更改

添加176字节 、 2021年8月3日 (二) 17:36
第67行: 第67行:  
</math>
 
</math>
   −
\begin{equation}
+
 
E=m
  −
\end{equation}
      
在没有因果关联的情况下,无法从数据集本身估计因果效应,这就是辛普森悖论的教训,数据本身甚至不足以确定药物的作用是正面的还是负面的。但是借助图5的因果图模型,可以从数据中计算因果效应的大小。为此,以对图进行处理的形式模拟干预,即对模型中全体人群都服用了该药物。
 
在没有因果关联的情况下,无法从数据集本身估计因果效应,这就是辛普森悖论的教训,数据本身甚至不足以确定药物的作用是正面的还是负面的。但是借助图5的因果图模型,可以从数据中计算因果效应的大小。为此,以对图进行处理的形式模拟干预,即对模型中全体人群都服用了该药物。
第93行: 第91行:  
\stopalign \stopformula
 
\stopalign \stopformula
    +
\begin{equation}
 +
P(Y=1|do(X=1))  = \sum_Z P(Y=1|X=1, Z=z)P(Z) = P(Y=1|X=1, Z=1)P(Z=1) +  P(Y=1|X=1, Z=0)P(Z=0) \\
 +
                = \frac{0.93*(87+270)}{700} + \frac{0.73*(263+80)}{700} = 0.832
 +
\end{equation}
 
<math>
 
<math>
 
P(Y=1|do(X=1))  = \sum_Z P(Y=1|X=1, Z=z)P(Z) = P(Y=1|X=1, Z=1)P(Z=1) +  P(Y=1|X=1, Z=0)P(Z=0) \\
 
P(Y=1|do(X=1))  = \sum_Z P(Y=1|X=1, Z=z)P(Z) = P(Y=1|X=1, Z=1)P(Z=1) +  P(Y=1|X=1, Z=0)P(Z=0) \\
252

个编辑