导语


2021年诺贝尔经济学奖授予Card,Angrist和Imbens,以表彰他们在劳动经济学的实证研究贡献和因果推断的方法论贡献,这三位学者将经济学的分析向现实世界又推进了一步。事实上,社会科学、计量经济学、精准医学、人工智能等领域的许多重大问题都涉及因果关系,比如,教育对个人就业及未来收入有什么影响?货币政策调控能否能够抑制通货膨胀?如果采用一种新药或治疗措施,会对病人康复有什么影响?

本次读书会的讨论将围绕W. Imben和B. Rubin的著作Causal Inference for Statistics, Social, and Biomedical Sciences第一部分和第二部分进行讨论。将会介绍因果推断的潜在结果框架清晰定义因果,利用随机化实验的思想作为因果效应识别的基础,通过因果效应的识别与估计尝试回答上述问题。按分配机制是否已知,可以分为实验性研究和观察性研究,本次分享将重点讨论分配机制已知的实验性研究的因果效应估计方法。




背景 



随机化实验是因果推断的黄金标准,是观察性研究的基础。Fisher(1935)在其经典著作《实验设计》中首次提出了“随机化实验的思想”:为在测试新治疗的有效性时减少某些偏倚来源,可将受试者随机分配到两个或两个以上的组,经过不同的处理,产生的效应再与一个有可控的处理效应相比较。即一组或多组(实验组)接受正在评估的干预措施,而另一组(对照组)接受替代治疗,如安慰剂或无干预措施。随机化的分配机制可以帮助排除其他因素的影响,平衡各组个体协变量的分布,使得各组个体之间具有可比性,从而获得可信的因果效应推断。





内容简介 



本期分享将从因果推断的潜在结果框架出发,明确定义潜在结果(Potential Outcomes),分配机制(Assignment Mechanism),非混淆性假设(Unconfoundness),稳定性假设(SUTVA)以及对“有限样本”和“超总体”进行区分。主要讨论分配机制已知时,如何对实验性研究进行因果效应的推断。我们首先介绍实验性研究中一类特殊的分配机制,若固定数量的受试者被分配接受积极治疗,则称该分配机制是完全随机实验(Completely Randomized Experiments)。对于完全随机实验,费希尔(R. A. Fisher)采用了一种“尖锐零假设”来评估积极治疗与对照治疗是否有显著差异,奈曼(J. Neyman)则研究估计总体的平均因果效应,从而给出统计保守的置信区间。与上述两种方法不同,还可以使用线性回归和基于模型的贝叶斯推断方法对因果效应做出推断。此外,作为完全随机实验的推广,我们还将讨论分层随机实验和配对随机实验的因果效应估计方法,最终以劳动力市场项目评估的实证研究结束讨论。





主讲人 



李昊轩,北京大学大数据科学研究中心博士研究生,导师为周晓华教授,专业为数据科学(统计学),研究兴趣为因果推断,推荐系统,强化学习。





直播信息




时间:

2021年10月31日上午9:00-11:00


参与方式:

  • 集智俱乐部 B 站免费直播

  • 付费参加读书会,加入群聊,获取系列读书会回看权限,成为因果社区种子用户,与900余位社区的科研工作者沟通交流,共同推动因果科学的发展。


扫码报名



因果科学读书会第三季启动


由智源社区、集智俱乐部联合举办的因果科学与Causal AI读书会第三季,将主要面向两类人群:如果你从事计算机相关方向研究,希望为不同领域引入新的计算方法,通过大数据、新算法得到新成果,可以通过读书会各个领域的核心因果问题介绍和论文推荐快速入手;如果你从事其他理工科或人文社科领域研究,也可以通过所属领域的因果研究综述介绍和研讨已有工作的示例代码,在自己的研究中快速开始尝试部署结合因果的算法。读书自2021年10月24日开始,每周日上午 9:00-11:00举办,持续时间预计 2-3 个月。


读书会大纲一览:

Donald Rubin:Essential Concepts of causal inference

「基础理论学习」
因果推断的潜在结果框架在实验性研究的应用
因果推断在观察性研究中的应用:DESIGN

因果推断在观察性研究中的应用(续):ANALYSIS

「案例研讨」
医学、药学、生物学中的研究案例
管理学、经济学、社会学及政治学中的研究案例
因果随机森林及其在工业界的应用
多级治疗与连续性暴露
因果推荐系统
因果在自然语言处理中的应用

因果与公平性和可解释性

「深入理论学习」

双稳健估计、处理极端倾向得分的方法
阴性对照试验
高维因果推断
结合随机化试验数据与观察性数据




点击“阅读原文”,报名读书会