“处理效应”的版本间的差异

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
跳到导航 跳到搜索
LFZ（讨论 | 贡献）
第1行： 第1行：
−
此词条暂由彩云小译翻译，翻译字数共1184，未经人工整理和审校，带来阅读不便，请见谅。heieh
 
−
 
−
The '''Average Treatment Effect'''  （'''ATE''') is a measure used to compare treatments (or interventions) in randomized experiments, evaluation of policy interventions, and medical trials. The ATE measures the difference in [[mean]] (average) outcomes between units assigned to the treatment and units assigned to the control.  In a [[randomized trial]] (i.e., an experimental study), the average treatment effect can be [[Estimator|estimated]] from a sample using a comparison in mean outcomes for treated and untreated units. However, the ATE is generally understood as a [[causal]] parameter (i.e., an estimate or property of a [[Statistical population|population]]) that a researcher desires to know, defined without reference to the [[study design]] or estimation procedure. Both [[Observational study|observational]] studies and experimental study designs with random assignment may enable one to estimate an ATE in a variety of ways.
 
−
 
 
'''<font color="#ff8000">平均处理效应 (Average Treatment Effect, ATE)</font>'''是在随机试验个体、政策干预评估和医药试验中用于比较治疗或干预的一种测量方法。平均处理效应测量分配给处理个体和控制个体之间的平均结果的差异。在随机试验中，平均处理效应可以通过比较样本在处理个体和未处理个体的平均结果进行估计获得。然而，平均处理效应通常被理解为研究人员希望知道的一个因果参数 (即一个总体的估计或属性) ，定义时不参考试验设计或估计过程。观察性研究和随机赋值的实验性研究设计都可以用多种方式进行估计平均处理效应。
 
'''<font color="#ff8000">平均处理效应 (Average Treatment Effect, ATE)</font>'''是在随机试验个体、政策干预评估和医药试验中用于比较治疗或干预的一种测量方法。平均处理效应测量分配给处理个体和控制个体之间的平均结果的差异。在随机试验中，平均处理效应可以通过比较样本在处理个体和未处理个体的平均结果进行估计获得。然而，平均处理效应通常被理解为研究人员希望知道的一个因果参数 (即一个总体的估计或属性) ，定义时不参考试验设计或估计过程。观察性研究和随机赋值的实验性研究设计都可以用多种方式进行估计平均处理效应。
  
 
== 一般性定义 General definition ==
 
== 一般性定义 General definition ==
−
 
−
Originating from early statistical analysis in the fields of agriculture and medicine, the term "treatment" is now applied, more generally, to other fields of natural and social science, especially [[psychology]], [[political science]], and [[economics]] such as, for example, the evaluation of the impact of public policies. The nature of a treatment or outcome is relatively unimportant in the estimation of the ATE—that is to say, calculation of the ATE requires that a treatment be applied to some units and not others, but the nature of that treatment (e.g., a pharmaceutical, an incentive payment, a political advertisement) is irrelevant to the definition and estimation of the ATE.
 
  
 
'''<font color="#ff8000">处理 (Treatment)</font>'''一词起源于农业和医药领域的早期统计分析，现在被更广泛地用于自然科学和社会科学的其他领域，尤其是心理学、政治科学和经济学，例如评价公共政策的影响。试验中的处理或'''<font color="#ff8000">结果 (Outcome)</font>'''的具体内容在评估平均处理效应时相对而言并不重要，也就是说，平均处理效应估算要求对某些个体进行处理，但不处理其他个体，但处理具体内容(例如药物、奖励性支付、政治广告)与平均处理效应的定义和估计无关。
 
'''<font color="#ff8000">处理 (Treatment)</font>'''一词起源于农业和医药领域的早期统计分析，现在被更广泛地用于自然科学和社会科学的其他领域，尤其是心理学、政治科学和经济学，例如评价公共政策的影响。试验中的处理或'''<font color="#ff8000">结果 (Outcome)</font>'''的具体内容在评估平均处理效应时相对而言并不重要，也就是说，平均处理效应估算要求对某些个体进行处理，但不处理其他个体，但处理具体内容(例如药物、奖励性支付、政治广告)与平均处理效应的定义和估计无关。
  
