辛普森悖论 - 版本历史

是趣木木呀：/* 编者推荐 */

2022-07-10T08:03:55Z

编者推荐

我是猫：/* 样例4 一种临床新药试验对比（考虑血压因素） */

2022-06-14T11:56:29Z

样例4 一种临床新药试验对比（考虑血压因素）

2022年6月13日 (一) 12:52 是趣木木呀

2022-06-13T12:52:56Z

是趣木木呀：/* 如何避免辛普森悖论 */

2022-06-13T12:43:45Z

如何避免辛普森悖论

2022年6月13日 (一) 12:42 是趣木木呀

2022-06-13T12:42:19Z

是趣木木呀：/* 编者推荐 */

2022-06-13T12:40:37Z

编者推荐

是趣木木呀：/* 如何避免辛普森悖论 */

2022-06-13T12:40:26Z

如何避免辛普森悖论

2022年6月13日 (一) 12:34 是趣木木呀

2022-06-13T12:34:18Z

2022年6月7日 (二) 12:47 我是猫

2022-06-07T12:47:57Z

2022年6月6日 (一) 14:10 我是猫

2022-06-06T14:10:55Z

@@ 第329行： / 第329行： @@
 ==编者推荐==
-=== 集智俱乐部文章 ===
 [https://swarma.org/?p=24963 周日直播 | 从辛普森悖论谈起：因果效应中的混淆因子及可识别性]
@@ 第337行： / 第366行： @@
 [https://swarma.org/?p=34329 福利 | 因果推断会是下一个AI热潮吗？Judea Pearl《因果论》重磅上市！]
-===集智课程===
+[https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]
-====[https://campus.swarma.org/course/3527 因果科学读书会第三季：因果+X]====
-“因果”并不是一个新概念，而是一个已经在多个学科中使用了数十年的分析技术。通过前两季的分享，我们主要梳理了因果科学在计算机领域的前沿进展。如要融会贯通，我们需要回顾数十年来在社会学、经济学、医学、生物学等多个领域中，都是使用了什么样的因果模型、以什么样的范式、解决了什么样的问题。我们还要尝试进行对比和创新，看能否以现在的眼光，用其他的模型，为这些研究提供新的解决思路。
+[https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]
-“因果+X”就是要让因果真正地应用于我们的科学研究中，不管你是来自计算机、数理统计领域，还是社会学、经济学、管理学领域，还是医学、生物学领域，我们希望共同探究出因果研究的范式，真正解决因果的多学科应用问题，乃至解决工业界的问题。
+[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]
 ----
 本中文词条由[[用户:我是猫|我是猫]]翻译，[[用户:薄荷|薄荷]]编辑，如有问题，欢迎在讨论页面留言。

@@ 第279行： / 第279行： @@
 == 辛普森逆转和辛普森悖论 ==
 == 如何避免辛普森悖论 ==
 '''混杂变量'''

←上一版本		2022年6月13日 (一) 12:52的版本
第276行：		第276行：

	然而，统计学家一直以这种因果假设来解释数据。事实上，在辛普森悖论中，按性别进行分类后之所以会得到矛盾的结论，其本质源于我们确信治疗不能影响性别，如果可以的话，就不会得到悖论，因为我们可以很容易的假定数据背后的因果关系具有于按血压分类相同的结构，尽管“治疗不能影响性别”这一命题很平凡，但却不能通过数据来验证这一命题，也无法依据标准统计学写出其数学表达式。事实上，以上样例的联列表无法表达任何因果信息，而统计推理又通常是以联列表为基础的。		然而，统计学家一直以这种因果假设来解释数据。事实上，在辛普森悖论中，按性别进行分类后之所以会得到矛盾的结论，其本质源于我们确信治疗不能影响性别，如果可以的话，就不会得到悖论，因为我们可以很容易的假定数据背后的因果关系具有于按血压分类相同的结构，尽管“治疗不能影响性别”这一命题很平凡，但却不能通过数据来验证这一命题，也无法依据标准统计学写出其数学表达式。事实上，以上样例的联列表无法表达任何因果信息，而统计推理又通常是以联列表为基础的。
		+
		+	== 辛普森逆转和辛普森悖论 ==
		+

