Chapter 10 Random Variability

HernKaTeX parse error: Can't use function '\'' in math mode at position 1: \̲'̲{a}n M. and Robins J. Causal Inference: What If.

在之前, 一直假设样本数量足够大, 从而没有随机因素的影响(即把以个体看成一亿或者更多个体的集合).
但是这种假设在实际中显然是不合理的, 往往我们只有少量的数据.

10.1 Identification versus estimation

即使样本很多的一致性estimator也有可能离其正确的值相差很远.
另外, 这一节还提了提Wald confidence.
似乎用的就是一般的大样本的区间估计, 就是:
$$\frac{\bar{X}-\mu }{\sigma }\sim \mathcal{N}(0,1).$$
对于伯努利的情况,
$$\mu =p,\sigma =\sqrt{\frac{p(1-p)}{n}}.$$

10.2 Estimation of causal effects

10.3 The myth of the super-population

在我们估计类似上面讲的置信区间的时候,
randomness 有两个来源:

1. 本章将的采样的随机性;
2. 来自于不确定的conterfactuals.

实际上, 我们能这么估计置信区间的原因是, 这些样本的确来源于一个binomial分布.
但是实际上, 有可能是每一个样本有一个独立的概率分布$p_i$, 然后我们最后所观测到的$p$是一个均值而已(好浮夸).

10.4 The conditionality “principle”

$$\mathrm{V}\mathrm{a}\mathrm{r}({\bar{X}}_1-{\bar{X}}_2)=\mathrm{V}\mathrm{a}\mathrm{r}({\bar{X}}_1)+\mathrm{V}\mathrm{a}\mathrm{r}({\bar{X}}_2).$$

在confounders并不多的时候, 选择adjust for这些confounders是一个不错的主意.

The curse of dimensionality

Fine Point

Honest confidence intervals

uniform, honest: 存在一个样本数量n, 能够确保95%置信区间在95%的实验中发生.

Uncertainty from systematic bias

除了采样的误差, 置信区间的随机性也有可能是confounding, selection, measurement这些系统偏置带来的.

Technical Point

Bias and consistency in statistical inference

consistent estimator:
$${\mathrm{P}\mathrm{r}}_P[|{\hat{\theta }}_n-\theta (P)|>ϵ]\to 0\mathrm{a}\mathrm{s}n\to \infty \mathrm{f}\mathrm{o}\mathrm{r}\mathrm{e}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{y}ϵ>0,P\in \mathcal{M}.$$

A formal statement of the conditionality principle

Approximate ancillarity

不想看.

Comparison between adjusted and unadjusted estimators

Most researchers intuitively follow the extended conditionality principle

Can the curse of dimensionality be reversed