−
The expression "treatment effect" refers to the causal effect of a given treatment or intervention (for example, the administering of a drug) on an outcome variable of interest (for example, the health of the patient). In the [[Rubin causal model|Neyman-Rubin "potential outcomes framework"]] of [[causality]] a treatment effect is defined for each individual unit in terms of two "potential outcomes." Each unit has one outcome that would manifest if the unit were exposed to the treatment and another outcome that would manifest if the unit were exposed to the control. The "treatment effect" is the difference between these two potential outcomes. However, this individual-level treatment effect is unobservable because individual units can only receive the treatment or the control, but not both. [[Random assignment]] to treatment ensures that units assigned to the treatment and units assigned to the control are identical (over a large number of iterations of the experiment). Indeed, units in both groups have identical [[Probability distribution|distributions]] of [[covariate]]s and potential outcomes. Thus the average outcome among the treatment units serves as a [[Counterfactual conditional|counterfactual]] for the average outcome among the control units. The differences between these two averages is the ATE, which is an estimate of the [[central tendency]] of the distribution of unobservable individual-level treatment effects.<ref>{{cite journal |last=Holland |first=Paul W. |year=1986 |title=Statistics and Causal Inference |journal=[[Journal of the American Statistical Association|J. Amer. Statist. Assoc.]] |volume=81 |issue=396 |pages=945–960 |jstor=2289064 |doi=10.1080/01621459.1986.10478354}}</ref> If a sample is randomly constituted from a population, the sample ATE (abbreviated SATE) is also an estimate of the population ATE (abbreviated PATE).<ref>{{cite journal |last=Imai |first=Kosuke |first2=Gary |last2=King |first3=Elizabeth A. |last3=Stuart |year=2008 |title=Misunderstandings Between Experimentalists and Observationalists About Causal Inference |journal=[[Journal of the Royal Statistical Society, Series A|J. R. Stat. Soc. Ser. A]] |volume=171 |issue=2 |pages=481–502 |doi=10.1111/j.1467-985X.2007.00527.x |url=http://nrs.harvard.edu/urn-3:HUL.InstRepos:4142695 }}</ref>
+
“处理效应”一词是指某一特定处理或干预 (如给予某种药物)对结果变量(如病人的康复)的'''<font color="#ff8000">因果影响 (Causal Effect)</font>'''。在因果关系的 Neyman-Rubin“潜在结果框架”中，处理效应被定义为每个独立个体的两个“潜在结果”，如果该个体给与处理，就会显现一种结果； 如果该个体不给予处理，就会显现出另一种结果。“处理效果”是这两种潜在结果之间的差异。然而，这种个体水平的处理效果是不可观察到的，因为每个独立个体只能接受处理或不接受处理，但不能同时接受和不接受。随机分配需要确保给处理组的个体和对照组的个体在大量迭代实验上是服从同分布。事实上，两组中的个体在协变量和潜在结果上的分布是相同的。因此，处理个体之间的平均结果是控制个体的平均结果的反事实。这两个平均值之间的差异是平均处理效应 ，这是不可观测到的个体层面的处理效果的中心趋势的估计。<ref>{{cite journal |last=Holland |first=Paul W. |year=1986 |title=Statistics and Causal Inference |journal=[[Journal of the American Statistical Association|J. Amer. Statist. Assoc.]] |volume=81 |issue=396 |pages=945–960 |jstor=2289064 |doi=10.1080/01621459.1986.10478354}}</ref>如果样本是从总体中随机构成，那么'''<font color="#ff8000">样本平均处理效应 (Sample Average Treatment Effect， SATE)</font>'''也是'''<font color="#ff8000">总体平均处理效应 (Population Average Treatment Effect，PATE)</font>'''的估计值。<ref>{{cite journal |last=Imai |first=Kosuke |first2=Gary |last2=King |first3=Elizabeth A. |last3=Stuart |year=2008 |title=Misunderstandings Between Experimentalists and Observationalists About Causal Inference |journal=[[Journal of the Royal Statistical Society, Series A|J. R. Stat. Soc. Ser. A]] |volume=171 |issue=2 |pages=481–502 |doi=10.1111/j.1467-985X.2007.00527.x |url=http://nrs.harvard.edu/urn-3:HUL.InstRepos:4142695 }}</ref>
−
 
