Chapter 1 A Definition of Causal Effect
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
\]
的关系, 对于上面的二元的例子, 就是判断
\]
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
\]
1.5 Causation versus association
我们可以知道, \(Y=Y^a, \: if \: A=a\), 更精准的
\]
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
\]
此时causation 和 association 便是一致的了.
association 可以理解为
\]
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
- 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 ...
- Chapter 4 Effect Modification
目录 4.1 Definition of effect modification 4.2 Stratification to identify effect modification 4.3 Why ...
- Targeted Learning R Packages for Causal Inference and Machine Learning(转)
Targeted learning methods build machine-learning-based estimators of parameters defined as features ...
- Chapter 7 Confounding
目录 7.1 The structure of confounding Confounding and exchangeability Confounding and the backdoor cri ...
- Chapter 2 Randomized Experiments
目录 概 2.1 Randomization 2.2 Conditional randomization 2.3 Standardization 2.4 Inverse probability wei ...
- 【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 ...
- 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 ...
- 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 ...
- 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
- 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) ...
- 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 ...
- 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 ...
- 【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 ...
- 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 ...
- 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: ...
- 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 ...
- 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 ...
- 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 ...
- 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) ...