“无混淆性 Unconfoundedness”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
第4行： 第4行：
 
}}
 
}}
  
−
'''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。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>。
 +
  
  

2022年6月3日 (五) 16:22的版本


无混淆性 Unconfoundedness，也被叫做可忽略性 ignorability，由Donald Rubin在1970年代提出[1]。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[2]。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。


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[3]。Rosenbaum针对无混淆性提出了敏感性分析[4]。


Judea Pearl提出用后门准则来判断无混淆性。在有向无环图中，如果控制一组条件变量，处理变量和结果变量的所有后门路径被阻断，则无混淆性成立。然而实际上基于有向无环图判断无混淆性的做法并不严格。Thomas Richardson和James Robins曾提出单一世界干预图（SWIG），可将处理分配变量、干预值和潜在结果表现在因果图上。在单一世界干预图中，处理分配变量和干预值被阻断，通过检查处理分配变量与潜在结果的后门是否被阻断，可以更严格地判断无混淆性[5]。


参考文献

  1. ↑ Rubin, Donald (1978). "Bayesian Inference for Causal Effects: The Role of Randomization". The Annals of Statistics
  2. ↑ Rubin, Donald B.; Rosenbaum, Paul R. (1983). "The Central Role of the Propensity Score in Observational Studies for Causal Effects"
  3. ↑ Imbens & Rubin 2015书
  4. ↑ Rosembaum，Design of Observational Studies书
  5. ↑ Hernan & Robins，What if书
取自“https://wiki.swarma.org/index.php?title=无混淆性_Unconfoundedness&oldid=31497”