 
−
 
 
−
“处理效应”一词是指某一特定处理或干预 (如给予某种药物)对结果变量(如病人的康复)的'''<font color="#ff8000">因果影响 (Causal Effect)</font>'''。在因果关系的 Neyman-Rubin“潜在结果框架”中，处理效应被定义为每个独立个体的两个“潜在结果”，如果该个体给与处理，就会显现一种结果； 如果该个体不给予处理，就会显现出另一种结果。“处理效果”是这两种潜在结果之间的差异。然而，这种个体水平的处理效果是不可观察到的，因为每个独立个体只能接受处理或不接受处理，但不能同时接受和不接受。随机分配需要确保给处理组的个体和对照组的个体在大量迭代实验上是服从同分布。事实上，两组中的个体在协变量和潜在结果上的分布是相同的。因此，处理个体之间的平均结果是控制个体的平均结果的反事实。这两个平均值之间的差异是平均处理效应 ，这是不可观测到的个体层面的处理效果的中心趋势的估计。如果样本是从总体中随机构成，那么'''<font color="#ff8000">样本平均处理效应 (Sample Average Treatment Effect， SATE)</font>'''也是'''<font color="#ff8000">总体平均处理效应 (Population Average Treatment Effect，PATE)</font>'''的估计值。
 
−
 
 
−
 
 
−
 
 
−
While an [[experiment]] ensures, in [[Law of large numbers|expectation]], that potential outcomes (and all covariates) are equivalently distributed in the treatment and control groups, this is not the case in an [[observational study]]. In an observational study, units are not assigned to treatment and control randomly, so their assignment to treatment may depend on unobserved or unobservable factors. Observed factors can be statistically controlled (e.g., through [[regression analysis|regression]] or [[Matching (statistics)|matching]]), but any estimate of the ATE could be [[confounding|confounded]] by unobservable factors that influenced which units received the treatment versus the control.
 
  
 
虽然实验确保了潜在结果以及所有协变量在处理组和对照组中的等价分布，但是在观察性研究中，情况并非如此。在观察性研究中，处理组和对照组个体并不服从随机分布，因此处理个体可能取决于未观测到或不可观测的因素。观察到的因素可以在统计学上加以控制 (如通过回归或匹配) ，但是任何关于平均处理效应的估计都可能与不可观察因素混淆，这些因素影响了哪些个体接受了处理，哪些个体没有接受处理。
 
虽然实验确保了潜在结果以及所有协变量在处理组和对照组中的等价分布，但是在观察性研究中，情况并非如此。在观察性研究中，处理组和对照组个体并不服从随机分布，因此处理个体可能取决于未观测到或不可观测的因素。观察到的因素可以在统计学上加以控制 (如通过回归或匹配) ，但是任何关于平均处理效应的估计都可能与不可观察因素混淆，这些因素影响了哪些个体接受了处理，哪些个体没有接受处理。
  
 
== 形式化定义 Formal definition ==
 
== 形式化定义 Formal definition ==
−
 
−
In order to define formally the ATE, we define two potential outcomes : <math>y_{0}(i)</math> is the value of the outcome variable for individual <math>i</math> if they are not treated, <math>y_{1}(i)</math> is the value of the outcome variable for individual <math>i</math> if they are treated. For example, <math>y_{0}(i)</math>  is the health status of the individual if they are not administered the drug under study and <math>y_{1}(i)</math> is the health status if they are administered the drug.
 
