本文探讨了在机器学习中进行因果推断时，如何保证受试者效应的可靠性。由于样本不完全代表总体且总体分布通常未知，随机性成为关键。文章介绍了几种方法，如匹配（协方差相似度匹配和倾向性得分匹配）、断点回归、双重差分以及合成控制，来处理这个问题。这些技术旨在确保实验组与对照组的相似性，从而更准确地估计因果效应。
总结：
受试者效应（实验组效果）的可靠性，会受到样本不能完全代表总体的这个条件限制的影响。
也就是说不可能对所有样本做试验，也不可能保证样本的分布与总体分布一定一致，因为总体分布通常不可知。
保证效果可靠关键是要保证随机性，或者说，实验组与对照组足够相似。
有些什么方法呢：
1、匹配。
一是根据协方差相似度匹配。
二是PSM，倾向性得分匹配。
对每个样本计算出现的概率，就是所谓倾向性得分，是在给定样本特征X时，不同样本接受处理的条件概率。很像先验。基于倾向得分估计值对样本进行匹配后估计因果效应？这样能行？
2、断点回归
3、双重差分
4、合成控制。
扫一扫
1249
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
