https://cos.name/2012/04/causality4-observational-study-ignorability-and-propensity-score/

统计可以是良药，也可以是毒药。好孩纸看见这篇文章可以去事后分层，让观察性研究变得像随机化试验；坏孩纸也可以去吭哧吭哧选择特定的协变量，想方设法让Y(1)和Y(0)有所谓的显著差异。

[未知用户] 说得在理。所以，我对那些黑箱子似的方法或者统计软件保持高度的警惕。统计要解决问题，最后还是要回答实际问题本身，把统计推断的方法改进得更加的复杂或者精细，似乎倒在次要。按照你的说法，大部分社会科学的研究者都是“坏孩子”。

很喜欢那一段哲学的论述，很多问题放在哲学层面上几乎只有吵架的份了

[未知用户] 是的。数学可以用定义-定理似的方式推理下去。但是哲学用日常的语言进行定义和推理，每一步都有“误差”，多推几步常常都不靠谱了。

[未知用户] 虽然我自己也是试图建黑箱子的和试图打开被人作的黑箱子，我还是很同意丁鹏的说法：“我对那些黑箱子似的方法或者统计软件保持高度的警惕。统计要解决问题，最后还是要回答实际问题本身，把统计推断的方法改进得更加的复杂或者精细，似乎倒在次要。” 倒是不太同意”大部分社会科学的研究者都是’坏孩子‘。“ 的论断。我看到的很多社会科学的研究者还是很用心的去相让”让观察性研究变得像随机化试验“，但是实践中有太多的限制条件没法克服。

[未知用户] 再回到黑箱子上，我个人感觉大多数做”黑箱子“时压根就没有想去做因果关系分析，也没有心情关心因果关系，因为数据收集过程就没有经过设计。大多数黑箱子要解决的还是预测问题，简单的 ”X 导致 Y “ 在有些复杂的实际问题中本身意义就不大，因为我们没法控制其他 A, B, C, D, E, ...，相反，找到一个合适的 A, B, ... , X 的组合更有实际效果。但既然方法提出了，总有好事者船载已入，就想用这些方法来做其他事，比如因果关系。

[未知用户] 挺喜欢丁鹏写这个系列的。能否在系列快结束时也加入些多样化的观点，比如评论一下 David Freedman 的最后一本书： Statistical Models and Causal Inference, A dialogue with the Social Sciences. 摘选两句： "Causal inferences can be drawn from nonexperimental data. However, no mechanical rules can be laid down for the activity. Since Hume, that is almost truism. Instead, causal inference seems to require an enormous investment of skill, intelligence, and hard work."... "Naturally, there is a desire to substitute intellectual capital for labor. That is why investigators try to based causal inference on statistical models"

[未知用户] 也是，不能一句话把社会科学打死了。其实很多做经济学、社会学和政治科学的人，统计的功底都非常的好。我会努力加一些其他人的观点。比如因果图，工具变量等等。如果有可能，也会讨论 James Heckman，David Freedman，James Robins 等人的观点。不过，有时候不知道从哪里讲起，就采用了我自己觉得能够一以贯之的术语和观点。

"按照 Don Rubin 的说法，我们应该根据倾向得分来“设计”观察性研究；按照倾向得分将人群进行匹配，形成一个近似的“随机化试验”。而这个设计的过程，不能依赖于结果变量；甚至在设计的阶段，我们要假装没有观察到结果变量。" 事后随机化的理念对于许多医学研究非常重要啊！

文中貌似有个小笔误。ACE_unadj和ACE_adj估计式后，貌似应该是Z indept of {Y(0),Y(1)}及 Z indept of {Y(0),Y(1)}|X

因果推断简介之四：观察性研究，可忽略性和倾向得分

firelife

最好用简单的语言描述一下，那些公式我基本上看不懂哎

江小青

之前看了PDF版本的丁鹏写的因果推断简介，讲到“从经验似然的角度指出了另一种加权方法，是一种逆概加权的估计”。但对于逆概加权没有详细的说明，想知道这个是怎么回事?

dingpeng

[未知用户] 我之前写的版本是在北大统计系的一个讨论课上讲的，所以用了一些很数学化的统计术语。“经验似然”之类，在这里没有本质的关系，不太想牵涉太多。数学定理证明，逆概加权能够达到半参数有效的界；但是现实中，由于权重可能接近0和1，导致整个估计量相当的不稳定----几乎是无用的。而相反，分层的方法不能达到半参数有效的界，但没有数值上不稳定的缺点，也被广泛采用。

Tao-tao.79.shi

[未知用户] 确实粗暴。和新华字典一样。

mathcying

各位统计学牛人, 能不能多搞点统计学科普知识啊, 多讲一点跟统计学相关的人和故事, 统计思想, 统计方法和制度等等, 少点数学公式和R代码. 统计之都很多文章都包含很强的技术性, 感觉基础不扎实的同学可能比较难理解

馒头力士

ACE_unadj第一个等式的第二项的条件是否应为Z=0

dingpeng

[未知用户] 已更正，不过公式显示似乎有点问题。

crystal228

丁老师您好，
您的这一系列挺不错的，我这几天才开始狂看因果的文章(国外的)，想做因果和黑箱智能算法结合的项目，而且我自己的研究应用方向是中医药数据的，也教《医学统计学》。之前看了一堆英文的，再看看您这堆中文的。感觉挺有意思的，好像在补回历史和哲学方面东东。请问您的邮箱是多少？我有挺多问题，想跟您讨论的

孟媛

想问一下，首先对于一个因果推断问题，如何能辨别一个因素是否为混杂因素？这方面的方法主要有什么
第二，如果是混杂因素，如何进行处理，来消除bias？这方面的方法主要有什么
第三如果混杂因素过多，如何处理呢？
可不可以才用目前机器学习的方法，来解决上述问题？

孟媛

线性模型的问题这句话没有很懂（2）对于处理和对照组之间的不平衡（unbalance）没有很好的检测，常常在对观测数据外推（extrapolation）。

yuanfan

讲因果推断的这几篇文章里面的公式都不能正常显示了，请问 COS 的编辑部能派人修一下吗？真得很影响阅读。

yihui

yihui 唉，这位同学不知天高地厚，偏偏又喜欢指指点点、说话还这么不中听；十年后再看真是汗颜。

yuanfan 这篇的公式我看着是好的啊。

yuanfan

yihui 我现在看也是好的，昨天在公司摸鱼看的时候不大正常。
虽然写在这里有点偏题，但其实我还在本站挖出来过一篇武侠小说：https://d.cosx.org/d/24-24/2，这位同学在里面扮演的是杀手反派，秃驴道长，哈哈哈。

yihui

yuanfan 这挖坟能力着实厉害。虽然原帖主人说请勿回帖，但已经过了十六年（这时长都够过儿和姑姑重聚了），我觉得现在去那里回帖也是可以的，我们就不要歪丁大侠的因果楼了，小心弄乱了历史因果线发生穿越事故。

tctcab

巴蜀第一杀手：薛翼麾

hhhhhhhhhh

« 上一页