  
 
为了形式化定义平均处理效应，我们定义了两个潜在的结果: <math>y_{0}(i)</math > 是个体 <math> i </math> 没有被处理时的结果变量的取值，<math> y _ {1}(i) </math> 是个体 <math> i </math> 被处理时的结果变量的取值。例如，<math>y_{0}(i)</math > 是个体 <math> i </math> 没有被注射研究药物时的健康状态，<math>y_{1}(i)</math > 是个体 <math> i </math> 被注射药物时的健康状态。
 
为了形式化定义平均处理效应，我们定义了两个潜在的结果: <math>y_{0}(i)</math > 是个体 <math> i </math> 没有被处理时的结果变量的取值，<math> y _ {1}(i) </math> 是个体 <math> i </math> 被处理时的结果变量的取值。例如，<math>y_{0}(i)</math > 是个体 <math> i </math> 没有被注射研究药物时的健康状态，<math>y_{1}(i)</math > 是个体 <math> i </math> 被注射药物时的健康状态。
−
 
−
The treatment effect for individual <math>i</math> is given by <math>y_{1}(i)-y_{0}(i)=\beta(i)</math>. In the general case, there is no reason to expect this effect to be constant across individuals. The average treatment effect is given by
 
  
 
个体 <math> i </math> 的处理效应定义为 <math> y_{1}(i)-y_{0}(i) = \beta (i) </math> 。在一般情况下，这种处理效果在个体之间是不一样的。平均处理效果<math> \text{ATE} </math>的定义为
 
个体 <math> i </math> 的处理效应定义为 <math> y_{1}(i)-y_{0}(i) = \beta (i) </math> 。在一般情况下，这种处理效果在个体之间是不一样的。平均处理效果<math> \text{ATE} </math>的定义为
第35行： 第18行：
  
 
这里对总体中所有N数量个体的处理效应进行了聚合平均计算。
 
这里对总体中所有N数量个体的处理效应进行了聚合平均计算。
−
 
−
 
−
If we could observe, for each individual, <math>y_{1}(i)</math> and <math>y_{0}(i)</math> among a large representative sample of the population, we could estimate the ATE simply by taking the average value of <math>y_{1}(i)-y_{0}(i)</math> across the sample. However, we can not observe both <math>y_{1}(i)</math> and <math>y_{0}(i)</math> for each individual since an individual cannot be both treated and not treated. For example, in the drug example, we can only observe  <math>y_{1}(i)</math> for individuals who have received the drug and <math>y_{0}(i)</math> for those who did not receive it. This is the main problem faced by scientists in the evaluation of treatment effects and has triggered a large body of estimation techniques.
 
  
 
如果我们能观察到一个大型代表性样本中每个个体的<math> y _ {1}(i) </math> 和 <math> y _ {0}(i) </math> ，我们可以简单地通过取样本中 <math> y _ {1}(i)-y _ {0}(i) </math> 的平均值来估计平均处理效应。然而，我们不能同时观察每个个体的<math> y _ {1}(i)、y _ {0}(i) </math>，因为每个个体不能同时被处理和不被处理。例如，在药物例子中，我们只能观察到个体接受过药物治疗的<math> y _ {1}(i) </math> 和个体未接受药物的 <math> y _ {0}(i) </math> 。这是研究者们在评估治疗效果时面临的主要问题，并因此引发了大量与估计方法相关的研究。
 
如果我们能观察到一个大型代表性样本中每个个体的<math> y _ {1}(i) </math> 和 <math> y _ {0}(i) </math> ，我们可以简单地通过取样本中 <math> y _ {1}(i)-y _ {0}(i) </math> 的平均值来估计平均处理效应。然而，我们不能同时观察每个个体的<math> y _ {1}(i)、y _ {0}(i) </math>，因为每个个体不能同时被处理和不被处理。例如，在药物例子中，我们只能观察到个体接受过药物治疗的<math> y _ {1}(i) </math> 和个体未接受药物的 <math> y _ {0}(i) </math> 。这是研究者们在评估治疗效果时面临的主要问题，并因此引发了大量与估计方法相关的研究。
  
 
== 估计 Estimation ==
 
== 估计 Estimation ==
−
 
−
Depending on the data and its underlying circumstances, many methods can be used to estimate the ATE. The most common ones are:
 
  
 
