因果推断系列14----双重稳健估计

最新推荐文章于 2024-11-25 21:18:57 发布
最新推荐文章于 2024-11-25 21:18:57 发布
阅读量1.6k 收藏 3
点赞数 1
分类专栏： 因果推断&政策评价&处理效应 文章标签： python 因果推断 双重稳健估计
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/s1164548515/article/details/130347376
版权
这篇博客介绍了因果推断中的双重稳健估计方法，它结合了线性回归和倾向得分，仅需正确估计其中一个模型就能减少偏差。通过实例展示了即使模型部分错误，双重稳健估计仍能提供可靠的ATE（平均处理效应）估计。文章强调了在实际操作中，由于模型难以完全准确，双重稳健估计提供了额外的稳健性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Python-因果推断-did
百态老人的博客
11-24 306
在 Python 中，因果推断中的双重差分法（Difference in Differences，DID）有着广泛的应用。例如，在分析银行业数据集时，可以使用 PyMC 模型进行差分 -in- 差分分析。
EconML: 机器学习驱动的异质性处理效应估计
2401_87458718的博客
09-25 1984
EconML是由微软研究院ALICE项目团队开发的开源Python软件包,旨在将机器学习的强大功能应用于异质性处理效应(Heterogeneous Treatment Effects, HTE)的估计。在许多数据驱动的个性化决策场景中,HTE的估计是一个核心问题:某种干预措施对具有特定特征的样本的结果变量有什么影响?EconML为这一挑战提供了一套全面的解决方案。
稳健估计/M估计/最小二乘法
热门推荐
水浴月
02-15 3万+
稳健估计是在粗差不可避免的情况下，选择适当的估计方法使未知量估计尽可能减免粗差的影响，得出正常模式下的最佳估计。本文先介绍基于最小二乘法的多元线性回归理论，再引出基于M估计的加权最小二乘估计。
DRemm:双稳健估计器，用于评估二元和连续修饰符的效果度量修饰
04-13
德雷姆 双稳健估计器，用于评估二元和连续修饰符的效果度量修饰
【因果推断python】26_双重稳健估计1
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
06-10 1435
为了了解这是如何工作的，让我们考虑一下心态实验。这是一项在美国公立高中进行的随机研究，旨在发现成长心态的影响。它的工作方式是学校邀请学生参加一个研讨会，向他们灌输一种成长的心态。然后，他们跟踪学生在大学期间的表现，并衡量他们在学业上的表现。为了保护学生的隐私，这项研究的真实数据没有公开。但是，我们有一个与 Athey 和 Wager 提供的统计属性相同的模拟数据集，因此我们将改为使用这个数据来进行分析。双重稳健估计是一种将倾向得分和线性回归相结合的方法，您不必依赖它们中的任何一种。
因果推断-双重稳健估计
sjtu_wyy的博客
11-25 1735
因果推断双重稳健估计
DID偏误问题：两时期DID的双重稳健估计量(上)-drdid
Stata连享会
08-12 1227
在只满足前三个假设时，仍旧有两种估计思路可以使用：一种是结果回归法 (Outcome Regression，以下简称 OR)，另一种是基于逆倾向得分概率加权法 (Inverse Propesnity Weight Regression，以下简称 IPW)。对于双重差分模型，最为常见的是通过设定如下交叉项的形式来估计，即通过双重固定效应方式 (two-way fixed effects，TWFE) 来估计，并用估计量 来解释 ATT (下文里将 称为 TWFE 估计量)。...
