因果论（四）——Rubin causal Model(RCM，潜在结果框架)和随机化试验

最新推荐文章于 2024-12-03 07:35:45 发布

第六五签

最新推荐文章于 2024-12-03 07:35:45 发布

阅读量1k

点赞数 2

分类专栏：因果论文章标签：人工智能

本文链接：https://blog.csdn.net/weixin_39699362/article/details/131948140

版权

因果论专栏收录该内容

5 篇文章

订阅专栏

文章探讨了RCM（潜在结果框架）和因果图的关系，强调RCM在因果效应分析中的准确性。介绍了个体和平均因果效应的概念，以及在非随机化数据中遇到的挑战。倾向性得分和回归估计被提出作为处理混杂因素和估计平均因果效应的方法，其中倾向性得分是给定混杂变量下处理获得的概率，而回归估计则利用机器学习模型来建模结果的期望。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、RCM和因果图

RCM和因果图是等价的，但是RCM更加准确，因果图更加直观。

二、RCM基本概念

潜在结果指的是一个个体如果接受了某种处理会怎样，也就是指如果 $Z_{i}$ 取某种值时（比如1或者0）对应结果 $Y_{i}$ 取值会如何。我们用 $Z_{i}$ 表示个体i的处理， $Y_{i}$ 表示个体i的所能观测到的结果变量， $(Y_{i}(1),Y_{i}(0))$ 表示个体i的潜在结果（假设对个体的处理只有0或1两种，更多处理时可以进行扩展为多种）。

个体因果效应： $CE_{i} = Y_{i}(1)-Y_{i}(0)$

显然这个个体因果效应是不能计算的，因为不能同时对个体i进行多种操作（我们只能对个体i做一种操作，比如吃药或者不吃药）。幸运的是我们可以通过随机化试验计算平均因果效应。

平均因果效应： $ACE(Z\rightarrow Y) = E(Y(1)-Y(0))$

接下来看一下这个公式怎么计算，使用 $(Y(1),Y(0))$ 表示整体的潜在结果， $Z$ 表示整体的取值, $Y$ 表示整体的观测结果：

$ACE(Z\rightarrow Y) = E(Y(1)-Y(0)) ---------1$

$=E(Y(1)) - E(Y(0)) --------------2$

$=E(Y(1)|Z=1)-E(Y(0)|Z=0) -----------3$

$=E(Y|Z=1)-E(Y|Z=0) --------------4$

2式使用的是期望算法的线性展开。

3式用到了随机化，这里有一个强假设，用处理值为1的试验组的期望代替了所有数据潜在结果 $Y_{i}(1)$ 的期望，用处理值为0的对照组的期望代替了所有数据潜在结果 $Y_{i}(0)$ 的期望。

4式代表的为观测到的期望，所有最后计算转化为了观测数据的计算。

强假设：可以看出上面的计算有一个严重的问题，数据是否随机化的，我们的假设是否能够成立。

在实际中，很多数据都不是随机的，也就是上面的假设不能成立。比如：个体属性（性别），个体处理（是否吸烟），个体结果（是否的癌症）。可以看出性别对癌症是有影响的，不能直接通过吸烟的随机化试验结果代替所有人员吸烟的潜在结果。所以这里面性别是不可忽略的。那我们的处理方法就是讲个体属性也纳入随机化试验，比如吸烟组同不吸烟组有着相同的男女比例构成。