根据数据及其潜在环境的不同，我们可以使用许多方法来估计平均处理效应<math> \text{ATE} </math>。最常见方法包括:
 
根据数据及其潜在环境的不同，我们可以使用许多方法来估计平均处理效应<math> \text{ATE} </math>。最常见方法包括:
第58行： 第36行：
  
 
== 示例 An example ==
 
== 示例 An example ==
−
 
−
Consider an example where all units are unemployed individuals, and some experience a policy intervention (the treatment group), while others do not (the control group). The causal effect of interest is the impact a job search monitoring policy (the treatment) has on the length of an unemployment spell: On average, how much shorter would one's unemployment be if they experienced the intervention? The ATE, in this case, is the difference in expected values (means) of the treatment and control groups' length of unemployment.
 
  
 
考虑一个失业群体，对其中一些个体给与政策干预（处理组），其余的不做任何处理（控制组）。现需要计算求职监控政策（干预）对失业期长短的影响: 平均来说，如果对个体进行求职监控（给与干预），失业期会缩短多少？在选择一种干预这种情况下，平均处理效应是处理组和对照组的失业时间长度的期望值（平均值）差异。
 
考虑一个失业群体，对其中一些个体给与政策干预（处理组），其余的不做任何处理（控制组）。现需要计算求职监控政策（干预）对失业期长短的影响: 平均来说，如果对个体进行求职监控（给与干预），失业期会缩短多少？在选择一种干预这种情况下，平均处理效应是处理组和对照组的失业时间长度的期望值（平均值）差异。
−
 
−
 
−
A positive ATE, in this example, would suggest that the job policy increased the length of unemployment. A negative ATE would suggest that the job policy decreased the length of unemployment. An ATE estimate equal to zero would suggest that there was no advantage or disadvantage to providing the treatment in terms of the length of unemployment. Determining whether an ATE estimate is distinguishable from zero (either positively or negatively) requires statistical inference.
 
  
 
在这个例子中，平均处理效应为正值意味着就业政策延长了失业期，平均处理效应为负值表明就业政策缩短了失业期。平均处理效应等于零表明提供就业政策对失业期长短并没有任何利处或不利。判断一个平均处理效应估计值是否为可以区分的零值需要进行统计推断。
 
在这个例子中，平均处理效应为正值意味着就业政策延长了失业期，平均处理效应为负值表明就业政策缩短了失业期。平均处理效应等于零表明提供就业政策对失业期长短并没有任何利处或不利。判断一个平均处理效应估计值是否为可以区分的零值需要进行统计推断。
−
 
−
 
−
 
−
Because the ATE is an estimate of the average effect of the treatment, a positive or negative ATE does not indicate that any particular individual would benefit or be harmed by the treatment. Thus the average treatment effect neglects the distribution of the treatment effect. Some parts of the population might be worse off with the treatment even if the mean effect is positive.
 
−
 
  
 
因为平均处理效应是对处理的平均效果估计，正值或者负值平均处理效应并不表明处理对任意特定个体是有益或者有害。因此，平均处理效应忽略了处理效应的分布。即使平均处理效应是正值，总体的部分个体也可能因为这种处理或者干预而使得情况变得更糟。
 
因为平均处理效应是对处理的平均效果估计，正值或者负值平均处理效应并不表明处理对任意特定个体是有益或者有害。因此，平均处理效应忽略了处理效应的分布。即使平均处理效应是正值，总体的部分个体也可能因为这种处理或者干预而使得情况变得更糟。
第78行： 第46行：
  
 
== （异质处理效应 Heterogenous treatment effects） ==
 
== （异质处理效应 Heterogenous treatment effects） ==
−
 
−
Some researchers call a treatment effect "heterogenous" if it affects different individuals differently (heterogeneously).  For example, perhaps the above treatment of a job search monitoring policy affected men and women differently, or people who live in different states differently.
 
