因果推理(二):潜在结果(Potential Outcomes)

本文探讨了因果推理中的潜在结果概念,指出了因数据缺失导致的因果关系推理难题。通过介绍可忽略性、可交换性和可辨识性三个关键假设,以及随机对照试验在解决这些问题中的作用,阐述了条件平均治疗效果的计算方法和条件可交换性(unconfoundedness)与正定性(positivity)的重要性。同时,文章提到了no interference假设和在实际应用中unconfoundedness与positivity之间的平衡问题。

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

1. 什么是潜在结果

潜在结果是指接受潜在治疗的个体的结果。 对于该个体,治疗的因果关系是个体接受治疗的潜在结果与未接受治疗的潜在结果之间的差异。

2. 因果推理的基本问题

数据缺失。

以药丸对头痛的治疗效果为例,因果关系为:

Y i ( 1 ) − Y i ( 0 ) Y_i(1)-Y_i(0) Yi(1)Yi(0)

其中, Y i ( 1 ) Y_i(1) Yi(1)代表吃药的潜在结果, Y i ( 0 ) Y_i(0) Yi(0)代表不吃药的潜在结果。但通常,对于特定的一个人,吃药时只能得到 Y i ( 1 ) Y_i(1) Yi(1),不吃药时只能得到 Y i ( 0 ) Y_i(0) Yi(0),与之对应的反事实并不会被观察到。这就产生了因果推理中的数据缺失,如下图:
在这里插入图片描述

3. 解决因果推理中的基本问题(数据缺失)

在第一节中介绍过,关联不等同于因果。当存在混杂因子是,平均治疗效果ATE(Average Treatment Effect):

E [ Y i ( 1 ) − Y i ( 0 ) ] = E [ Y ( 1 ) ] − E [ Y ( 0 ) ] ≠ E [ Y ∣ T = 1 ] − E [ Y ∣ T = 0 ] E[Y_i(1)-Y_i(0)]=E[Y(1)]-E[Y(0)]\neq{E[Y|T=1]-E[Y|T=0]} E[Yi(1)Yi

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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