タグ付けされた質問 「causality」

一般的なバージョン： 私は推定する必要があると連続して多変量です。良い関数形を心に留めておらず、は公平なものである必要があるため、ノンパラメトリックにしたいと思います。条件付きカーネル密度推定器を使用したかったのですが、最初にを量子化する必要があることに気付きました。それから私は推定するためのアイデアだったとF（X ）という計算にデータや使用からのF（A | X ）、または多分私はどこかでそれを読んで、覚えていませんどこ。A X F（A | X ）X F（A 、X ）f(A|X)f(A|X)f(A | X)AAAXXXf^(A|X)f^(A|X)\hat{f}(A | X)XXXf^(A,X)f^(A,X)\hat{f}(A , X)f^(X)f^(X)\hat{f}(X)f^(A|X)f^(A|X)\hat{f}(A | X) この手順が有効ではない理由はありますか？カーネル密度よりも良いまたはより正直なアプローチはありますか？また、ノンパラメトリックにサンプル密度から人口密度を推定することに問題はありますか？データは調査データであり、私には調査の重みがあります。どういうわけかそれらを組み込む必要がありますか？ ケース固有のバージョン： Robins（2000）（ゲートされていないPDF）のように、これらの推定値を周辺構造モデルでの治療の確率の逆数の重みに使用することに言及する価値があるでしょう。私は「治療」の配列観察{at}4t=0{at}t=04\{a_t\}_{t=0}^{4}と時間変動交絡因子のシーケンス{xt}4t=0{xt}t=04\{x_t\}_{t=0}^{4}いくつかの結果に対するy~y~\tilde{y}で生じるt=T+1t=T+1t=T+1。単純なパラメトリック因果関係、ただし、時変交絡因子があるため、βは「平均治療効果」の偏った推定であり、因果パス上にあるため、交絡因子をリグレッサとして追加できません。βにもバイアスをかけます。幸いドクロビンスはI再重量私の観測場合、私はにより交絡/公平かつ合理的に効率的な推定値を得ることができることを考え出した wが、私は= 4 Π S=0、F（S|A S < T）をE[ Y〜| a⃗ ] = β』a⃗ E[Y~|a→]=β′a→E[\tilde{Y} | \vec{a}]=\beta'\vec{a}ββ\betaββ\betaw私= ∏s = 04f（as| as < t）f（as| as < t、xs < …

8 regression  estimation  nonparametric  pdf  causality 

長いタイトルで申し訳ありませんが、私の問題はかなり具体的であり、1つのタイトルで説明するのは困難です。 私は現在ロイモデル（治療効果分析）について学んでいます。 私のスライドには、1つの導出ステップがありますが、これは理解できません。 治療群での治療の予想結果を計算します（ダミーDは治療か非治療か）。これは E[Y1|D=1]E[Y1|D=1]\begin{align} E[Y_1|D=1] \end{align} 以来、このように書き換えることができる E [ Y 1 | D = 1 ]Y1=μ1+U1Y1=μ1+U1Y_1=\mu_1 + U_1 についても説明しましたが、Y1>Y0の場合、 D=1となるため、次のようになります。E[Y1|D=1]=E[μ1+U1|D=1]=μ1+E[U1|D=1]E[Y1|D=1]=E[μ1+U1|D=1]=μ1+E[U1|D=1]\begin{align} E[Y_1|D=1] &= E[\mu_1+U_1|D=1]\\ &=\mu_1+ E[U_1|D=1] \end{align}D=1D=1D=1Y1>Y0Y1>Y0Y_1>Y_0 Y1−Y0>0Y1−Y0>0Y_1-Y_0>0 μ1+U1−(μ0−U0)>0μ1+U1−(μ0−U0)>0\mu_1+U_1-(\mu_0-U_0)>0 (μ1+U1)/σ−(μ0−U0)/σ>0(μ1+U1)/σ−(μ0−U0)/σ>0(\mu_1+U_1)/\sigma-(\mu_0-U_0)/ \sigma >0 Z−ϵ>0Z−ϵ>0Z-\epsilon>0 したがって、ϵ < Zの場合、D=1D=1D=1ϵ<Zϵ<Z\epsilonc)=E[\rho u_2|u_2>c]=\rho E[u_2|u_2>c)=\rho\frac{\phi(c)}{1-\Phi(c)} σ1 ϵσ1ϵ\sigma_{1\epsilon}ρρ\rho μ1− E[ U1| ϵ<Z] = μ1+ ρ φ （Z）Φ （Z）μ1−E[U1|ϵ<Z]=μ1+ρϕ(Z)Φ(Z)\begin{align} …

