4
个编辑
更改
Causal Inference for Statistics, Social, and Biomedical Sciences (查看源代码)
2022年6月18日 (六) 18:05的版本
、 2022年6月18日 (六) 18:05目录及概要
Donald B. Rubin<ref>https://statistics.fas.harvard.edu/people/donald-b-rubin</ref><ref>https://en.wikipedia.org/wiki/Donald_Rubin</ref>，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。
Donald B. Rubin<ref>https://statistics.fas.harvard.edu/people/donald-b-rubin</ref><ref>https://en.wikipedia.org/wiki/Donald_Rubin</ref>，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 ==
== 目录及概要 ==
PART 1: 导论
内容：阐述了因果推断方法所依据的基本理念，并描述了潜在结果框架
# 因果：基本框架
# 因果推断潜在结果方法简史
# 分配机制的分类
PART 2: 经典随机实验
内容：假设分配机制对应于经典随机实验的情况
# 经典随机实验的分类
# 完全随机实验的Fisher精确的p值
# 完全随机实验的Neyman重复抽样方法
# 完全随机实验的回归方法
# 完全随机实验的基于模型的推断
# 分层随机实验
# 成对随机实验
# 案例学习：劳动力市场的实验估计
PART 3: 规则分配机制：设计
内容：假设分配机制在一个定义明确的意义上是 "规则的"，它概括了随机化实验。这一部分讨论了观察性研究的 "设计 "阶段。
# unconfounded实验分配
# 估计倾向性得分
# 评估协变量的overlap
# 改进协变量分布平衡的匹配
# 切割以改善协变量分布的平衡
PART 4: 规则分配机制：分析
内容：讨论具有规则分配机制的研究的数据分析，包含匹配和亚分类程序，以及基于模型和加权的方法。
# 基于倾向性得分的子分类
# 匹配估计器
# 估计平均因果效应标准估计量抽样方差的一般方法
# 一般因果估计的推断
PART 5: 规则分配机制：补充分析
内容：放宽了这一规则性假设，并讨论了更普遍的分配机制。首先评估关键假设unconfoundedness，然后探讨了敏感性分析，其中放松了规则性赋值机制的一些关键特征。
# 评估unconfoundedness
# 敏感性分析和边界
PART 6: 不完全遵守规则的分配机制：分析
内容：讨论分配机制是有规则的，但对分配的遵守是不完善的情况。因此，实验概率可能取决于单位的观察和非观察特征和结果。为了解决这些复杂的问题，转向了工具变量方法。
# 单侧不符合随机实验的工具变量分析
# 双侧不符合随机实验的工具变量分析
# 工具变量设置中基于模型的分析：双侧不符合的随机实验
PART 7: 结论
内容：结论
# 结论与拓展
== 参考资料 ==
== 参考资料 ==
<references />
<references />