| 第192行： |
第192行： |
| | | | |
| | == 主分层框架的好处和局限性 == | | == 主分层框架的好处和局限性 == |
| − | 主要分层框架为审议诸如前面例子中强调的那些重要的反事实问题提供了一些好处。首先，框架的使用需要非常清晰地阐明与特定研究问题相关的实验对象在治疗和控制下所采取的后随机化经验、决定或行动。这本身就很有用。其次，在确定了相关地层之后，该框架还突出了估计治疗效果所依赖的假设。例如，在上述应用中，单调性假设排除了某些地层的存在和排除限制，固定处理效应在某些地层为零。
| |
| | | | |
| − | 主体分层框架有利于培养对利益关键数量界定的清晰思维。然而，估算的过程相对不那么简单。尽管如此，一些标准模型已经得到了很好的理解，例如处理二元不遵从性的应用程序，以及单调性和排除限制假设实质上是站得住脚的。在这里，基于矩的 IV 是一个经典的解决方案，基于模型的 IV 产生了非常相似的 ITTc 估计值(Imbens & Rubin，1997)。在样本量大、编制者比例高的情况下，这种等效性通常是正确的。在这种情况下，一个合理的问题是为什么
| + | === 主分层框架的好处 === |
| | + | 由前面例子中所强调的反事实问题分析可见，主分层框架为思考这类问题提供了便利。 |
| | | | |
| − | 更复杂的基于模型的 IV？一个原因是，如果提出的参数模型近似正确(这里，最重要的是，阶层结果分布是正态分布) ，基于模型的方法可以导致更精确的估计(Imbens & Rubin，1997)。然而，更重要的是，基于模型的方法提供了一个灵活的框架，可以在其中处理额外的分析复杂性，例如缺少数据和放松某些建模假设的需要。例如，使用基于模型的方法，我们可以通过允许 ITTa 为非零来评估 ITTc 的估计对于从未接受者的排除限制的敏感性。回顾上文关于总是接受私立学校教育券的学生可能有机会进入更好的私立学校的讨论。正如预期的那样，模型的稳定性通常随着额外假设的施加而增加，但在许多情况下，这种类型的灵敏度检查可以用来说明 ITTc 的估计对这种排除限制并不特别敏感(Hirano，Imbens，Rubin，& Zhou，2000)。基于模型的方法的最后一个好处，也是对于上面讨论的主体分层的一些更复杂的应用来说特别重要的一个好处，就是它很容易扩展到利益层不再由二元变量定义的环境(如上面的开端和职业学院的例子) ，以及单调性和排除限制不是有效假设的环境(如上面的工作团队的例子)。这种分析策略有潜在的缺点。首先，基于模型的方法可以对模型的偏离敏感。第二，对于基于模型的 IV 估计没有一个封闭的解决方案，这会使估计过程看起来不透明，难以向从业人员解释，并且难以执行计算。最后，正如我们前面所描述的，基于模型的方法将结果纳入到地层成员的预测中。虽然从贝叶斯的角度来看是明智的，但这可能是一种强行推销。然而，我们指出，结果对建模选择的敏感性并不是像这里讨论的那些分析策略所特有的问题。然而，由于我们强调的许多原因，像前面描述的那些灵敏度检查是分析过程的一个关键组成部分。最后，必须指出，该领域尚未取得进展，以便为应用研究人员提供强有力的指导和统计软件，使他们能够在主体分层框架内广泛利用基于模型的估计战略。在我们自己的工作中，我们试图提供可用的教程和代码，使得复制我们自己的分析成为可能(例如，Feller 等，2014) ，但是认识到更广泛的采用将需要开发分析例程和用户友好的软件包。然而，对于有兴趣进一步了解主要分层的读者，我们推荐 Imbens 和 Rubin (2015) ，Mealli 和 Mattei (2012)以及 Schochet，Puma 和 Deke (2014)提供的概述作为下一组参考进行调查。
| + | 首先，主分层框架的使用需要非常清晰地阐明，对于特定研究问题相关的实验对象在治疗和控制下所采取的后随机化经验、决定或行动。这本身就很有用。 |
| | + | |
| | + | 其次，在确定了相关的层组之后，该框架还突出了估计治疗效果所依赖的假设。例如，在上述应用中，单调性假设排除了某些层组的存在和排除限制，固定处理效应在某些层组为零。 |
| | + | |
| | + | 主体分层框架有利于培养对利益关键数量界定的清晰思维。然而，估算的过程相对不那么简单。尽管如此，一些标准模型已经得到了很好的理解，例如处理二元不遵从性的应用程序，以及单调性和排除限制假设实质上是站得住脚的。 |
| | + | |
| | + | 在这里，基于矩的 工具变量是一个经典的解决方案，基于模型的 IV 产生了非常相似的 ITTc 估计值(Imbens & Rubin，1997)。在样本量大、服从者比例高的情况下，这种等效性通常是正确的。 |
| | + | |
| | + | 然而，更重要的是，基于模型的方法提供了一个灵活的框架，可以在其中处理额外的分析复杂性，例如缺少数据和放松某些建模假设的需要。例如，使用基于模型的方法，我们可以通过允许 ITTa 为非零来评估 ITTc 的估计对于从未接受者的排除限制的敏感性。 |
| | + | |
| | + | 基于模型的方法的最后一个好处，也是对于上面讨论的主体分层的一些更复杂的应用来说特别重要的一个好处，就是它很容易扩展到利益层不再由二元变量定义的环境(如上面的开端和职业学院的例子) ，以及单调性和排除限制不是有效假设的环境(如上面的工作团队的例子)。 |
| | + | |
| | + | === 主分层框架的局限性 === |
| | + | 这种分析策略有潜在的缺点。 |
| | + | |
| | + | 首先，基于模型的方法可以对模型的偏离敏感。 |
| | + | |
| | + | 第二，对于基于模型的 IV 估计没有一个封闭的解决方案，这会使估计过程看起来不透明，难以向从业人员解释，并且难以执行计算。 |
| | + | |
| | + | 最后，正如我们前面所描述的，基于模型的方法将结果纳入到地层成员的预测中。虽然从贝叶斯的角度来看是明智的，但这可能是一种强行推销。然而，我们指出，结果对建模选择的敏感性并不是像这里讨论的那些分析策略所特有的问题。 |
| | + | |
| | + | 然而，由于我们强调的许多原因，像前面描述的那些灵敏度检查是分析过程的一个关键组成部分。最后，必须指出，该领域尚未取得进展，以便为应用研究人员提供强有力的指导和统计软件，使他们能够在主体分层框架内广泛利用基于模型的估计战略。 |
| | | | |
| | ==另见== | | ==另见== |