8 normal-distribution  causality  bivariate  truncation 

私は経済学のジャーナルから拒絶されました。拒否の理由としては、次のものが挙げられます。 因果関係を明確に識別する代替のより単純な手法と比較して、セミパラメトリック法を使用することの利点は明確には発揮されません OLSに固執する多くのエコノミストに方法論を動機付けるより良い仕事をしたかもしれないことは確かに可能です。しかし、私は「クリーンな識別」に違反しましたか？ご自身で判断して、ご意見をお聞かせください。 私の主な推定式は Zは連続で、XとTはバイナリです。私は当然のことながら E [yit=αi+β1Tit+f⎛⎝⎜ZitZit×TitZit×Tit×Xt⎞⎠⎟+β2Xt+ϵityit=αi+β1Tit+f(ZitZit×TitZit×Tit×Xt)+β2Xt+ϵit y_{it} = \alpha_i + \beta_1 T_{it} + f\left(\begin{array}{l}Z_{it}\\ Z_{it} \times T_{it} \\ Z_{it}\times T_{it} \times X_t\end{array} \right) + \beta_2X_t + \epsilon_{it} ZZZXXXTTT つまり、 Tの係数は、個々のレベルのダミー変数（計量経済学における「固定効果」）を条件として不偏であることを意味します。連続変数 Zを含めると、 Zの勾配に対する推定処理効果の不均一性がわかります。治療の平均因果効果ので Tはの平均値である β 1 + F Z × Tの様々なレベルのために Z Iが観測こと。E[ϵ|α,T]=0E[ϵ|α,T]=0 E[\epsilon|\alpha,T] = 0 TTTZZZZZZTTTβ^1+f^Z×Tβ^1+f^Z×T\hat\beta_1 + \hat f_{Z\times …

8 nonparametric  econometrics  causality  splines  gam 

Rで2因子（両方とも被験者内）のANOVAを繰り返し測定した後、事後テスト（Tukey HSD）を実行する方法に関する解決策を見つけるのに問題があります。ANOVAには、aov -functionを使用しました。 summary(aov(dv ~ x1 * x2 + Error(subject/(x1*x2)), data=df1)) 他の質問への回答を読んだ後、他の機能（lmeなど）を使用してANOVAを再実行する必要があることを知りました。これが私が思いついたものです。 Lme.mod <- lme(dv ~ x1*x2, random=list(subject=pdBlocked(list(~1, pdIdent(~x1-1), pdIdent(~x2-1)))), data=df1) anova(Lme.mod) 主な効果はどちらも有意でしたが、相互作用の効果はありませんでした。次に、これらの関数を事後比較に使用しました。 summary(glht(Lme.mod, linfct=mcp(x1="Tukey"))) summary(glht(Lme.mod, linfct=mcp(x2="Tukey"))) しかし、いくつかの問題がありました： まず、Rヘルプファイルには、「双方向ANOVAまたはANCOVAモデル（...）multcompバージョン1.0-0以降で対象のパラメーターを定義する場合、mcp関数は注意して使用する必要があります。主な効果の比較が生成されます。のみ、共変量と交互作用を無視します（古いバージョンは交互作用項で自動的に平均化されました）警告が表示されます。そして確かに、私は次の警告メッセージを受け取りました： Warning message: In mcp2matrix(model, linfct = linfct) : covariate interactions found -- default contrast might be inappropriate もう1つの不可解な点は、両方の主要な効果は有意でしたが、要因の1つ（x1）の事後比較に有意差はなかったということです。これに出会ったことはありません。スクリプト/分析は正しい/適切ですか、それとも欠けているものはありますか？どんな助けでも大歓迎です！

8 r  anova  repeated-measures  post-hoc  tukey-hsd  goodness-of-fit  curve-fitting  sem  latent-variable  mplus  anova  post-hoc  tukey-hsd  markov-process  image-processing  r  time-series  causality  granger-causality  anova  mixed-model  lme4-nlme  random-effects-model  r  matlab  data-transformation  multinomial  notation  estimation  nonparametric  logistic  r  missing-data  multiple-imputation  mice 

いくつかの条件付き確率と、95％の信頼区間を計算しています。私のケースの多くでは、（分割表からの）試行からのx成功の単純なカウントがあるnため、で提供さbinom.confint(x, n, method='exact')れてRいるような二項信頼区間を使用できます。 しかし、他の場合では、そのようなデータがないので、ベイズの定理を使用して、持っている情報から計算します。たとえば、イベントおよび与えられた場合：baaabbb P（a | b ）= P（B |）⋅ P（a ）P（b ）P(a|b)=P(b|a)⋅P(a)P(b) P(a|b) = \frac{P(b|a) \cdot P(a)}{P(b)} \ textrm {binom.confint}（\＃\ left（b \ cap {} a）、\＃（a）\ right）を使用してP（b | a）の周りの95％信頼区間を計算でき、比率P（a）/ P（b）を周波数比\＃（a）/ \＃（b）として。この情報を使用してP（a | b）の周囲の信頼区間を導出することは可能ですか？P（b | a ）P(b|a)P(b|a)binom.confint（＃（B ∩a ）、＃（a ））binom.confint(#(b∩a),#(a))\textrm{binom.confint}(\#\left(b\cap{}a),\#(a)\right)P（a ）/ P（b ）P(a)/P(b)P(a)/P(b)＃（a ）/＃（b ）#(a)/#(b)\#(a)/\#(b)P（a | b ）P(a|b)P(a|b) ありがとう。