−
 
  
 
一些研究人员将处理效果依赖于个体的情况称之为“异质性”。例如，上面提到的求职监控政策依赖于性别（男、女）或者是区域的不同。
 
一些研究人员将处理效果依赖于个体的情况称之为“异质性”。例如，上面提到的求职监控政策依赖于性别（男、女）或者是区域的不同。
−
 
−
 
−
 
−
One way to look for heterogeneous treatment effects is to divide the study data into subgroups (e.g., men and women, or by state), and see if the average treatment effects are different by subgroup.  A per-subgroup ATE is called a "conditional average treatment effect" (CATE), i.e. the ATE conditioned on membership in the subgroup.
 
−
 
  
 
一种异质处理效应的研究方法是将研究数据进行分组 (如按照男、女性别，或者区域进行划分) ，比较平均处理效果在子组内的效应差异。每个子组的平均处理效应被称为'''<font color="#ff8000">“条件平均处理效应”(Conditional Average Treatment Effect，CATE)</font>''' ，也就是说，每个子组的平均处理效应被称为条件平均处理效应，以子组内的分类方式为条件。
 
一种异质处理效应的研究方法是将研究数据进行分组 (如按照男、女性别，或者区域进行划分) ，比较平均处理效果在子组内的效应差异。每个子组的平均处理效应被称为'''<font color="#ff8000">“条件平均处理效应”(Conditional Average Treatment Effect，CATE)</font>''' ，也就是说，每个子组的平均处理效应被称为条件平均处理效应，以子组内的分类方式为条件。
−
 
−
 
−
 
−
A challenge with this approach is that each subgroup may have substantially less data than the study as a whole, so if the study has been powered to detect the main effects without subgroup analysis, there may not be enough data to properly judge the effects on subgroups.
 
−
 
  
 
这种研究方法存在的一个问题是，子组的数据可能比未分组的数据要少得多，没有足够数据进行分析。
 
这种研究方法存在的一个问题是，子组的数据可能比未分组的数据要少得多，没有足够数据进行分析。
  
−
 
+
也有一些利用随机森林检测异质处理效应的相关工作<ref name="het-paper">https://arxiv.org/abs/1510.04342</ref><ref name="het-blog-post">https://www.markhw.com/blog/causalforestintro</ref>。
−
 
 
−
There is some work on detecting heterogenous treatment effects using [[Random_forest|random forests]].<ref name="het-paper">https://arxiv.org/abs/1510.04342</ref><ref name="het-blog-post">https://www.markhw.com/blog/causalforestintro</ref>
 
−
 
 
−
There is some work on detecting heterogenous treatment effects using random forests.
 
−
 
 
−
也有一些利用随机森林[3][4]检测异质处理效应的相关工作。
 
  
  
第117行： 第66行：
  
 
*{{cite book |last=Wooldridge |first=Jeffrey M. |chapter=Policy Analysis with Pooled Cross Sections |pages=438–443 |title=Introductory Econometrics: A Modern Approach |year=2013 |publisher=Thomson South-Western |location=Mason, OH |isbn=978-1-111-53104-1 }}
 
*{{cite book |last=Wooldridge |first=Jeffrey M. |chapter=Policy Analysis with Pooled Cross Sections |pages=438–443 |title=Introductory Econometrics: A Modern Approach |year=2013 |publisher=Thomson South-Western |location=Mason, OH |isbn=978-1-111-53104-1 }}
−
 
−
 
−
 
−
{{DEFAULTSORT:Average Treatment Effect}}
 
−
 
−
[[Category:Estimation theory]]
 
−
 
−
Category:Estimation theory
 
−
 
−
类别: 参数估测
 
−
 
−
[[Category:Medical statistics]]
 
−
 
−
Category:Medical statistics
 
−
 
−
类别: 医学统计
 
−
 
−
[[Category:Experiments]]
 
−
 
−
Category:Experiments
 
−
 
−
分类: 实验
 
−
 
−
<noinclude>
 
−
 
−
<small>This page was moved from [[wikipedia:en:Average treatment effect]]. Its edit history can be viewed at [[处理（干预）效应/edithistory]]</small></noinclude>
 
  
 
[[Category:待整理页面]]
 
[[Category:待整理页面]]

