因果推断
文章平均质量分 95
qq_26430933
这个作者很懒,什么都没留下…
展开
-
GMM广义矩估计
1.矩估计矩估计是什么呢?简单的说,就是用样本矩代替总体矩进行统计推断的方法。一个最基础的例子是正态总体的参数估计问题。如果Xi∼N(μ,σ2)X_i \sim N(\mu,\sigma^2)Xi∼N(μ,σ2),如何估计μ\muμ和σ2\sigma^2σ2呢? 统计学一般会介绍两种估计方法:极大似然估计和矩估计。总体矩条件:μ=E(x)\mu = E(x)μ=E(x) ; σ2=E(x2)−μ2\sigma^2 = E(x^2)- \mu^2σ2=E(x2)−μ2样本矩条件:μ^=1N∑i=1N原创 2022-01-25 14:52:17 · 4515 阅读 · 0 评论 -
Double Machine Learning
从线性回归说起从观测数据获得因果效应的一个简单方式是使用线性回归,控制confounders的影响:Salesi=α+τPircei+β1tempi+β2Costi+β3Weekdayi+eiSales_i = \alpha+\tau Pirce_i+\beta_1 temp_i+\beta_2 Cost_i+\beta_3 Weekday_i+e_iSalesi=α+τPircei+β1tempi+β2Costi+β3Weekdayi+eiτ\tauτ是我们唯一需要关注的,因为τ\原创 2022-01-16 17:44:35 · 1865 阅读 · 1 评论 -
因果推断理论框架 Potenial Outcomes Framework
1.Potenial Outcomes Framework定义:XXX: 协变量TTT:T=1干预组,T=0对照组YYY:observed outcome观测结果Y0,Y1Y_0,Y_1Y0,Y1:potential outcome潜在结果,如果接受干预T=1或者T=0时的潜在结果E(Y0),E(Y1)\mathbb{E}(Y_0),\mathbb{E}(Y_1)E(Y0),E(Y1):潜在结果的均值,如果所有人接受干预T=1(或者T=0)的均值ATE(average causal t原创 2022-01-15 23:14:37 · 1207 阅读 · 0 评论 -
工具变量&两阶段最小二乘
为什么要用工具变量解决内生性问题,自变量x1x_1x1与残差μ\muμ相关,即COV(x1,μ)≠0COV(x_1,\mu) \neq 0COV(x1,μ)=0y=β0+β1x1+μ y = \beta_0+\beta_1x_1+\muy=β0+β1x1+μx1x_1x1变化时,随机扰动项也会变化,导致估计值β1^\hat{\beta_1}β1^偏离真实值ΔyΔx+Δμ=β1\frac {\Delta y} {\Delta x+\Delta \mu}=\beta_1 Δx+ΔμΔ原创 2022-01-15 22:11:50 · 1586 阅读 · 0 评论 -
Uplift Model
0.uplift modelling相关理论定义:τ(x)=E[Yi(1)∣X]−E[Yi(0)∣X]\tau(x) = E[Y_i(1)|X]-E[Y_i(0)|X]τ(x)=E[Yi(1)∣X]−E[Yi(0)∣X],单个样本在有干预和没有干预两种情况的表现(potential outcome)的差值目标:识别出营销敏感人群挑战:无法同时观测单个样本在有干预和没有干预两种情况的表现理论依据:当CIA假设成立时(Xi⊥TiX_i \bot T_iXi⊥Ti,样本特征X和T独立),ATE=原创 2022-01-15 21:55:33 · 504 阅读 · 0 评论 -
逆概率加权&Doubly Robust Methods
为什么要用逆概率加权逆概率加权是debias一种方法,可以用于纠正样本分布不均衡导致的辛普森悖论等问题。逆概率加权推导逆概率加权是后门调整的进一步推广,利用贝叶斯公式对后门调整公式变换了一下形式。P(y∣do(t))=∑xP(y∣t,x)∗P(x)‾=∑xP(y∣t,x)∗P(x)∗P(t∣x)P(t∣x)=∑xP(y,t,x)P(t∣x)\begin{aligned} P(y|do(t)) &= \sum_x P(y|t,x)*\underline {P(x)} \\&=原创 2022-01-13 17:49:34 · 6992 阅读 · 1 评论 -
因果图—后门准则
1.贝叶斯网络概率图1.1 链式法则P(x1,x2,⋯ ,xn)=∏i=1nP(xi∣x1,x2⋯xi−1)P(x_1,x_2,\cdots,x_n) = \prod_{i=1}^n P(x_i|x_1,x_2 \cdots x_{i-1}) P(x1,x2,⋯,xn)=i=1∏nP(xi∣x1,x2⋯xi−1)举例:P(x1,x2,x3,x4)=P(x1)∗P(x2∣x1)∗P(x3∣x1,x2)∗P(x4∣x1,x2,x3)P(x_1,x_2,x_3,x_4) = P(x_1)*P原创 2022-01-13 11:27:31 · 1306 阅读 · 0 评论