	== 如何避免辛普森悖论 ==		== 如何避免辛普森悖论 ==

←上一版本		2022年6月13日 (一) 12:43的版本
第278行：		第278行：

	== 如何避免辛普森悖论 ==		== 如何避免辛普森悖论 ==
		+	'''混杂变量'''

−	~~=== 混杂变量 ===~~
	在上述的事例中，出现辛普森悖论的很大一个原因是由于存在隐藏变量，因此这便提醒我们，在进行变量设计时，一是要尽量多查阅文献以了解自变量，因变量及其他重要变量之间的关系，二是需要相关的经验，能够敏锐的察觉到某个变量的重要性。		在上述的事例中，出现辛普森悖论的很大一个原因是由于存在隐藏变量，因此这便提醒我们，在进行变量设计时，一是要尽量多查阅文献以了解自变量，因变量及其他重要变量之间的关系，二是需要相关的经验，能够敏锐的察觉到某个变量的重要性。

@@ 第21行： / 第21行： @@
 这并无新奇之处。但是在统计上，这具有重要的意义——变量之间的相关关系可以完全的被第三个变量 “扭曲”。更严重的问题是，我们的收集的数据可能存在局限性，忽略潜在的“第三个变量” 可能改变已有的结论，而我们常常却一无所知。鉴于 Yule-Simpson 悖论的潜在可能，不少人认为，统计不可能用来研究因果关系，在观察性研究中很难得到有关因果的结论，除非加上很强的假定。比如，一个很经典的问题：吸烟是否导致肺癌？由于我们不可能对人群是否吸烟做随机化试验，我们得到的数据都是观察性的数据：即吸烟和肺癌之间的相关性 （正如 Table 1 的合并表）。此时，即使我们得到了吸烟与肺癌正相关，也不能断言 “吸烟导致肺癌”。这是因为可能存在一些未观测的因素，他既影响个体是否吸烟，同时影响个体是否得癌症。也许，某些基因可能使得人更容易吸烟，同时容易得肺癌；存在这样基因的人不吸烟，也同样得肺癌。此时，吸烟和肺癌之间相关，却没有因果作用。
-此外，考虑吸烟与收入之间的关系。根据有关统计数据，平均来说，吸烟人群比不吸烟人群收入更高；但是考虑吸烟人群的年龄因素时就可能会发现，在每个年龄组，吸烟人群的收入低于不吸烟的人群，如果再纳入年龄和学历这两个因素，可能就会发现相同年龄和学历的吸烟者比不吸烟收入高。可见，随着考虑的因素增多，统计结果会不断发生逆转。在类似这样的问题中，想要确定吸烟是否会影响收入以及影响有多大，仅从数据来看似乎无法获得准确的答案。
+此外，再考虑吸烟与收入之间的关系。根据有关统计数据，平均来说，吸烟人群比不吸烟人群收入更高；但是考虑吸烟人群的年龄因素时就可能会发现，在每个年龄组，吸烟人群的收入低于不吸烟的人群，如果再纳入年龄和学历这两个因素，可能就会发现相同年龄和学历的吸烟者比不吸烟收入高。可见，随着考虑的因素增多，统计结果会不断发生逆转。在类似这样的问题中，想要确定吸烟是否会影响收入以及影响有多大，仅从数据来看似乎无法获得准确的答案。
-相反，在我们知道放射性物质对人体的健康有很大的伤害的前提下，我们却发现铀矿的工人平均寿命却不比常人短；这是流行病学中有名的 “健康工人效应”（healthy worker effect）。这样一来，似乎是说铀矿工作对健康没有影响。但是，事实上，铀矿的工人通常都是身强力壮的人，不在铀矿工作寿命会更长。此时，在铀矿工作与否与寿命不相关，但是放射性物质对人的健康却确实是有因果作用的。
+再比如，在我们知道放射性物质对人体的健康有很大的伤害的前提下，我们却发现铀矿的工人平均寿命却不比常人短；这是流行病学中有名的 “健康工人效应”（healthy worker effect）。这样一来，似乎是说铀矿工作对健康没有影响。但是，事实上，铀矿的工人通常都是身强力壮的人，不在铀矿工作寿命会更长。此时，在铀矿工作与否与寿命不相关，但是放射性物质对人的健康却确实是有因果作用的。
 接下来通过一系列样例，详细了解辛普森悖论的现象。

