因果推断的潜在结果框架在实验性研究的应用 | 周日直播·因果科学读书会
导语
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
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
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
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
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。
因果科学读书会第三季启动
因果科学读书会第三季启动
读书会大纲一览:
Donald Rubin:Essential Concepts of causal inference
因果推断在观察性研究中的应用(续):ANALYSIS
因果与公平性和可解释性
「深入理论学习」
点击“阅读原文”,报名读书会