文章目录
这一章介绍如何结合IP weighting 和 参数模型.
12.1 The causal question
12.2 Estimating IP weights via modeling
我们知道, IP weighting:
I
(
A
i
=
a
)
Y
i
f
(
A
i
∣
L
)
,
\frac{I(A_i=a)Y_i}{f(A_i|L)},
f(Ai∣L)I(Ai=a)Yi,
相当于创建了一个伪集合, 即假设所有的人都进行了
A
=
a
A=a
A=a.
显然, 在这个伪集合中,
A
,
L
A,L
A,L是相互独立的.
故我们有
E
p
s
[
Y
∣
A
=
a
]
=
∑
l
E
[
Y
∣
A
=
a
,
L
=
l
]
P
r
[
L
=
l
]
,
\mathbb{E}_{ps}[Y|A=a]=\sum_l \mathbb{E} [Y|A=a,L=l] \mathrm{Pr}[L=l],
Eps[Y∣A=a]=l∑E[Y∣A=a,L=l]Pr[L=l],
当同时满足条件可交换性的时候, 我们就能够得到
E
p
s
[
Y
∣
A
=
a
]
=
E
[
Y
a
]
.
\mathbb{E}_{ps}[Y|A=a] = \mathbb{E}[Y^a].
Eps[Y∣A=a]=E[Ya].
所以我们只需要估计
E
^
p
s
[
Y
∣
A
=
a
]
\hat{\mathbb{E}}_{ps} [Y|A=a]
E^ps[Y∣A=a]即可.
自然地, 我们可以假设其符合
θ
0
+
θ
1
A
\theta_0 + \theta_1 A
θ0+θ1A
的线性模型.
通过最小二乘法可以估计出上面的参数.
但是需要注意的是, 我们数据不是原始的数据, 而是在伪数据之上, 相当于每一个样本为
Y
i
f
(
A
i
∣
L
)
.
\frac{Y_i}{f(A_i|L)}.
f(Ai∣L)Yi.
记
W
=
1
/
f
(
A
=
1
∣
L
)
W = 1 / f(A=1|L)
W=1/f(A=1∣L), 以及它的估计
W
^
\hat{W}
W^(因为
f
(
A
∣
L
)
f(A|L)
f(A∣L)我们也是不知道的, 我们同样可以用参数模型进行估计), 故
E
^
p
s
[
Y
∣
A
=
1
]
=
1
n
∑
A
i
=
1
W
^
i
Y
i
.
\hat{\mathbb{E}}_{ps}[Y|A=1] = \frac{1}{n}\sum_{A_i =1} \hat{W}_i Y_i.
E^ps[Y∣A=1]=n1Ai=1∑W^iYi.
12.3 Stabilized IP weights
实际上, 我们不光可以设置
W
=
1
/
f
(
A
∣
L
)
W=1 / f(A|L)
W=1/f(A∣L), 实际上可以进一步为
p
f
(
A
∣
L
)
\frac{p}{f(A|L)}
f(A∣L)p
只需要满足
p
p
p与
L
L
L无关即可.
书上说这种方式的选择会使得最后估计的置信区间更窄也就是跟robust.
12.4 Marginal structural models
E
[
Y
a
]
=
β
0
+
β
1
a
.
\mathbb{E}[Y^a] = \beta_0 + \beta_1 a.
E[Ya]=β0+β1a.
注意到, 当满足条件可交换性的时候, 上面的推得的模型和这一节的是等价的.
12.5 Effect modification and marginal structural models
E
[
Y
a
∣
V
]
=
β
0
+
β
1
a
+
β
2
V
a
+
β
3
V
.
\mathbb{E}[Y^a|V] = \beta_0 + \beta_1 a + \beta_2 Va + \beta_3 V.
E[Ya∣V]=β0+β1a+β2Va+β3V.
这个时候, 我们可以通过
S
W
A
(
V
)
=
f
[
A
∣
V
]
f
[
A
∣
V
]
SW^A (V) = \frac{f[A|V]}{f[A|V]}
SWA(V)=f[A∣V]f[A∣V]来估计.
12.6 Censoring and missing data
只需考虑
Y
a
,
c
=
0
Y^{a, c=0}
Ya,c=0, 以及对应的
W
=
W
A
×
W
C
W = W^A \times W^C
W=WA×WC,
W
C
=
1
/
P
r
[
C
=
0
∣
L
,
A
]
.
W^C = 1 / \mathrm{Pr} [C=0 | L, A].
WC=1/Pr[C=0∣L,A].
Fine Point
Setting a bad example
Checking positivity
Technical Point
Horvitz-Thomson estimators
我们常常会用
E
^
[
I
(
A
=
a
)
Y
f
(
A
∣
L
)
]
\hat{\mathbb{E}}[\frac{I(A=a)Y}{f(A|L)}]
E^[f(A∣L)I(A=a)Y]
作为估计式子, 其等价于
E
^
[
I
(
A
=
a
)
Y
f
(
A
∣
L
)
]
E
^
[
I
(
A
=
a
)
f
(
A
∣
L
)
]
.
\frac{\hat{\mathbb{E}}[\frac{I(A=a)Y}{f(A|L)}]} {\hat{\mathbb{E}}[\frac{I(A=a)}{f(A|L)}]}.
E^[f(A∣L)I(A=a)]E^[f(A∣L)I(A=a)Y].
而且往往后者更稳定.
注: 在 stabilized IP weights中必须要用后者.
More on stabilized weights
S
W
A
=
g
(
A
)
f
[
A
∣
L
]
.
SW^A = \frac{g(A)}{f[A|L]}.
SWA=f[A∣L]g(A).
E
^
[
I
(
A
=
a
)
Y
f
(
A
∣
L
)
g
(
A
)
]
E
^
[
I
(
A
=
a
)
f
(
A
∣
L
)
g
(
A
)
]
.
\frac{\hat{\mathbb{E}}[\frac{I(A=a)Y}{f(A|L)}g(A)]} {\hat{\mathbb{E}}[\frac{I(A=a)}{f(A|L)}g(A)]}.
E^[f(A∣L)I(A=a)g(A)]E^[f(A∣L)I(A=a)Yg(A)].