←上一版本		2022年6月13日 (一) 12:40的版本
第290行：		第290行：

	==编者推荐==		==编者推荐==
−	~~集智俱乐部文章~~

		+	=== 集智俱乐部文章 ===
	[https://swarma.org/?p=24963 周日直播 \| 从辛普森悖论谈起：因果效应中的混淆因子及可识别性]		[https://swarma.org/?p=24963 周日直播 \| 从辛普森悖论谈起：因果效应中的混淆因子及可识别性]

←上一版本		2022年6月13日 (一) 12:40的版本
第293行：		第293行：

	[https://swarma.org/?p=24963 周日直播 \| 从辛普森悖论谈起：因果效应中的混淆因子及可识别性]		[https://swarma.org/?p=24963 周日直播 \| 从辛普森悖论谈起：因果效应中的混淆因子及可识别性]
		+
		+	[https://swarma.org/?p=28539 丁鹏：多角度回顾因果推断的模型方法]

	[https://swarma.org/?p=34329 福利 \| 因果推断会是下一个AI热潮吗？Judea Pearl《因果论》重磅上市！]		[https://swarma.org/?p=34329 福利 \| 因果推断会是下一个AI热潮吗？Judea Pearl《因果论》重磅上市！]

@@ 第3行： / 第3行： @@
 |description=
 }}
-'''辛普森悖论 Simpson's paradox'''是一个统计学悖论。它是以Edward H. Simpson的名字命名的，他是一位英国统计学家，在1951年第一次描述了它<ref>Simpson, Edward H. (1951). "The Interpretation of Interaction in Contingency Tables". ''Journal of the Royal Statistical Society, Ser. B''. '''13''': 238–241</ref>。统计学家卡尔·皮尔森在1899年描述了一个非常相似的效应<ref>Pearson, Karl; Lee, A.; Bramley-Moore, L. (1899). "Genetic (reproductive) selection: Inheritance of fertility in man". ''Philosophical Translations of the Royal Statistical Society, Ser. A''. '''173''': 534–539</ref>。- Udny Yule 的描述可以追溯到1903年<ref>G. U. Yule (1903). "Notes on the Theory of Association of Attributes in Statistics". ''Biometrika''. '''2''' (2): 121–134. doi:10.1093/biomet/2.2.121</ref>。有时，这种现象被称为“尤尔-辛普森效应”。当观察小组的统计分数时，这些分数可能会发生变化，这取决于小组是逐一观察，还是将它们合并成一个更大的小组。这种情况经常发生在社会科学和医学统计中<ref>Clifford H. Wagner (February 1982). "Simpson's Paradox in Real Life". ''The American Statistician''. '''36''' (1): 46–48. doi:10.2307/2684093. JSTOR 2684093.</ref>。如果用频率数据来解释因果关系<ref>Judea Pearl. ''Causality: Models, Reasoning, and Inference'', Cambridge University Press (2000, 2nd edition 2009). <nowiki>ISBN 0-521-77362-8</nowiki>.</ref>，人们可能会感到困惑。悖论的其他名称还包括反转悖论和合并悖论<ref>I. J. Good, Y. Mittal (June 1987). "The Amalgamation and Geometry of Two-by-Two Contingency Tables". ''The Annals of Statistics''. '''15''' (2): 694–711. doi:10.1214/aos/1176350369. ISSN 0090-5364. JSTOR 2241334.</ref>.
