“Causal Inference for Statistics, Social, and Biomedical Sciences”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
(添加作者简介)
第16行: 第16行:
  
 
== 参考资料 ==
 
== 参考资料 ==
 
+
<references />
# Causal Inference for Statistics, Social, and Biomedical Sciences
 
# https://www.gsb.stanford.edu/faculty-research/faculty/guido-w-imbens
 
# https://en.wikipedia.org/wiki/Guido_Imbens
 
# https://en.wikipedia.org/wiki/Donald_Rubin
 

2022年6月18日 (六) 17:33的版本

此词条由因果科学读书会词条梳理志愿者四月翻译审校,未经专家审核,带来阅读不便,请见谅。

书籍简介

本书[1]的基本观点:(1)所有的因果问题都和特点的干预(intervention)或者实验(treatment)相联系。(2)因果问题被视为对潜在结果(potential outcome)的比较,每个潜在结果对应于一个实验水平(或条件)。如果采用相应的实验条件,那么每个潜在结果都将被观察到。因果效应涉及到将实际观察结果与其他潜在结果比较。实际上其他潜在结果无法被观察到。因此,从根本上说,因果推断是一个处理缺失数据的问题。

与所有处理缺失数据的问题一样,处理的关键是决定是否被观测到的机制(mechanism)。在因果推断中,被称为分配机制(assignment mechanism)。

本书阐述了因果推断方法所依据的基本理念、潜在结果框架及逐步放宽分配机制的假设时的因果推断方法。

作者简介

Guido W. Imbens[2][3],荷兰裔美国经济学家,于斯坦福大学斯坦福商学院任职应用计量经济学教授和经济学教授,研究领域为经济学和统计学。2021年,与Joshua Angrist共同获得诺贝尔经济学奖,“以表彰他们在分析因果关系方面的方法论贡献”。

Donald B. Rubin[4][5],哈佛大学统计系名誉教授,曾在那里担任13年统计系主任,同时在清华大学和费城坦普尔大学工作。其研究兴趣为实验和观察研究中的因果推理、在无响应的样本调查和缺失数据问题中的推断、贝叶斯和经验贝叶斯技术的应用和开发统计模型并将其应用于各种科学学科的数据。

章节目录及内容简介

参考资料