7,129
个编辑
更改
无编辑摘要
'''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：
'''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.
<math>(Y(0),Y(1))\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。
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。
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。
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]}
<math>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。
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。