因果推理
文章平均质量分 93
euzmin
这个作者很懒,什么都没留下…
展开
-
因果6-估计因果效应
图1. 识别-估计流程如图1所示,前两章我们学习了如何识别因果效应,将因果量转化为统计量,这一章我们学习如何估计因果效应。首先回忆下之前学过的相关概念。ITE(individual treatment effect):个体因果效应。ITE=Yi(1)−Yi(0)ITE = Y_i(1) - Y_i(0)ITE=Yi(1)−Yi(0)ATE(average treatment effect):平均因果效应ATE=E[Yi(1)−Yi(0)]ATE = E[Y_i(1) - Y_i(0)..原创 2021-09-23 10:03:56 · 2477 阅读 · 2 评论 -
因果5-前门准则和do算子
上文我们提到了含有未观测变量的情况,在这种情况下,我们无法block所有后门路径,那么有没有办法可以不满足后门准则也能识别因果效应?(这章篇硬核,建议跟着推一遍)Frontdoor Adjustment如图1所示,W是未观测变量,如果我们能只计算T到Y的直接因果边,自然就能识别T到Y的因果关系了,Frontdoor Adjustment就是奔着这个目标去的,它指出只要T和Y直接有一个mediator(中介者)M,即使不满足后门准则,我们也能计算出因果效应,只要因果图满足Frontdoor criteri原创 2021-09-11 13:21:44 · 3609 阅读 · 4 评论 -
因果4-因果模型
上一章我们从统计学角度学习了贝叶斯网络中点与点的关系,并没有真正涉及因果的重要内容,因为基于的都是条件概率,没有牵扯到干预,而干预是因果很重要的操作,这一章我们从干预开始,进一步学习如何识别因果图中的因果量。首先让我们回顾并正式定义第一章中提到的干预–do操作。The do-operator图1. condition和intervention如图1所示,conditioning和intervening是不同的操作。conditioning on T=t(在T=t条件下)表示我们只关注数据中T=t原创 2021-07-23 14:14:33 · 2069 阅读 · 0 评论 -
因果3-因果图
上一章我们介绍了潜在结果模型,这一章我们尝试从图的角度理解因果,大家都有图论基础,我就不多赘述图的基本概念了,在因果图里我们主要研究DAG(directed acyclic graph,有向无环图),如图1。...原创 2021-07-21 10:28:23 · 1715 阅读 · 1 评论 -
因果2-潜在结果框架
因果2-潜在结果框架摘要:从因果到统计,我们需要走多久?上一章我们从因果和统计学的关系出发,初步了解了一个经典因果框架:潜在结果框架,今天我们继续学习这个框架。图1是上周我们留下的”吃药治头疼“的数据表格。我们如何从该表格中求出平均处理效应呢?图1. ”吃药治头疼“数据让我们假定这是在随机对照实验中获得的数据,即统计关联等于因果效果,可以求得ATE=13\frac{1}{3}31,如图2所示。图2. ATE求解1但根据上一章可知,能满足随机对照试验的数据太少了,真实观测数据中充斥着混淆变原创 2021-05-07 19:44:29 · 2158 阅读 · 0 评论 -
因果1-当我们谈及因果
上一章我们提出了两个有趣的因果问题,并浅尝辄止的提及了因果推理的定义:因果推理指推断出任意处理或干预等的效果。这一章让我们从因果和统计学的关系出发,了解二者的关系,并初步学习一个经典因果框架:潜在结果框架。首先我们回忆上一章我们提到的问题,公鸡打鸣是太阳升起的原因吗?地面潮湿是天要下雨的原因吗?二者是相关的,那他们的因果关系是什么?带着这个疑惑,让我们开始今天的学习。Correlation does not imply causation首先,关联性并不意味着因果性。关联性是统计学的概念,而因果性原创 2021-04-18 19:58:09 · 852 阅读 · 2 评论 -
因果推理0-因果律武器
因果推理0-因果律武器本文旨在整理本人在学习途中的思路,可能会有些逻辑混乱或疏漏之处,望大家勘误。当然如果能引发读者对因果方向的兴趣那将不胜荣幸。幸存者偏差在开始前,我想先举一个例子,希望这个例子可以引出我们后续的思考。假如在一场战争中,你是一名飞机工程师,你的上司扔给你一堆飞行员开回来的战损机,并要求你改进飞机的模型。你根据战损机的信息统计出了弹孔模型,如图1所示。红色的是弹孔位置,统计发现机翼上的弹痕最多,机尾和引擎最少,你的同行凭此判断应加强机翼的防御,并减轻机尾和引擎的防御,你是否赞同?原创 2021-04-16 09:49:54 · 935 阅读 · 0 评论