• 综合主站
  • 因果推断简介之二:Rubin Causal Model (RCM)和随机化试验

最近有读Hernan和Robins的那本尚未完工的书,很有意思。
想问问,Rubin和Robins之间的争执在哪里?
[未知用户] 他们之间的争执这里还没有展开。后面讲 DAG 和 直接间接作用的时候会细致的讲讲。
[未知用户] 这么说Rubin自己很不喜欢Graphical Models了。想到了他曾经和一些做graphical model的人在一起讲座不是很爽的样子,我还纳闷呐。

呃,你说的直接作用和间接作用是不是endogenous variable(比如compliance)?

很喜欢这篇文章,拭目以待下面的文章。
[未知用户] Don 是Graphical model的坚定反对者,不过,他反对Graphical model 主要是反对在因果推断中应用。


直接间接作用牵扯的问题很多,有内生性,不依从,工具变量,等等。后面会有几讲吧。
9 天 后
有关独立性的条件 我不是很理解(问题有点弱啊 见谅)
根据你给的公式
ACE(Z-->Y) = E{Y(1)-Y(0)}
= E{Y(1)} - E{Y(0)} 这步是不是有点小笔误呢? (上一步到这一步就是根据线性性对吧?)
= E{Y(1)|Z=1} - E{Y(0)|Z=0} 这一步不是很理解,为啥要用到独立性这个条件呢? Y(1)不就是表示当Z=1时候的一个output嘛?这个Z与Y是否独立有何关系呢 在我的理解范围来看 E{Y(1)} 是等价E{Y(1)|Z=1}的呀。。。求解答
= E{Y|Z=1} -E{Y|Z=0} 这一步我们老师讲是 consistency assumption能否对这一点也解说一下呢?谢谢!
[未知用户] E{Y(1)} 并不等于 E{Y|Z=1} 前者是潜在结果的期望,后者是条件期望。当随机化的时候,两者相等。consistency assumption是pearl的说法,那里是 E{Y | do(Z) = 1} = E{Y(1)}.
6 天 后
[未知用户] 关于这个我也不太理解,再讲详细点吧?或者举个例子讲述一下E(Yi(1))与E(Y|Z=1)的区别?
另外,Z独立与(Y(1),Y(0))和Z独立与Y(1),Y(0)的区别?个人觉得和分布时联合分布与边缘分布的有点像,是吗?
[未知用户] Y(1) 和 Y(0) 是个体的“属性”,这是个体的”潜在结果“;他们不应当受到处理的影响。

处理Z会影响结果Y,那是自然的,因为观测变量 Y = T Y(1) + (1 - T)Y(0). Y 是 T 和 潜在结果的函数,自然与T有关。
2 年 后
“ Z 做随机化”是什么意思呢?“ Z 做随机化”是什么意思呢?
[未知用户] Z 的分布不依赖于任何潜在结果。
2 个月 后
应该是在我大脑从英文翻译成中文。
1 年 后
[未知用户] 有没有具体的例子来说明处理影响了潜在输出?总觉得在大脑里凭空的来想象这个含义有些困难。
另外随机化试验为什么会使得unconfounded assignment条件满足呢?是随机化试验的什么性质使得这个独立性能够得到满足?
4 个月 后
[未知用户] 请问在哪里找到这书呢?