因果关系推论

概览

因果关系推断询问,如果治疗、政策或接触发生变化而其他相关条件具有可比性将会发生什么结果。 由于在两种替代品下无法同时观察到同一单位,研究人员将明确的假设、研究设计和统计模型结合起来从不完整的证据中估计出反事实对比。

技术基础

潜在结果框架界定了单位在每一治疗级别下的反应,并表达了平均处理效果作为这些反事实数量之间的对比. 图形因果模型取而代之代表了变量和定向结构关系,使用d-分化来确定从图中遵循哪些条件性独立. 两种形式主义通过一致性,可交换性和正性等假设相接而成. 识别与估计不同:首先证明目标效应可以被写成可观测数据分布的功能,只有这样才能为该函数选择一个估算器.

如何运作

一个因果问题确定了干预、目标人口,结果和时间范围。 随机分配平均可以平衡已知和未知的原因。 在观测数据中,调整、匹配和加权时使用工具变量或准实验设计试图通过不附带引入选择偏差的可变因素条件而屏蔽非原因路径来重建有效的比较。

衡量和研究方法

随机审判估计了在事先确定的遵守和缺失规则下对意图处理的影响。 观察研究在界定一套可接受调整之后,采用标准化、倒向概率加权法和匹配或双强估计。 仪器可变,回归-断续和偏差设计利用了准随机变化的特定来源相克而分出的不同因素各自有单独的排除性假设、连续性或平行趋势的假定. 诊断学研究重叠,同分变量平衡和模型依赖性;而负控与安慰剂测试则检测所选择的故障模式. 信任间隔处理抽样变化,但不自动包括因果图的不确定性或未计量混乱。

二. 主要想法

• 关联只能通过与可防的设计挂钩的假设而成为因果关系证据.
• 定向循环图可以在建模开始前暴露出混沌者,调解者和相撞者的特征.
• 敏感性分析应量化未计量的偏差如何能改变结论。

目前的研究领域

目前的研究将灵活的机器学习与正交分数,定向的教学和交叉配对相结合而使得烦扰模型可能复杂而不主导治疗效果推论. 异性效应方法估计各群体之间如何不同,但分群发现需要多重控制和外部验证. 可运输性方法正式确定试验结果是否适用于新的人群,而根据假设对图表结构进行因果发现搜索则很少能完全满足。 重要的前沿包括干扰网络、动态处理制度,纵向时间变化混乱和敏感性分析。 这些分析和敏感度报告一个遗漏的共同原因必须多么强大才能推翻一项决定的取向.

为什么它很重要

可靠的因果估计指导着医学、公共政策,教育和产品决策。 在这些决定中仅靠预测无法确定某项行动的效果. 该框架还将数据支持的数量与假设分开,使分歧得以审计。

限制和未决问题

因果关系可能不会跨越人口、时期或执行条件。 违反概率、单位之间的干涉,测量错误和未计量的混乱可能使确定的可能性低或无法从现有数据中恢复。