587
个编辑
更改
无编辑摘要
}}
}}
'''主分层 Principal stratification'''是一种应用于因果推断的统计技术，它根据处置后协变量来调整因果效应。其基本思想是识别潜在的分层结构，然后只计算每一层的因果效应。这就是所谓的'''局部平均处理效应 local average treatment effect（LATE）'''。
'''主分层 Principal stratification'''是指按照某处理后变量的潜在结果对总体分层，然后考察某一层内的因果作用，例如含有非依从性的试验中的依从者，含有死亡截断的试验中的永远幸存者'''。它'''是一种应用于因果推断的统计技术，它根据处置后协变量来调整因果效应。其基本思想是识别潜在的分层结构，然后只计算每一层的因果效应。这就是所谓的'''局部平均处理效应 local average treatment effect（LATE）'''。
在从在非依从现象时，我们能够识别的只是依从者——也就是人群中的某一“层”的平均因果作用。Frangakis和Rubin把这一观察总结为主分层（principal stratification）的概念，即按照某种处理后的潜在结果对总体进行分层，而真正关心的因果作用被局限在某一个主层内。
在从在非依从现象时，我们能够识别的只是依从者——也就是人群中的某一“层”的平均因果作用。Frangakis和Rubin把这一观察总结为主分层（principal stratification）的概念，即按照某种处理后的潜在结果对总体进行分层，而真正关心的因果作用被局限在某一个主层内。
# 只有在分配到处置组时才退出的受试者；
# 只有在分配到处置组时才退出的受试者；
# 只有在分配到对照组时才退出的受试者。
# 只有在分配到对照组时才退出的受试者。
如果研究人员知道每个受试者属于哪种情形，那么研究人员只需比较第一种情况下的结果，并估计出对该群提有效的因果效应。然而，研究人员并不知道这些信息，因此这种方法需要模型假设。
如果研究人员知道每个受试者属于哪种情形，那么研究人员只需比较第一种情况下的结果，并估计出对该群提有效的因果效应。然而，研究人员并不知道这些信息，因此这种方法需要模型假设。
使用主分层框架还允许为估计效应提供界限（在不同的界限假设下） ，这在退出偏移的情况下很常见。
使用主分层框架还允许为估计效应提供界限（在不同的界限假设下） ，这在退出偏移的情况下很常见。
*[[工具变量]]
*[[工具变量]]
*[[虚拟事实模型]]
*[[虚拟事实模型]]
==参考文献==
==参考文献==
*{{Cite journal|doi=10.1111/j.0006-341X.2002.00021.x |first1=Constantine E. |last1=Frangakis |first2=Donald B. |last2=Rubin |title=Principal stratification in causal inference |journal=Biometrics |volume=58 |issue=1 |pages=21–9 |date=March 2002 |pmid=11890317|pmc=4137767 }} [http://www.biostat.jhsph.edu/~cfrangak/papers/preffects.pdf Preprint]
*{{Cite journal|doi=10.1111/j.0006-341X.2002.00021.x |first1=Constantine E. |last1=Frangakis |first2=Donald B. |last2=Rubin |title=Principal stratification in causal inference |journal=Biometrics |volume=58 |issue=1 |pages=21–9 |date=March 2002 |pmid=11890317|pmc=4137767 }} [http://www.biostat.jhsph.edu/~cfrangak/papers/preffects.pdf Preprint]
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
----
----