タグ付けされた質問 「treatment-effect」

応用統計学者/計量経済学者として、因果関係に対するどの理論的アプローチを知るべきですか？ 私は知っています（ほんの少し） Neyman-Rubin因果モデル（およびRoy、Haavelmoなど） 因果関係に関するパールの研究 グレンジャー因果関係（ただし、治療志向性は低い） どのコンセプトを見逃しているか、または知っておくべきですか？ 関連：機械学習の因果関係の基礎となる理論はどれですか？ 私は、これらの興味深い質問と回答（読んだことが1、2、3）が、私は別の質問だと思います。また、たとえば、「因果関係」が統計学習の要素で言及されていないことに驚いた。

16 machine-learning  causality  theory  treatment-effect 

ルービンの因果モデルを実装する場合、私たちが必要とする（テストできない）仮定の1つは、混乱しないことです。つまり、 （Y（0 ）、Y（1 ））⊥ T| バツ(Y(0),Y(1))⊥T|X(Y(0),Y(1))\perp T|X LHSが反事実である場合、Tは治療であり、Xは私たちが制御する共変量です。 ルービン因果モデルについてあまり知らない人に、これをどのように説明するのかと思います。理論的にはこの仮定が必要な理由は理解していますが、なぜこれが重要なのかは概念的にはわかりません。具体的には、Tが治療である場合、潜在的な結果は治療に大きく依存するのではないでしょうか。同様に、無作為化比較試験がある場合、自動的にます。なぜこれが成り立つのですか？（Y（0 ）、Y（1 ））⊥ T(Y(0),Y(1))⊥T(Y(0),Y(1))\perp T RCMを研究していない誰かに、無制限/無視可能性の仮定をどのように説明しますか？

11 causality  treatment-effect  confounding 

治療群への割り当てがランダムな状況で、ベースライン共変量をいくつも制御する必要があるのはなぜですか？ 私の理解では、治療をランダムに割り当てると、治療変数が厳密に外因性になり、適切に反事実と見なすことができるコントロールグループが作成されます。私が考えることができる唯一の例外は、サンプルサイズが小さい場合であり、そのランダムな割り当ては依然として不均衡なグループを生成する可能性があります。 どんな考えでも大歓迎です。ありがとう！

9 experiment-design  treatment-effect  random-allocation 

リーとリトル2017によると、傾向スコア（PS）メソッドを使用する場合、オッズの重み付けは治療（ATT）の平均治療効果を生成しますが、サブ分類と治療の逆確率（IPTW）による重み付けを使用すると、サンプル全体の平均処理効果（ATE）で測定される効果。 私は、Difference-in-Difference（DiD）推定がATTを生成すると信じています。私の質問は： DiDでPSメソッドを使用する場合、上記のルールは当てはまりますか？ DiDのコンテキストでIPTWによる計量を行うと、効果測定はどうなりますか？ATTかATEか？

8 propensity-scores  difference-in-difference  treatment-effect 

インストゥルメンタル変数の除外制限を理解できません。 公平な治療効果はB = C o v （Y 、Z ）であることを理解しています、ここでYは結果、Sは治療、Zは手段です。つまり、B=ITTB=Cov(Y,Z)Cov(S,Z)B=Cov(Y,Z)Cov(S,Z)B = \frac{Cov(Y, Z)}{Cov(S, Z)}YYYSSSZZZ。B=ITTCompliance RateB=ITTCompliance RateB = \frac{ITT} {\text{Compliance Rate}} しかし、調停の枠組みでこれについて考え、除外制限を適用すると、これはますます意味がなくなります。 メディエーション・フレームワークでは、ITTは、総効果=、または。したがって、公平な治療効果は次のとおりです。Cov(S,Z)⋅Cov(Y,S)+Cov(Y,Z|S)Cov(S,Z)⋅Cov(Y,S)+Cov(Y,Z|S)Cov(S,Z)\cdot Cov(Y,S) + Cov(Y,Z|S) 、これは次のようになります。(Cov(S,Z)⋅Cov(Y,S)+Cov(Y,Z|S))Cov(S,Z)(Cov(S,Z)⋅Cov(Y,S)+Cov(Y,Z|S))Cov(S,Z)\frac{(Cov(S,Z)\cdot Cov(Y,S) + Cov(Y,Z|S))}{Cov(S,Z)} 、Cov(Y,S)+Cov(Y,Z|S)Cov(S,Z)Cov(Y,S)+Cov(Y,Z|S)Cov(S,Z)Cov(Y,S) + \frac{Cov(Y, Z|S)}{Cov(S, Z)} したがって、偏りのない因果推定は、バイアスされた治療の効果+楽器の効果（。controllingforthetreatmentcomplianceratecontrollingforthetreatmentcompliancerate\frac{controlling for the treatment} { compliance rate} ただし、除外制限があるため、処理を制御した後の機器の影響はありません。 ゲルマンのセサミストリートの例からの例。まず、2SLSを介して公平な治療効果を得る： fit.2s <- lm(regular ~ encour, data = df) …

8 instrumental-variables  treatment-effect  lavaan 

バイナリー処理と連続処理の両方で差異の違いを視覚化する最良の方法は何ですか？ コントロールのセットで結果変数を後退させますが、治療変数を除外し、各グループの残差をプロットしますか（バイナリケース）？ ATEパラメータの「ダイナミクス」を経時的に確認する方法はありますか？ 並行トレンドの仮定が妥当であることを示したいと思います。

8 data-visualization  causality  treatment-effect  difference-in-difference