2021年6月4日 (五) 08:46的版本

平均处理效应 (Average Treatment Effect, ATE)是在随机试验个体、政策干预评估和医药试验中用于比较治疗或干预的一种测量方法。平均处理效应测量分配给处理个体和控制个体之间的平均结果的差异。在随机试验中，平均处理效应可以通过比较样本在处理个体和未处理个体的平均结果进行估计获得。然而，平均处理效应通常被理解为研究人员希望知道的一个因果参数 (即一个总体的估计或属性) ，定义时不参考试验设计或估计过程。观察性研究和随机赋值的实验性研究设计都可以用多种方式进行估计平均处理效应。

一般性定义 General definition

处理 (Treatment)一词起源于农业和医药领域的早期统计分析，现在被更广泛地用于自然科学和社会科学的其他领域，尤其是心理学、政治科学和经济学，例如评价公共政策的影响。试验中的处理或结果 (Outcome)的具体内容在评估平均处理效应时相对而言并不重要，也就是说，平均处理效应估算要求对某些个体进行处理，但不处理其他个体，但处理具体内容(例如药物、奖励性支付、政治广告)与平均处理效应的定义和估计无关。

“处理效应”一词是指某一特定处理或干预 (如给予某种药物)对结果变量(如病人的康复)的因果影响 (Causal Effect)。在因果关系的 Neyman-Rubin“潜在结果框架”中，处理效应被定义为每个独立个体的两个“潜在结果”，如果该个体给与处理，就会显现一种结果； 如果该个体不给予处理，就会显现出另一种结果。“处理效果”是这两种潜在结果之间的差异。然而，这种个体水平的处理效果是不可观察到的，因为每个独立个体只能接受处理或不接受处理，但不能同时接受和不接受。随机分配需要确保给处理组的个体和对照组的个体在大量迭代实验上是服从同分布。事实上，两组中的个体在协变量和潜在结果上的分布是相同的。因此，处理个体之间的平均结果是控制个体的平均结果的反事实。这两个平均值之间的差异是平均处理效应 ，这是不可观测到的个体层面的处理效果的中心趋势的估计。[1]如果样本是从总体中随机构成，那么样本平均处理效应 (Sample Average Treatment Effect， SATE)也是总体平均处理效应 (Population Average Treatment Effect，PATE)的估计值。[2]

虽然实验确保了潜在结果以及所有协变量在处理组和对照组中的等价分布，但是在观察性研究中，情况并非如此。在观察性研究中，处理组和对照组个体并不服从随机分布，因此处理个体可能取决于未观测到或不可观测的因素。观察到的因素可以在统计学上加以控制 (如通过回归或匹配) ，但是任何关于平均处理效应的估计都可能与不可观察因素混淆，这些因素影响了哪些个体接受了处理，哪些个体没有接受处理。

形式化定义 Formal definition

为了形式化定义平均处理效应，我们定义了两个潜在的结果: [math]\displaystyle{ y_{0}(i) }[/math] 是个体 [math]\displaystyle{ i }[/math] 没有被处理时的结果变量的取值，[math]\displaystyle{ y _ {1}(i) }[/math] 是个体 [math]\displaystyle{ i }[/math] 被处理时的结果变量的取值。例如，[math]\displaystyle{ y_{0}(i) }[/math] 是个体 [math]\displaystyle{ i }[/math] 没有被注射研究药物时的健康状态，[math]\displaystyle{ y_{1}(i) }[/math] 是个体 [math]\displaystyle{ i }[/math] 被注射药物时的健康状态。

个体 [math]\displaystyle{ i }[/math] 的处理效应定义为 [math]\displaystyle{ y_{1}(i)-y_{0}(i) = \beta (i) }[/math] 。在一般情况下，这种处理效果在个体之间是不一样的。平均处理效果[math]\displaystyle{ \text{ATE} }[/math]的定义为

[math]\displaystyle{ \text{ATE} = \frac{1}{N}\sum_i (y_{1}(i)-y_{0}(i)) }[/math]

