统计模型

因果推断简介之四：观察性研究，可忽略性和倾向得分

丁鹏 / 2012-04-01

$$ \def\ind{{\perp\!\!\!\perp}} \def\nind{{\not\!\perp\!\!\!\perp}} $$ 这节采用和前面相同的记号。$Z$ 表示处理变量（$1$ 是处理，$0$是对照），$Y$ 表示结果，$X$ 表示处理前的协变量。在完全随机化试验中，可忽略性 $Z \ind \{Y(1), Y(0)\} $ 成立，……

统计模型

因果推断简介之二：Rubin Causal Model (RCM)和随机化试验

丁鹏 / 2012-03-28

$$ \def\ind{{\perp\!\!\!\perp}} \def\nind{{\not\!\perp\!\!\!\perp}} $$ 因果推断用的最多的模型是 Rubin Causal Model (RCM; Rubin 1978) 和 Causal Diagram (Pearl 1995)。Pearl (2000) 中介绍了这两个模型的等价性，但是就应用来看，RCM 更加精确，……

统计模型

因果推断简介之一：从 Yule-Simpson’s Paradox 讲起

丁鹏 / 2012-03-26

在国内的时候，向别人介绍自己是研究因果推断（causal inference）的，多半的反应是：什么？统计还能研究因果？这确实是一个问题：统计研究因果，能，还是不能？直接给出回答，比较冒险；如果有可能，我需要花一些篇幅来阐述这个问题。目前市面上能够买到的相关教科书仅有 2011 年图灵奖得主 Judea Pearl 的 Causality: Models, Reasoning, and……