【Chapter 5】因果推断中的倾向得分和双重稳健估计
u013818406的博客
10-27 807
倾向得分是个体接受治疗的概率，由个体的协变量决定。这个概念由Paul Rosenbaum和Donald Rubin在1983年提出，目的是在观察性研究中模拟随机实验的效果。通过计算每个个体接受治疗的倾向得分，我们可以创建一个在治疗分配上平衡的样本，从而减少混杂变量的影响。
【Chapter 7】因果推断中的机器学习：从T-学习器到双重稳健估计
u013818406的博客
10-27 517
机器学习模型，尤其是那些能够捕捉数据复杂模式的模型，如随机森林、梯度提升树和神经网络，已在预测任务中展现出巨大潜力。在因果推断中，我们可以利用这些模型来估计治疗效应，同时控制混杂变量的影响。
因果推断斯坦福2024最新因果推断教科书
10-08
《因果推断斯坦福2024最新因果推断教科书》由斯坦福大学的Stefan Wager撰写，作为一本关于因果推断的统计学习方法的教材，该书为学习者提供了最新的理论和实践框架。本书的前言部分提到，这是草稿版本，作者欢迎读者...
DFT的matlab源代码-DoublyRobustHD:使用弹性贝叶斯方法对高维因果效应进行双稳健估计的R包
05-26
DFT的matlab源代码双重鲁棒高清 这是一个R包，用于实现Joseph Antonelli和Francesca Dominici所著的“用于在高维数据中进行因果推断的贝叶斯半参数框架”中所见的方法，该方法可以在以下链接中找到： 要下载R软件包，请在R中使用以下命令： library(devtools) install_github(repo = "jantonelli111/DoublyRobustHD") library(DoublyRobustHD) 如何使用软件 作为使用R包的第一步，我们将看一下进行二进制处理的情况，并且我们对平均处理效果感兴趣。 下面我们模拟这种情况下的一些数据。 n = 200 p = 200 x = matrix(rnorm(n*p), n, p) t = rbinom(n, 1, p=pnorm(0.7*x[,1] + 0.3*x[,2])) y = rnorm(n, mean=t + 0.3*x[,1] + 0.6*x[,2] + 0.5*x[,3], sd=1) 现在，我们将说明如何在三种不同程度的灵活性用于治疗和结果模型的情况下实现我们的双重稳
DID偏误问题：多时期DID的双重稳健估计量(下)-csdid
Stata连享会
08-12 3520
在连享会推文「DID偏误问题：两时期DID的双重稳健估计量(上)-drdid」中，我们介绍了对于两时期 DID 模型，双重固定效应 (TWFE) 估计 DID 处理效应可能存在的偏误问题，以及如何通过双重稳健估计方法来缓解。的双重稳健估计思路，避免了 TWFE 估计量的问题。命令也是将样本分为不同的子组 (group)，分别估计不同组别的 ATT(g)，再通过特定策略将不同组别的 ATT(g) 加总算出样本期的 ATT。加总策略原则同样也是对那些可能存在偏误组的 ATT(g)，降低它们的加总权重。...
The Self-Normalized Estimator for CounterfactualLearning
fan1102958151的博客
04-24 880
批量学习来自日志赌博机反馈（Batch Learning from Logged Bandit Feedback，简称BLBF）是一种学习算法，它通过分析过去的数据（日志数据）来优化在线决策。这种方法适用于具有部分可观测的反馈的场景，例如在线广告展示、推荐系统等。这里，我们将以一种简化的形式，介绍BLBF算法的基本原理和数学表示。假设有一个上下文空间𝑋和一个动作空间𝐴。对于每个时间步𝑡，我们有：1. 上下文特征向量𝑥_𝑡 ∈ 𝑋2. 动作𝑎_𝑡 ∈ 𝐴。
【因果推断的统计方法】观察性研究和可忽略性
王斯的博客
08-04 2447
观察性研究和混杂因素 观察性研究：根据经验观察推断因果作用的研究，但不能采用有控制的试验, 也不能随机地分配处理。 举个例子： 关于加利福尼亚大学伯克莱分校的研究生入学中是否存在性别歧视的研究. 他们在观测数据中发现男生录取比例高于女生, 但是, 根据学生申请专业分层后, 发现女生的录取率略高于男生. 可见, 如果没有记录学生的报考专业数据, 或者不对此做调整, 就会产生完全错误的结论. 在这个例子中, 申请专业是研究性别对录取率影响的关键因素, 称为混杂因素, 忽略这样的因素会导致因果作用估计的偏差。 判
【因果推断】PSM、Uplift Model等因果推断模型应用场景&斯坦福2024最新因果推断教科书