这里对总体中所有N数量个体的处理效应进行了聚合平均计算。

如果我们能观察到一个大型代表性样本中每个个体的[math]\displaystyle{ y _ {1}(i) }[/math] 和 [math]\displaystyle{ y _ {0}(i) }[/math] ，我们可以简单地通过取样本中 [math]\displaystyle{ y _ {1}(i)-y _ {0}(i) }[/math] 的平均值来估计平均处理效应。然而，我们不能同时观察每个个体的[math]\displaystyle{ y _ {1}(i)、y _ {0}(i) }[/math]，因为每个个体不能同时被处理和不被处理。例如，在药物例子中，我们只能观察到个体接受过药物治疗的[math]\displaystyle{ y _ {1}(i) }[/math] 和个体未接受药物的 [math]\displaystyle{ y _ {0}(i) }[/math] 。这是研究者们在评估治疗效果时面临的主要问题，并因此引发了大量与估计方法相关的研究。

估计 Estimation

根据数据及其潜在环境的不同，我们可以使用许多方法来估计平均处理效应[math]\displaystyle{ \text{ATE} }[/math]。最常见方法包括:

  • 自然实验 Natural Experiment
  • 双重差分模型 Difference in Differences
  • 断点回归设计 Regression Discontinuity Design
  • 倾向评分匹配 Propensity Score Matching
  • 工具变量估计 Instrumental Variables Estimation

示例 An example

考虑一个失业群体，对其中一些个体给与政策干预（处理组），其余的不做任何处理（控制组）。现需要计算求职监控政策（干预）对失业期长短的影响: 平均来说，如果对个体进行求职监控（给与干预），失业期会缩短多少？在选择一种干预这种情况下，平均处理效应是处理组和对照组的失业时间长度的期望值（平均值）差异。

在这个例子中，平均处理效应为正值意味着就业政策延长了失业期，平均处理效应为负值表明就业政策缩短了失业期。平均处理效应等于零表明提供就业政策对失业期长短并没有任何利处或不利。判断一个平均处理效应估计值是否为可以区分的零值需要进行统计推断。

因为平均处理效应是对处理的平均效果估计，正值或者负值平均处理效应并不表明处理对任意特定个体是有益或者有害。因此，平均处理效应忽略了处理效应的分布。即使平均处理效应是正值，总体的部分个体也可能因为这种处理或者干预而使得情况变得更糟。


（异质处理效应 Heterogenous treatment effects）

一些研究人员将处理效果依赖于个体的情况称之为“异质性”。例如，上面提到的求职监控政策依赖于性别（男、女）或者是区域的不同。

一种异质处理效应的研究方法是将研究数据进行分组 (如按照男、女性别，或者区域进行划分) ，比较平均处理效果在子组内的效应差异。每个子组的平均处理效应被称为“条件平均处理效应”(Conditional Average Treatment Effect，CATE) ，也就是说，每个子组的平均处理效应被称为条件平均处理效应，以子组内的分类方式为条件。

这种研究方法存在的一个问题是，子组的数据可能比未分组的数据要少得多，没有足够数据进行分析。

也有一些利用随机森林检测异质处理效应的相关工作[3][4]。


参考文献 References

  1. ↑ Holland, Paul W. (1986). "Statistics and Causal Inference". J. Amer. Statist. Assoc. 81 (396): 945–960. doi:10.1080/01621459.1986.10478354. JSTOR 2289064.
  2. ↑ Imai, Kosuke; King, Gary; Stuart, Elizabeth A. (2008). "Misunderstandings Between Experimentalists and Observationalists About Causal Inference". J. R. Stat. Soc. Ser. A. 171 (2): 481–502. doi:10.1111/j.1467-985X.2007.00527.x.
  3. ↑ https://arxiv.org/abs/1510.04342
  4. ↑ https://www.markhw.com/blog/causalforestintro


扩展阅读 Further reading

  • Wooldridge, Jeffrey M. (2013). "Policy Analysis with Pooled Cross Sections". Introductory Econometrics: A Modern Approach. Mason, OH: Thomson South-Western. pp. 438–443. ISBN 978-1-111-53104-1. 
取自“https://wiki.swarma.org/index.php?title=处理效应&oldid=22954”