Hern\(\'{a}\)n M. and Robins J. Causal Inference: What If.

A: intervention, exposure, treatment

consistency: \(Y=Y^A\) when A observed.

1.1 Individual casual effects

假设我们要探究变量A与变量Y的关系, 在设定\(A=a\)的情况下, Y一致对应有\(Y^{a}\).

倘若A是二元的, 即\(\{0, 1\}\), 则有相应的\(Y^0, Y^1\).

则对于某个个体来讲, A对于Y有casual effect, 若\(Y^0 \not = Y^1\).

举个例子来讲, 给宙斯后面来一棍子(A=1), 宙斯是否会晕\(Y^1=0\) or \(Y^1 =1\), 或者啥也不做也就是\(A=0\), 宙斯的状态\(Y^0\).

当\(Y^1 \not = Y^0\) 的时候, 我们可以判断, 是否给宙斯来一棍对于宙斯下一刻会不会晕有casual effect, 反之就是没有.

1.2 Average casual effects

刚刚是针对个体的causal effect 的定义, 接下来是average casual effect的概念.

实际上, 就是针对一族个体的集合, 探究操作A对于所关心的Y的是否存在影响.

实际上, 就是判断

\[\mathbb{E} [Y^a],
\]

的关系, 对于上面的二元的例子, 就是判断

\[\mathbb{E} [Y^0] == \mathbb{E}[Y^1],
\]

更进一步的, 由于\(Y\)本身也是二元的\(\{0, 1 \}\), 所以可以进一步简化为

\[\mathrm{Pr}[Y^0=1] == \mathrm{Pr}[Y^1 = 1].
\]

1.5 Causation versus association

我们可以知道, \(Y=Y^a, \: if \: A=a\), 更精准的

\[\mathrm{Pr}(Y|A=a) = \mathrm{Pr}(Y^a|A=a),
\]

这是因果推断里很重要的一致性(consistency)的概念, 或许把它作为一个假设更为合理.

要知道, 我们在实际计算causal effects 的时候用到的是边际概率分布\(\mathrm{Pr}(Y^a)\).

观察可知, 当\(A, Y^a\)相互独立的时候, 我们可以得到

\[\mathrm{Pr}(Y^a) = \mathrm{Pr}(Y^a| A=a),
\]

此时causation 和 association 便是一致的了.

association 可以理解为

\[\mathbb{E}[Y|A] = \mathbb{E}[Y^A|A],
\]

与causation非常类似.

想要区分二者的区别, 还是得看原文, 从例子的角度出发, 否者还是难以掌握.

一言以蔽之, association, 即条件概率, 实际上分析的是某一个特定人群执行某些操作的结果, 而causation则是希望在一个更大的范围内, 一视同仁的判断概操作对这些人的影响, 忽略这特定人群的某些特定性质的影响.

Chapter 1 A Definition of Causal Effect的更多相关文章

  1. Chapter 6 Graphical Representation of Causal Effects

    目录 6.1 Causal diagrams 6.2 Causal diagrams and marginal independence 6.3 Causal diagrams and conditi ...

  2. Chapter 4 Effect Modification

    目录 4.1 Definition of effect modification 4.2 Stratification to identify effect modification 4.3 Why ...

  3. Targeted Learning R Packages for Causal Inference and Machine Learning(转)

    Targeted learning methods build machine-learning-based estimators of parameters defined as features ...

  4. Chapter 7 Confounding

    目录 7.1 The structure of confounding Confounding and exchangeability Confounding and the backdoor cri ...

  5. Chapter 2 Randomized Experiments

    目录 概 2.1 Randomization 2.2 Conditional randomization 2.3 Standardization 2.4 Inverse probability wei ...

  6. 【统计】Causal Inference

    [统计]Causal Inference 原文传送门 http://www.stat.cmu.edu/~larry/=sml/Causation.pdf 过程 一.Prediction 和 causa ...

  7. Causal Inference

    目录 Standardization 非参数情况 Censoring 参数模型 Time-varying 静态 IP weighting 无参数 Censoring 参数模型 censoring 条件 ...

  8. Chapter 22 Target Trial Emulation

    目录 22.1 The target trial 22.2 Causal effects in randomized trails 22.3 Causal effects in observation ...

  9. Chapter 21 G-Methods for Time-Varying Treatments

    目录 21.1 The g-formula for time-varying treatments 21.2 IP weighting for time-varying treatments 21.3 ...

随机推荐

  1. JDBC01 获取数据库连接

    概述 Java Database Connectivity(JDBC)直接访问数据库,通用的SQL数据库存取和操作的公共接口,定义访问数据库的标准java类库(java.sql,javax.sql) ...

  2. 使用微信开放标签<wx-open-launch-weapp>的踩坑日记

    最近在完成H5跳转小程序需求时,使用到了微信官方退出的开放标签<wx-open-launch-weapp>,来谈一谈使用的心得和不足. 1.适用环境微信版本要求为:7.0.12及以上. 系 ...

  3. 关于stm32不常用的中断,如何添加, 比如timer10 timer11等

    首先可以从keil中找到 比如找到定时器11的溢出中断,如上图是26 然后,配置定时器11 溢出中断的时候,我就在:下面填上这个变量. 之后要写中断服务函数,也就是发生中断后要跳转到的函数. 需要知道 ...

  4. 【Linux】【Shell】【Basic】变量与数据类型

    1. 变量: 1.1. 局部变量:作用域是函数的生命周期:在函数结束时被自动销毁: 定义局部变量的方法:local VARIABLE=VALUE 1.2. 本地变量:作用域是运行脚本的shell进程的 ...

  5. 用Myclipse开发Spring(转)

    原文链接地址是:http://www.cnitblog.com/gavinkin555/articles/35973.html 1 新建一个项目 File----->New ----->P ...

  6. MyBatis(3):优化MyBatis配置文件

    一.连接数据库的配置单独放在一个properties文件中 1,创建一个database.properties driver=com.mysql.jdbc.Driver url=jdbc:mysql: ...

  7. SQL Server 和 Oracle 以及 MySQL 数据库

    推荐:https://www.zhihu.com/question/19866767 三者是目前市场占有率最高(依安装量而非收入)的关系数据库,而且很有代表性.排行第四的DB2(属IBM公司),与Or ...

  8. Java Log4j 配置文件

    ### 设置### log4j.rootLogger = debug,stdout,D,E ### 输出信息到控制抬 ### log4j.appender.stdout = org.apache.lo ...

  9. 如何在子线程中更新UI

    一:报错情况 android.view.ViewRootImpl$CalledFromWrongThreadException: Only the original thread that creat ...

  10. supermarket(uaf)!!!!

    在这道题目我花费了很长的时间去理解,因为绕进了死圈子 例行检查我就不放了 关键处在于选择5 使用了realloc,却没有让结构体指针node-> description正确指回去 (11条消息) ...