+'''辛普森悖论 Simpson's paradox'''是一个统计学悖论。它是以Edward H. Simpson的名字命名的，他是一位英国统计学家，在1951年第一次描述了它<ref>Simpson, Edward H. (1951). "The Interpretation of Interaction in Contingency Tables". ''Journal of the Royal Statistical Society, Ser. B''. '''13''': 238–241</ref>。统计学家卡尔·皮尔森在1899年描述了一个非常相似的效应<ref>Pearson, Karl; Lee, A.; Bramley-Moore, L. (1899). "Genetic (reproductive) selection: Inheritance of fertility in man". ''Philosophical Translations of the Royal Statistical Society, Ser. A''. '''173''': 534–539</ref>。Udny Yule 的描述可以追溯到1903年<ref>G. U. Yule (1903). "Notes on the Theory of Association of Attributes in Statistics". ''Biometrika''. '''2''' (2): 121–134. doi:10.1093/biomet/2.2.121</ref>。有时，这种现象被称为“尤尔-辛普森效应”。当观察小组的统计分数时，这些分数可能会发生变化，这取决于小组是逐一观察，还是将它们合并成一个更大的小组。这种情况经常发生在社会科学和医学统计中<ref>Clifford H. Wagner (February 1982). "Simpson's Paradox in Real Life". ''The American Statistician''. '''36''' (1): 46–48. doi:10.2307/2684093. JSTOR 2684093.</ref>。如果用频率数据来解释因果关系<ref>Judea Pearl. ''Causality: Models, Reasoning, and Inference'', Cambridge University Press (2000, 2nd edition 2009). <nowiki>ISBN 0-521-77362-8</nowiki>.</ref>，人们可能会感到困惑。悖论的其他名称还包括反转悖论和合并悖论<ref>I. J. Good, Y. Mittal (June 1987). "The Amalgamation and Geometry of Two-by-Two Contingency Tables". ''The Annals of Statistics''. '''15''' (2): 694–711. doi:10.1214/aos/1176350369. ISSN 0090-5364. JSTOR 2241334.</ref>。
-该悖论指出：会存在着这样的数据。总体上的统计结果与其每一个子部分的统计结果相反。下面通过一个实例说明。根据有关统计数据，平均来说，吸烟人群比不吸烟人群收入更高；但是考虑吸烟人群的年龄因素时就可能会发现，在每个年龄组，吸烟人群的收入低于不吸烟的人群，如果再纳入年龄和学历者两个因素，可能就会发现相同年龄和学历的吸烟者比不吸烟收入高。可见，随着考虑的因素增多，统计结果会不断发生逆转。在类似这样的问题中，想要确定吸烟是否会影响收入以及影响有多大，仅从数据来看似乎无法获得准确的答案。
+在Table 1 中，第一个表是整个人群的数据：接受处理和对照的人都是 40 人，处理有较高的存活率，因此处理对整个人群有 “正作用”。第二个表和第三个表是将整个人群用性别分层得到的，因为第一个表的四个格子数，分别是下面两个表对应格子数的和：
 接下来通过一系列样例，详细了解辛普森悖论的现象。
 == 样例1：肾结石治疗 ==
