67行：
第67行： − \begin{equation}+ − E=m − \end{equation} 第93行：
第91行： + + + +
→实例4 - 辛普森悖论
</math>
</math>
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。
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。
\stopalign \stopformula
\stopalign \stopformula
\begin{equation}
P(Y=1|do(X=1)) = \sum_Z P(Y=1|X=1, Z=z)P(Z) = P(Y=1|X=1, Z=1)P(Z=1) + P(Y=1|X=1, Z=0)P(Z=0) \\
= \frac{0.93*(87+270)}{700} + \frac{0.73*(263+80)}{700} = 0.832
\end{equation}
<math>
<math>
P(Y=1|do(X=1)) = \sum_Z P(Y=1|X=1, Z=z)P(Z) = P(Y=1|X=1, Z=1)P(Z=1) + P(Y=1|X=1, Z=0)P(Z=0) \\
P(Y=1|do(X=1)) = \sum_Z P(Y=1|X=1, Z=z)P(Z) = P(Y=1|X=1, Z=1)P(Z=1) + P(Y=1|X=1, Z=0)P(Z=0) \\