Causal Inference for Statistics, Social, and Biomedical Sciences

来自集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织
Zhushuyuan讨论 | 贡献2022年6月18日 (六) 18:05的版本 (目录及概要)
跳到导航 跳到搜索

此词条由因果科学读书会词条梳理志愿者四月翻译审校,未经专家审核,带来阅读不便,请见谅。

书籍简介

本书[1]的基本观点:(1)所有的因果问题都和特点的干预(intervention)或者实验(treatment)相联系。(2)因果问题被视为对潜在结果(potential outcome)的比较,每个潜在结果对应于一个实验水平(或条件)。如果采用相应的实验条件,那么每个潜在结果都将被观察到。因果效应涉及到将实际观察结果与其他潜在结果比较。实际上其他潜在结果无法被观察到。因此,从根本上说,因果推断是一个处理缺失数据的问题。

与所有处理缺失数据的问题一样,处理的关键是决定是否被观测到的机制(mechanism)。在因果推断中,被称为分配机制(assignment mechanism)。

本书阐述了因果推断方法所依据的基本理念、潜在结果框架及逐步放宽分配机制的假设时的因果推断方法。

作者简介

Guido W. Imbens[2][3],荷兰裔美国经济学家,于斯坦福大学斯坦福商学院任职应用计量经济学教授和经济学教授,研究领域为经济学和统计学。2021年,与Joshua Angrist共同获得诺贝尔经济学奖,“以表彰他们在分析因果关系方面的方法论贡献”。

Donald B. Rubin[4][5],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。

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

  1. 因果:基本框架
  2. 因果推断潜在结果方法简史
  3. 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

  1. 经典随机实验的分类
  2. 完全随机实验的Fisher精确的p值
  3. 完全随机实验的Neyman重复抽样方法
  4. 完全随机实验的回归方法
  5. 完全随机实验的基于模型的推断
  6. 分层随机实验
  7. 成对随机实验
  8. 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。

  1. unconfounded实验分配
  2. 估计倾向性得分
  3. 评估协变量的overlap
  4. 改进协变量分布平衡的匹配
  5. 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。

  1. 基于倾向性得分的子分类
  2. 匹配估计器
  3. 估计平均因果效应标准估计量抽样方差的一般方法
  4. 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。

  1. 评估unconfoundedness
  2. 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。

  1. 单侧不符合随机实验的工具变量分析
  2. 双侧不符合随机实验的工具变量分析
  3. 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

  1. 结论与拓展

参考资料