“前门调整”的版本间的差异

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
跳到导航 跳到搜索
第2行: 第2行:
 
==调整目的: 因果效应估计==  
 
==调整目的: 因果效应估计==  
  
我们期望在给定如下因果图的情况下,判断治疗变量 T 对结果变量 Y 的因果效应  <math> P(y|do(t)</math>,其中 W 是一个未观测的混淆变量,M 是中介变量。(注意:我们现在观测不到W,无法进行后门调整)
+
我们期望在给定如下因果图的情况下,判断治疗变量 T 对结果变量 Y 的因果效应  <math> P(y|do(t))</math>,其中 W 是一个未观测的混淆变量,M 是中介变量。(注意:我们现在观测不到W,无法进行后门调整)
 
[[文件:Front door.png|缩略图|229x229像素|前门调整]]
 
[[文件:Front door.png|缩略图|229x229像素|前门调整]]
  
第9行: 第9行:
 
主要步骤如下<ref>https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf</ref>:
 
主要步骤如下<ref>https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf</ref>:
  
#'''估计T对M的因果效应'''<math> P(m|do(t)</math> ,由于T-W-Y-M 这条路径被 [[阻断]] (见 [[D-分离]])  <math> P(m|do(t)=P(m|t)</math>
+
#'''估计T对M的因果效应'''<math> P(m|do(t))</math> ,由于T-W-Y-M 这条路径被 [[阻断]] (见 [[D-分离]])  <math> P(m|do(t))=P(m|t)</math>
#'''估计M对Y的因果效应'''<math> P(y|do(m)</math>, 由于 T 阻断了[[后门路径]] M<-T<-W ->Y, 根据[[后门调整]] 我们可以轻松得到<math> P(y|do(m)= \sum_t P(y|m,t) P(t)</math>
+
#'''估计M对Y的因果效应'''<math> P(y|do(m))</math>, 由于 T 阻断了[[后门路径]] M<-T<-W ->Y, 根据[[后门调整]] 我们可以轻松得到<math> P(y|do(m))= \sum_t P(y|m,t) P(t)</math>
#结合以上两种因果效应
+
#结合以上两种因果效应<math> P(y|do(t))= \sum_m P(y|do(m)) P(m| do(t))</math>
  
 
==前门准则==
 
==前门准则==

2021年7月22日 (四) 16:44的版本

调整目的: 因果效应估计

我们期望在给定如下因果图的情况下,判断治疗变量 T 对结果变量 Y 的因果效应 [math]\displaystyle{ P(y|do(t)) }[/math],其中 W 是一个未观测的混淆变量,M 是中介变量。(注意:我们现在观测不到W,无法进行后门调整)

前门调整


主要步骤如下[1]

  1. 估计T对M的因果效应[math]\displaystyle{ P(m|do(t)) }[/math] ,由于T-W-Y-M 这条路径被 阻断 (见 D-分离) [math]\displaystyle{ P(m|do(t))=P(m|t) }[/math]
  2. 估计M对Y的因果效应[math]\displaystyle{ P(y|do(m)) }[/math], 由于 T 阻断了后门路径 M<-T<-W ->Y, 根据后门调整 我们可以轻松得到[math]\displaystyle{ P(y|do(m))= \sum_t P(y|m,t) P(t) }[/math]
  3. 结合以上两种因果效应[math]\displaystyle{ P(y|do(t))= \sum_m P(y|do(m)) P(m| do(t)) }[/math]

前门准则

有后门路径的定义,链接到后门调整

https://cse.sc.edu/~javidian/Notes_Presentations/BackFrontDoor.pdf

前门调整(内容包含调整公式)

例子