 这是一个真实的例子，来自一项医学研究<ref>C. R. Charig; D. R. Webb; S. R. Payne; O. E. Wickham (29 March 1986). "Comparison of treatment of renal calculi by open surgery, percutaneous nephrolithotomy, and extracorporeal shockwave lithotripsy". ''Br Med J (Clin Res Ed)''. '''292''' (6524): 879–882. doi:10.1136/bmj.292.6524.879. PMC 1339981. <nowiki>PMID 3083922</nowiki>.</ref>，比较两种治疗肾结石的成功率<ref>Steven A. Julious and Mark A. Mullee (1994-12-03). "Confounding and Simpson's paradox". BMJ. 309 (6967): 1480–1481. doi:10.1136/bmj.309.6967.1480. PMC 2541623. <nowiki>PMID 7804052</nowiki></ref>。
@@ 第74行： / 第95行： @@
 |17%
 |}
 一个自相矛盾的结论是，A疗法对小结石更有效，对大结石也更有效，而B疗法在同时考虑两种大小时更有效。在这个例子中，还不知道肾结石的大小会影响结果。这在统计学中称为隐藏变量(或隐藏变量)。
 哪种治疗方法更好是由两个比率(成功率/总成功率)之间的不平等决定的。造成辛普森悖论的两个比率之间不平等的逆转，是因为两种效应同时发生:
 :1、当忽略隐藏变量时，组的大小是非常不同的。医生倾向于对严重的病例(大结石)给予较好的治疗(A) ，对较轻的病例(小结石)给予较差的治疗(B)。因此，总数由第三组和第二组支配，而不是由规模小得多的第一组和第四组支配。
 :2、潜伏变量对比率有很大的影响，也就是说成功率更多地受到病情严重程度的影响，而不是治疗方法的选择。因此，治疗 A组(第三组)大结石患者的情况比治疗小结石患者差，即使后者采用劣等治疗 B 组(第二组)。
-== 样例2：伯克利大学的招生歧视悖论 ==
+=== 样例2：伯克利大学的招生歧视悖论 ===
 最著名的辛普森悖论的实例，就是1973年加利福尼亚大学伯克利分校性别歧视案的例子。
@@ 第159行： / 第179行： @@
 Bickel 认为，在这个案例中，辛普森悖论出现的原因是，女生更愿意申请那些竞争压力很大的院系（比如英语系），但是男生却更愿意申请那些相对容易进的院系（比如工程学系）
-== 样例3：佛罗里达死刑悖论 ==
+=== 样例3：佛罗里达死刑悖论 ===
 年，科罗拉多大学的统计学家 Michael L. Radelet 和东北大学的社会学研究院主任 Glenn Pierce 重新查看了1976-1987年间美国佛罗里达州的谋杀案的审判数据，发现了重大的司法不公正事件。
@@ 第214行： / 第234行： @@
 由此可见不管被害人是什么种族，黑人比白人更有可能被判死刑，并且对比发现，如果受害人是白人，那么嫌疑人就更容易被判死刑。如果被害人是黑人，嫌疑人被判死刑的可能性很低。可见种族歧视是存在的
-== 样例4 一种临床新药试验对比（考虑血压因素） ==
+=== 样例4 一种临床新药试验对比（考虑血压因素） ===
 样例4中，我们知道药物会通过减低服药患者的血压来影响痊愈率，但不幸的是药物也会产生副作用。在这种情况下，我们需要根据数据判断是否给患者推荐这种药物。
@@ 第257行： / 第277行： @@
 然而，统计学家一直以这种因果假设来解释数据。事实上，在辛普森悖论中，按性别进行分类后之所以会得到矛盾的结论，其本质源于我们确信治疗不能影响性别，如果可以的话，就不会得到悖论，因为我们可以很容易的假定数据背后的因果关系具有于按血压分类相同的结构，尽管“治疗不能影响性别”这一命题很平凡，但却不能通过数据来验证这一命题，也无法依据标准统计学写出其数学表达式。事实上，以上样例的联列表无法表达任何因果信息，而统计推理又通常是以联列表为基础的。
-== 避免辛普森悖论 ==
+== 如何避免辛普森悖论 ==
 === 混杂变量 ===
@@ 第268行： / 第288行： @@
 == 参考文献 ==
 <references />
 ==编者推荐==

@@ 第162行： / 第162行： @@
 {| class="wikitable"
 !嫌疑人种族
-! colspan="2" |死刑人数
+!死刑人数
 !非死刑人数
-! colspan="2" |死刑百分比%
+!死刑百分比%
 |-
 |白人
+|53
+|430
+|11
 |-
 |黑人
+|15
+|176
+|7.9
 |}
 == 避免辛普森悖论 ==