8 r  bayesian  confidence-interval  conditional-probability  hidden-markov-model  segmentation  hypothesis-testing  statistical-significance  multiple-comparisons  multiple-regression  r  regression  survey  sample  finite-population  pca  model-selection  dataset  partitioning  clustering  time-series  least-squares  regression  standard-error  causality  r  time-series  outliers  missing-data  machine-learning  svm  hypothesis-testing  discrete-data  r  data-visualization  survey  likert  finance  regression  pca  feature-selection  stepwise-regression  underdetermined  svm  natural-language 

一般に、回帰では、線形回帰では、特にパラメータに関する因果解釈が許可される場合があります。少なくとも計量経済学の文献では、因果解釈が許可されている場合だけではなく、それほど明確ではありません。あなたが見ることができる議論のために：回帰と因果関係：6つの計量経済学の教科書の重要な調査 -陳と真珠（2013）。 統計モデルで因果関係を適切に処理するための最良の方法は、たとえば（間もなく）説明するように、構造的因果モデルを使用することです：Trygve Haavelmo and Emergence of Causal Calculus – Pearl 2012 feb。 ただし、現在、これらは基礎計量経済学モデル（クラシック多重線形回帰）の標準的な方法ではありません。実際、「真のモデル」または「データ生成プロセス」の概念が頻繁に使用され、明示的な因果関係の意味を持つ場合があります。とにかく因果関係だけを考えたい。したがって、「真のモデル」の対応するサンプルを推定すると、パラメーターに関する因果解釈を実現できます。 上記の考慮事項を念頭に置いて、私の試みは把握することです （現在の計量経済学の教科書の）「真のモデル」の概念と（パールの）構造因果モデル間のリンク…もしあれば。 以前のポイントと、実験室で使用されているランダム化制御実験の概念との間のリンクは、 計量経済観測研究の参照ポイントになる場合があります（それと同じくらい優れています）。たとえば、ストックとワトソン（2013）はそれについて多くの議論をしています（特にキャップ13）。さらに、Pearl 2012の2月14日には、この点に強く関連する「構造主義者」と「実験主義者」の間の議論のレビューがあります。 この2つのポイントについて、できるだけ簡単なシナリオで説明していただけますか？

8 regression  experiment-design  causality 

The Book of Why（Pearl＆Mackenzie、2018）、第9章（私はepub形式の本を持っているのでページ番号を共有できない）に相互作用に関する段落があり、著者は次のように主張しています。 ただし、式9.4は1つの状況で自動的に成立し、偽りの事実を呼び出す必要はありません。それは、第8章で見たような線形因果モデルの場合です。そこで議論されているように、線形モデルは相互作用を許可しません。これは、長所と短所の両方になる可能性があります。これは、メディエーション分析をはるかに容易にするという意味での美徳ですが、相互作用を伴う実際の原因プロセスを記述したい場合は欠点です。【エンファシス鉱山】 式9.4は 合計効果=直接効果+間接効果Total Effect = Direct Effect + Indirect Effect\text{Total Effect = Direct Effect + Indirect Effect} 彼らは以前に第8章で同様の議論を繰り返した。 一方、線形モデルは直線ではない用量反応曲線を表すことができません。それらは、特定の投与量まで効果が増加し、その後は効果がない薬剤などの閾値効果を表すことはできません。また、変数間の相互作用を表すこともできません。たとえば、線形モデルは、ある変数が別の変数の影響を強化または抑制する状況を記述できません。（たとえば、教育は、個人がより大きなトラックの仕事に就くことによって経験の効果を高めるかもしれません。そして、より大きな年間昇給を得ます。）[エンファシス鉱山] そして第7章では： また、回帰ベースの調整*は線形モデルに対してのみ機能することにも注意してください。これには、主要なモデリングの仮定が含まれます。線形モデルでは、XのYに対する影響がZのレベルに依存する場合など、非線形相互作用をモデル化する機能が失われます。一方、バックドア調整は、何がわからない場合でも正常に機能します関数は、図の矢印の後ろにあります。しかし、このいわゆるノンパラメトリックのケースでは、次元の呪いに対処するために他の外挿法を採用する必要があります。【エンファシス鉱山】 なぜパール＆マッケンジーは線形モデルは相互作用を許さないと主張するのですか？重要な詳細やコンテキスト固有の情報を見落としていますか？ *回帰ベースの調整により、著者は（前の段落で）時々呼んでいる、他の変数の「制御」を参照します：「回帰直線の類似体は、ような方程式を持つ回帰平面です。 ...係数は、に対して既に調整された上のの回帰係数を与えます（これは、部分回帰係数と呼ばれ、と書かれています。） "Y= a X+ b Z+ cY=aX+bZ+cY=aX+bZ+caaaYYYバツXXZZZrYバツ。ZrYX.Zr_{YX.Z}

7 references  interaction  causality