定义了do算子,分别求解干预人吃药后的状态
Y
i
∣
d
o
(
T
=
1
)
Y_i|_{do(T=1)}
Yi∣do(T=1),以及不吃药的状态
Y
i
∣
d
o
(
T
=
0
)
Y_i|_{do(T=0)}
Yi∣do(T=0),并且分别记为
Y
i
(
1
)
Y_i(1)
Yi(1)和
Y
i
(
0
)
Y_i(0)
Yi(0)。 最理想的情况是
Y
i
(
1
)
=
1
Y_i(1)=1
Yi(1)=1和
Y
i
(
0
)
=
0
Y_i(0)=0
Yi(0)=0,这样可以直接计算出因果效应
Y
i
(
1
)
−
Y
i
(
0
)
=
1
Y_i(1)-Y_i(0)=1
Yi(1)−Yi(0)=1。 但事实上,我们不知道对于一个人来说,如果不吃药,根本就不知道吃药会发生什么(反事实),反过来,吃了药,也不知道不吃药会发生什么。
3.2 Average treatment effect
所以我们希望通过多次观测来取平均Average treatment effect (ATE)。
3.3 randomized control trials
但是记得,correlation并不等于casual,中间存在了混杂 所以我们不能只看条件期望! 这里提出了一个新的方法:randomized control trials(RCTs)
对上面这个因果图,砍断
C
C
C和
T
T
T之间的联系,使得
T
T
T的决定完全random,如使用硬币翻转,不能受到别的因果关系的影响。
此时ATE就可以计算了
E
[
Y
(
1
)
]
−
E
[
Y
(
0
)
]
=
E
[
Y
∣
T
=
1
]
−
E
[
Y
∣
T
=
0
]
E[Y(1)]-E[Y(0)]=E[Y|T=1]-E[Y|T=0]
E[Y(1)]−E[Y(0)]=E[Y∣T=1]−E[Y∣T=0]
4 观察性研究中的因果推断
4.1 计算方法
在观察性研究中,我们已经有了一个数据集。
我们无法进行随机的实验,因为有可能是不道德的,或者不可行的,或者是不可能的。
此时的解决方法是,砍断连接,即将
变成
在这个图里,w是c,在之后的例子里w会是更复杂的变量。 此时我们可以计算对于所有
W
W
W的统计期望(边缘概率)
E
[
Y
(
t
)
∣
W
=
w
]
≜
E
[
Y
∣
d
o
(
T
=
t
)
,
W
=
w
]
=
E
[
Y
∣
t
,
w
]
E[Y(t)|W=w] \triangleq E[Y|do(T=t),W=w] = E[Y|t,w]
E[Y(t)∣W=w]≜E[Y∣do(T=t),W=w]=E[Y∣t,w] 变成
E
[
Y
(
t
)
∣
W
=
w
]
≜
E
[
Y
∣
d
o
(
T
=
t
)
]
=
E
W
E
[
Y
∣
t
,
w
]
E[Y(t)|W=w] \triangleq E[Y|do(T=t)] = E_WE[Y|t,w]
E[Y(t)∣W=w]≜E[Y∣do(T=t)]=EWE[Y∣t,w]