“无混淆性 Unconfoundedness”的版本间的差异
| 第10行： | 第10行： | ||
其中<math>Y(0)</math>和<math>Y(1)</math>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：<math>Y(w)\perp W|X</math> | 其中<math>Y(0)</math>和<math>Y(1)</math>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：<math>Y(w)\perp W|X</math> | ||
| + | |||
对<math>w=0和1</math>成立。可忽略性也是缺失数据分析中的常见假设。 | 对<math>w=0和1</math>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<math>e(x)=P(W=1|X=x)</math>，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，<math>(Y(0),Y(1))\perp W|e(X)</math>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<math>e(x)=P(W=1|X=x)</math>，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，<math>(Y(0),Y(1))\perp W|e(X)</math>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。 | ||
| 第25行： | 第27行： | ||
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5日 (日) 11:32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：
[math]\displaystyle{ (Y(0),Y(1))\perp W|X }[/math]
其中[math]\displaystyle{ Y(0) }[/math]和[math]\displaystyle{ Y(1) }[/math]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：[math]\displaystyle{ Y(w)\perp W|X }[/math]
对[math]\displaystyle{ w=0和1 }[/math]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[math]\displaystyle{ e(x)=P(W=1|X=x) }[/math]，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，[math]\displaystyle{ (Y(0),Y(1))\perp W|e(X) }[/math]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。
[math]\displaystyle{ E[Y(w)]=E\left \{ E[Y(w)|X] \right \}=E\left \{E[Y(w)|X,W=w] \right \}=E\left \{ E[Y|X,W=w] \right \} }[/math]
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
- ↑ Rubin, Donald (1978). "Bayesian Inference for Causal Effects: The Role of Randomization". The Annals of Statistics
- ↑ Rubin, Donald B.; Rosenbaum, Paul R. (1983). "The Central Role of the Propensity Score in Observational Studies for Causal Effects"
- ↑ Imbens & Rubin 2015书
- ↑ Rosembaum，Design of Observational Studies书
- ↑ Hernan & Robins，What if书