第四章 因果效应的估计


第四章 · 因果效应的估计

本章要回答的三个问题:随机实验为什么是金标准,它金在哪里、贵在哪里?观察数据上,匹配、加权、断点、工具变量各自在什么假设下能把效应估出来?当结论可能被未测混杂推翻时,敏感性分析怎么把"怕什么"变成一个数?

为什么会有这一章

第三章结束时我们已经有了识别公式,但公式里的条件期望要从样本里估,协变量维数一高,朴素估计的方差就爆炸。估计方法的存在意义,是让"识别出来的量"在有限样本、模型错设、高维协变量三重压力下依然靠谱。本章六节覆盖:随机化(理解它才能理解所有观察性方法都在模仿什么)、倾向得分匹配与逆概率加权、双重机器学习、断点回归、工具变量、敏感性分析。每一种方法都绑定一组核心假设,学的时候请把"方法—假设—违反后果"当成一个整体来记。

读完能解决什么

你能写出 ATE、ATT 的估计量并说明无偏性来源;能把倾向得分匹配完整跑一遍(logit 估计倾向得分、检查共同支撑域、近邻匹配或有放回匹配、卡钳值选择、协变量平衡诊断);能用第一阶段 F 统计量大于 10 的经验线判断工具变量强度并解释弱工具偏倚的方向;能画断点回归的局部线性估计示意并解释带宽权衡;能用 E-value 思路回答"未测混杂得多强才能翻案"。

各节怎么分工

节 回答哪个问题 关键产出
4.1 随机化实验与ATE 金标准的机制与局限 随机化消除混杂的原理图
4.2 匹配与倾向得分 怎么在观察数据里造"对照组" PSM 参数与诊断清单
4.3 双重机器学习 高维协变量下怎么防过拟合 交叉拟合流程
4.4 断点回归 有规则断点的场景怎么利用 局部线性估计示意
4.5 工具变量 混杂无法测量时的绕行方案 IV 三条件与弱工具检验
4.6 敏感性分析 结论对未测混杂有多脆弱 E-value 计算示例

先决条件

线性回归与逻辑回归的常规使用;第 3 章的调整公式。代码示例用 Python 伪代码呈现概念流程,不做工程化封装。

本章知识点清单

本章能力清单较长,按节列出:随机化的图解释与 ATE 估计量、标准误与功效公式;不依从与 ITT 的关系;PSM 五步全流程(得分、支撑域、匹配参数、SMD 诊断、推断)与 IPW 权重公式及极端权重的三道保险;DML 的正交矩条件与交叉拟合机制、AIPW 双稳健公式;RDD 的两种设计、连续性假设与三大诊断、局部线性与带宽选择;IV 三条件、2SLS、第一阶段 F 大于 10 的弱工具经验线、LATE 解释范围;E-value 公式与计算、Rosenbaum Γ、负控与安慰剂检验、多重比较与聚类标准误。每个方法都请按"方法—假设—违反后果"三栏做成自己的对照卡片,这张卡片网络是本章真正要带走的东西——方法名会忘,三栏结构不会。

一个贯穿本章的练习

用一份真实或模拟的观察数据(哪怕是公开的 Lalonde 就业训练数据),把 4.2 到 4.6 的方法各跑一遍并排报告:IPW 与 AIPW 的效应及标准误、支撑域图、权重分布、E-value、(若有分组结构)安慰剂检验。五个输出贴成一页——这页纸就是你以后所有因果分析的模板底稿。

往下走到哪

到本章为止,我们默认"一个处理、一个总体、个体互不影响"。第 5 章把这三个默认逐个拆掉:效应因人而异怎么办、个体之间互相干扰怎么办、处理是连续剂量或多阶段方案怎么办。

作者与出处
原作者:灏天文库
来源:平台策划编纂
整理人: 灏天文库整理
由灏天文库平台收录,内容或由平台用户上传,仅供学习交流
发布者: 作者: 灏天文库 转发
评论区 (0)
U