587
个编辑
更改
跳到导航
跳到搜索
第4行：
第4行： − + + + + + − 无混淆性是因果推断的基础。当无混淆性成立时，平均因果作用可以识别。平均因果作用的估计方法包括逆概率加权、回归、匹配等一系列方法，甚至可以构造双稳健的估计方法。+ + + + + + +
无编辑摘要
}}
}}
'''无混淆性 Unconfoundedness'''，也被叫做'''可忽略性 ignorability'''，由Donald Rubin在1970年代提出<ref>Rubin, Donald (1978). "Bayesian Inference for Causal Effects: The Role of Randomization". ''The Annals of Statistics''</ref>。1983年Donald Rubin和Paul Rosenbaum提出了强可忽略分配机制，即给定足够多的基线协变量后潜在结果的联合值与分配独立，(Y(0),Y(1))⊥W|X,其中Y(0)和Y(1)是两个潜在结果，W是处理分配，X是协变量<ref>Rubin, Donald B.; Rosenbaum, Paul R. (1983). "The Central Role of the Propensity Score in Observational Studies for Causal Effects"</ref>。类似地，还有弱可忽略分配机制，只需Y(w)⊥W|X对w=0和1成立。可忽略性也是缺失数据分析中的常见假设。
'''无混淆性 Unconfoundedness'''，也被叫做'''可忽略性 ignorability'''，由Donald Rubin在1970年代提出<ref>Rubin, Donald (1978). "Bayesian Inference for Causal Effects: The Role of Randomization". ''The Annals of Statistics''</ref>。1983年Donald Rubin和Paul Rosenbaum提出了强可忽略分配机制，即给定足够多的基线协变量后潜在结果的联合值与分配独立：
(Y(0),Y(1))⊥W|X.
其中Y(0)和Y(1)是两个潜在结果，W是处理分配，X是协变量<ref>Rubin, Donald B.; Rosenbaum, Paul R. (1983). "The Central Role of the Propensity Score in Observational Studies for Causal Effects"</ref>。类似地，还有弱可忽略分配机制，只需：Y(w)⊥W|X
对w=0和1成立。可忽略性也是缺失数据分析中的常见假设。
定义倾向性得分e(x)=P(W=1|X=x)，用以表示个体被分配到处理组的概率，可以证明，当无混淆性成立时，(Y(0),Y(1))⊥W|e(X)因此只需要控制一个一维变量，就能实现潜在结果与处理分配相互独立。
定义倾向性得分e(x)=P(W=1|X=x)，用以表示个体被分配到处理组的概率，可以证明，当无混淆性成立时，(Y(0),Y(1))⊥W|e(X)因此只需要控制一个一维变量，就能实现潜在结果与处理分配相互独立。
无混淆性是因果推断的基础。当无混淆性成立时，平均因果作用可以识别。
E[Y(w)]=E{E[Y(w)│X]}=E{E[Y(w)│X,W=w]}=E{E[Y│X,W=w]}
平均因果作用的估计方法包括逆概率加权、回归、匹配等一系列方法，甚至可以构造双稳健的估计方法，使得只要倾向得分模型或回归模型之一设定正确，就能得到平均因果作用的相合估计。
由于无混淆性涉及潜在结果，因此不可检验。Donald Rubin提出了几种间接验证无混淆性的方法，包括伪结局、伪处理方法，以及基于子集可忽略性的方法<ref>Imbens & Rubin 2015书</ref>。Rosenbaum针对无混淆性提出了敏感性分析<ref>Rosembaum，Design of Observational Studies书</ref>。
由于无混淆性涉及潜在结果，因此不可检验。Donald Rubin提出了几种间接验证无混淆性的方法，包括伪结局、伪处理方法，以及基于子集可忽略性的方法<ref>Imbens & Rubin 2015书</ref>。Rosenbaum针对无混淆性提出了敏感性分析<ref>Rosembaum，Design of Observational Studies书</ref>。