因果推断
天一亮就跑
刚开始接触时序数据中的因果关系和干涉效果分析,请多指教。
展开
-
因果关系基本概念:前门标准
阅读David Salazar的文章Causality: The front-door criterion后的笔记文章目录为什么要前门标准前门标准应用经验估计为什么要前门标准 在前面的文章中,我们知道,后门标准的作用是隔绝了我们不感兴趣的因果关系,只留下感兴趣的因果路径。但后门标准干涉的变量不一定是可观测的,比如混杂因子(见下图中红色混杂因子Genotype,另外,图中变量MMM就是下面讲的符合前门标准的变量)。这种情况下,可以使用前门标准(front-door crite.原创 2020-11-17 21:26:49 · 1898 阅读 · 2 评论 -
因果关系基本概念:后门标准
阅读David Salazar的文章Causality: To adjust or not to adjust后的笔记文章目录动机实例动机 在前面的文章中,我们知道控制更多的变量不是一个好主意,因此采用后门标准(backdoor-criterion)去判断应该控制哪些变量。 观测数据下隐藏着干涉数据,因此我们需要使用调节方程式(1)去估计因果效应,但根据d-分割标准,不恰当的调节变量会存在两方面的问题:⑴错误的调节不该被调节的变量,导致无关的因果路径被打开;⑵变量在现实中无法被观测,因此无.原创 2020-11-13 00:04:34 · 4028 阅读 · 0 评论 -
因果关系基本概念:干涉操作与不变量
123原创 2020-11-07 00:44:54 · 1629 阅读 · 0 评论 -
[论文笔记] 因果模型:边缘结构模型MSM
阅读James M. Robins的文章Marginal Structural Models and Causal Inference in Epidemiology1后的笔记文章目录基本概念MSM的基本思想参考基本概念 边缘结构模型(Marginal structural models,MSMs)是一种因果模型,用于调整影响随时间变化的治疗方案(time-varying treatments)的时依性混杂因子(time-dependent confounding),使得我们能无偏估计因果效应.原创 2020-11-01 21:55:03 · 8840 阅读 · 4 评论 -
因果关系基本概念:贝叶斯网络和概率分布
阅读David Salazar的文章Causality: Bayesian Networks and Probability Distributions后的笔记目录动机贝叶斯网络d-分割:中断信息的流动回到本质问题:能否从数据中学习到模型动机“相关性不意味着因果关系”。但经常有人试图将控制变量加入回归方程中,以试图估计因果效应,这是一种错误的想法。贝叶斯网络将概率分布与有向图结合了起来,因此可以使用d-分割标准(d-separation criterion)对目标变量.原创 2020-10-28 23:24:42 · 1914 阅读 · 0 评论