“主分层”的版本间的差异
| 第37行： | 第37行： | ||
*Egleston, Brian L.; Cropsey, Karen L.; Lazev, Amy B.; Heckman, Carolyn J.; (2010) "A tutorial on principal stratification-based sensitivity analysis: application to smoking cessation studies", ''Clinical Trials'', 7 (3), 286–298. {{doi|10.1177/1740774510367811 }} | *Egleston, Brian L.; Cropsey, Karen L.; Lazev, Amy B.; Heckman, Carolyn J.; (2010) "A tutorial on principal stratification-based sensitivity analysis: application to smoking cessation studies", ''Clinical Trials'', 7 (3), 286–298. {{doi|10.1177/1740774510367811 }} | ||
* Peck, L. R.; (2013) "On estimating experimental impacts on endogenous subgroups: Part one of a methods note in three parts", ''American Journal of Evaluation'', 34 (2), 225–236. | * Peck, L. R.; (2013) "On estimating experimental impacts on endogenous subgroups: Part one of a methods note in three parts", ''American Journal of Evaluation'', 34 (2), 225–236. | ||
| + | |||
| + | |||
| + | |||
| + | ==编者推荐== | ||
| + | ===集智课程=== | ||
| + | ====[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。 | ||
| + | |||
| + | |||
| + | “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。 | ||
---- | ---- | ||
| − | + | 本中文词条由[[用户:Jlyt007|Jlyt007]]翻译，[[用户:薄荷|薄荷]]编辑，如有问题，欢迎在讨论页面留言。 | |
2022年5月14日 (六) 15:19的版本
主分层 Principal stratification是一种应用于因果推断的统计技术，它根据处置后协变量来调整因果效应。其基本思想是识别潜在的分层结构，然后只计算每一层的因果效应。这就是所谓的局部平均处理效应 local average treatment effect（LATE）。
示例
主分层的一个例子是随机对照试验的退出偏移问题。使用处置后的二元协变量(例如：退出)和二元处置变量(例如：“处置”和“对照”) ，受试者可能有四种情形：
- 总是留在研究中的受试者，不管他们被分配了哪种治疗；
- 总是会退出研究的受试者，不管他们被分配了哪种治疗 ；
- 只有在分配到处置组时才退出的受试者；
- 只有在分配到对照组时才退出的受试者。
如果研究人员知道每个受试者属于哪种情形，那么研究人员只需比较第一种情况下的结果，并估计出对该群提有效的因果效应。然而，研究人员并不知道这些信息，因此这种方法需要模型假设。
使用主分层框架还允许为估计效应提供界限（在不同的界限假设下） ，这在退出偏移的情况下很常见。
在评价研究应用中，主成分层通常被称为内生 endogenous层或亚群体 subgroups，并涉及专门的分析方法，用来检查医学和社会科学中的干预或处置的效果。
另见
参考文献
- Frangakis, Constantine E.; Rubin, Donald B. (March 2002). "Principal stratification in causal inference". Biometrics. 58 (1): 21–9. doi:10.1111/j.0006-341X.2002.00021.x. PMC 4137767. PMID 11890317. Preprint
- Zhang, Junni L.; Rubin, Donald B. (2003) "Estimation of Causal Effects via Principal Stratification When Some Outcomes are Truncated by "Death"", Journal of Educational and Behavioral Statistics, 28: 353–368 doi:10.3102/10769986028004353
- Barnard, John; Frangakis, Constantine E.; Hill, Jennifer L.; Rubin, Donald B. (2003) "Principal Stratification Approach to Broken Randomized Experiments", Journal of the American Statistical Association, 98, 299–323 doi:10.1198/016214503000071
- Roy, Jason; Hogan, Joseph W.; Marcus, Bess H. (2008) "Principal stratification with predictors of compliance for randomized trials with 2 active treatments", Biostatistics, 9 (2), 277–289. doi:10.1093/biostatistics/kxm027
- Egleston, Brian L.; Cropsey, Karen L.; Lazev, Amy B.; Heckman, Carolyn J.; (2010) "A tutorial on principal stratification-based sensitivity analysis: application to smoking cessation studies", Clinical Trials, 7 (3), 286–298. doi:10.1177/1740774510367811
- Peck, L. R.; (2013) "On estimating experimental impacts on endogenous subgroups: Part one of a methods note in three parts", American Journal of Evaluation, 34 (2), 225–236.
编者推荐
集智课程
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。
“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。
本中文词条由Jlyt007翻译，薄荷编辑，如有问题，欢迎在讨论页面留言。
本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。