weixin_54416957的博客
10-08 1873
分享斯坦福大学最新的因果推断方向教科书《Causal Inference: A Statistical Learning Approach》，作者Stefan Wager从统计角度将因果推断涉及的知识点进行系统性串联，并详细讨论了介绍方法的统计性质和实际应用。正文摘取部分个人学习笔记，作为学习总结，介绍了A/B test和因果推断的区别、评估因果效应的常用方法、倾向性得分Propensity Score的应用、双稳健模型DR。
因果推断笔记——自整理因果推断理论解读（七）
素质云笔记
09-05 7623
之前有整理过一篇：因果推断笔记—— 相关理论：Rubin Potential、Pearl、倾向性得分、与机器学习异同（二） 不过，那时候刚刚开始学，只能慢慢理解，所以这边通过一轮的学习再次整理一下手里的笔记。 文章目录1 因果推断能做些啥1.1 因果推断三个层次1.2 从因果效应开始说1.2.1 TE/ATE/ATT/ATC/CATE 各类处理效应1.2.2 三个假定之 最难实现：无混淆性（Unconfoundedness ）1.2.3 三个假定之二：正值假设（Positivity）1.2.4 三个假定之
因果推断1--基本方法介绍（个人笔记）
as472780551的博客
12-11 1万+
因果推断是基于统计学方法刻画变量之间的因果关系。
R 加权最小二乘 代码_R语言基础及稳健回归实现
weixin_39687990的博客
11-21 2799
注：本文是王桢罡对“R语言基础及稳健回归实现”的介绍R语言简介R是统计领域广泛使用的诞生于1980年左右的S语言的一个分支。R是一套由数据操作、计算和图形展示功能整合而成的套件。包括：有效的数据存储和处理功能，一套完整的数组(特别是矩阵)计算操作符，拥有完整体系的数据分析工具，为数据分析和显示提供的强大图形功能，一套(源自S语言)完善、简单、有效的编程语言(包括条件、循环、自定义函数、输...
双重稳健估计
最新发布
03-09
### 双重稳健估计的概念 双重稳健估计是一种结合了两种不同估计方法优点的技术，在统计学和机器学习领域得到了广泛应用。这种方法通常融合了基于模型的方法（如回归调整）和基于加权的方法（如逆概率加权）。当任意一种方法正确指定时，该估计量仍然是一致的。 具体来说，如果协变量的选择偏差或者缺失数据机制被错误建模，则传统的单一估计策略可能会失效；而双重稳健估计只要求两个模型之一正确即可获得无偏估计[^1]。 ### 应用场景 #### 统计学中的应用 在处理观测研究的数据时，由于存在混杂因素的影响，直接比较暴露组与未暴露组的结果可能导致有偏倚结论。此时可以采用双重稳健估计来减少这种偏差影响。例如，在评估某种药物疗效的研究中，利用倾向得分匹配或加权技术配合结局模型来进行因果推断。 #### 机器学习中的应用 对于强化学习而言，离线策略评估是一个重要课题——即如何仅依靠历史交互日志评价新策略的好坏而不需在线实验。这里同样面临样本分布差异带来的挑战，因此引入了DR (Doubly Robust) estimator 来改进IPS(Importance Sampling Policy Estimator)，从而提高了估计精度并降低了方差。 ```python def doubly_robust_estimator(rewards, actions_taken, action_probabilities, estimated_q_values): n = len(actions_taken) ips_component = sum([ rewards[i] * (actions_taken[i] / action_probabilities[i]) for i in range(n)]) regression_component = sum([estimated_q_values[i][int(actions_taken[i])] for i in range(n)]) dr_estimate = ips_component - regression_component return dr_estimate ``` 此代码片段展示了简单形式下的双重稳健估计计算方式，其中`rewards`, `actions_taken`, 和`action_probabilities`分别代表奖励序列、采取的动作以及对应动作的概率；`estimated_q_values`表示由某个价值函数近似得到的状态-行动对的价值期望向量。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值