Chapter 12 IP Weighting and Marginal Structural Model
文章目录
- 12.1 The causal question
- 12.2 Estimating IP weights via modeling
- 12.3 Stabilized IP weights
- 12.4 Marginal structural models
- 12.5 Effect modification and marginal structural models
- 12.6 Censoring and missing data
- Fine Point
- Setting a bad example
- Checking positivity
- Technical Point
- Horvitz-Thomson estimators
- More on stabilized weights
HernKaTeX parse error: Can't use function '\'' in math mode at position 1: \̲'̲{a}n M. and Robins J. Causal Inference: What If.
这一章介绍如何结合IP weighting 和 参数模型.
12.1 The causal question
12.2 Estimating IP weights via modeling
我们知道, IP weighting:
I(Ai=a)Yif(Ai∣L),\frac{I(A_i=a)Y_i}{f(A_i|L)}, f(Ai∣L)I(Ai=a)Yi,
相当于创建了一个伪集合, 即假设所有的人都进行了A=aA=aA=a.
显然, 在这个伪集合中, A,LA,LA,L是相互独立的.
故我们有
Eps[Y∣A=a]=∑lE[Y∣A=a,L=l]Pr[L=l],\mathbb{E}_{ps}[Y|A=a]=\sum_l \mathbb{E} [Y|A=a,L=l] \mathrm{Pr}[L=l], Eps[Y∣A=a]=l∑E[Y∣A=a,L=l]Pr[L=l],
当同时满足条件可交换性的时候, 我们就能够得到
Eps[Y∣A=a]=E[Ya].\mathbb{E}_{ps}[Y|A=a] = \mathbb{E}[Y^a]. Eps[Y∣A=a]=E[Ya].
所以我们只需要估计E^ps[Y∣A=a]\hat{\mathbb{E}}_{ps} [Y|A=a]E^ps[Y∣A=a]即可.
自然地, 我们可以假设其符合
θ0+θ1A\theta_0 + \theta_1 A θ0+θ1A
的线性模型.
通过最小二乘法可以估计出上面的参数.
但是需要注意的是, 我们数据不是原始的数据, 而是在伪数据之上, 相当于每一个样本为
Yif(Ai∣L).\frac{Y_i}{f(A_i|L)}. f(Ai∣L)Yi.
记W=1/f(A=1∣L)W = 1 / f(A=1|L)W=1/f(A=1∣L), 以及它的估计W^\hat{W}W^(因为f(A∣L)f(A|L)f(A∣L)我们也是不知道的, 我们同样可以用参数模型进行估计), 故
E^ps[Y∣A=1]=1n∑Ai=1W^iYi.\hat{\mathbb{E}}_{ps}[Y|A=1] = \frac{1}{n}\sum_{A_i =1} \hat{W}_i Y_i. E^ps[Y∣A=1]=n1Ai=1∑W^iYi.
12.3 Stabilized IP weights
实际上, 我们不光可以设置W=1/f(A∣L)W=1 / f(A|L)W=1/f(A∣L), 实际上可以进一步为
pf(A∣L)\frac{p}{f(A|L)} f(A∣L)p
只需要满足ppp与LLL无关即可.
书上说这种方式的选择会使得最后估计的置信区间更窄也就是跟robust.
12.4 Marginal structural models
E[Ya]=β0+β1a.\mathbb{E}[Y^a] = \beta_0 + \beta_1 a. E[Ya]=β0+β1a.
注意到, 当满足条件可交换性的时候, 上面的推得的模型和这一节的是等价的.
12.5 Effect modification and marginal structural models
E[Ya∣V]=β0+β1a+β2Va+β3V.\mathbb{E}[Y^a|V] = \beta_0 + \beta_1 a + \beta_2 Va + \beta_3 V. E[Ya∣V]=β0+β1a+β2Va+β3V.
这个时候, 我们可以通过SWA(V)=f[A∣V]f[A∣V]SW^A (V) = \frac{f[A|V]}{f[A|V]}SWA(V)=f[A∣V]f[A∣V]来估计.
12.6 Censoring and missing data
只需考虑Ya,c=0Y^{a, c=0}Ya,c=0, 以及对应的W=WA×WCW = W^A \times W^CW=WA×WC,
WC=1/Pr[C=0∣L,A].W^C = 1 / \mathrm{Pr} [C=0 | L, A]. WC=1/Pr[C=0∣L,A].
Fine Point
Setting a bad example
Checking positivity
Technical Point
Horvitz-Thomson estimators
我们常常会用
E^[I(A=a)Yf(A∣L)]\hat{\mathbb{E}}[\frac{I(A=a)Y}{f(A|L)}] E^[f(A∣L)I(A=a)Y]
作为估计式子, 其等价于
E^[I(A=a)Yf(A∣L)]E^[I(A=a)f(A∣L)].\frac{\hat{\mathbb{E}}[\frac{I(A=a)Y}{f(A|L)}]} {\hat{\mathbb{E}}[\frac{I(A=a)}{f(A|L)}]}. E^[f(A∣L)I(A=a)]E^[f(A∣L)I(A=a)Y].
而且往往后者更稳定.
注: 在 stabilized IP weights中必须要用后者.
More on stabilized weights
SWA=g(A)f[A∣L].SW^A = \frac{g(A)}{f[A|L]}. SWA=f[A∣L]g(A).
E^[I(A=a)Yf(A∣L)g(A)]E^[I(A=a)f(A∣L)g(A)].\frac{\hat{\mathbb{E}}[\frac{I(A=a)Y}{f(A|L)}g(A)]} {\hat{\mathbb{E}}[\frac{I(A=a)}{f(A|L)}g(A)]}. E^[f(A∣L)I(A=a)g(A)]E^[f(A∣L)I(A=a)Yg(A)].
Chapter 12 IP Weighting and Marginal Structural Model相关推荐
- 《斯坦福数据挖掘教程·第三版》读书笔记(英文版)Chapter 12 Large-Scale Machine Learning
来源:<斯坦福数据挖掘教程·第三版>对应的公开英文书和PPT Chapter 12 Large-Scale Machine Learning Algorithms called " ...
- halcon算子盘点:Chapter 12:OCR(光字符识别)
Chapter 12:OCR(光字符识别) 12.1 Hyperboxes 1. close_all_ocrs 功能:删除所有光字符,释放存储空间,但会丢失所有的测试数据. 2. close_oc ...
- SSM Chapter 12 SpringMVC扩展和SSM框架整合
SSM Chapter 12 SpringMVC扩展和SSM框架整合 笔记 本章目标: 掌握JSON对象的处理 理解数据转换和格式化 了解本地化 掌握Spring MVC+Spring+MyBatis ...
- 《C++ Templates》笔记 Chapter 12 Fundamentals in Depth-Chapter 13 Names in Templates
文章目录 Chapter 12 Fundamentals in Depth 12.1 Parameterized Declarations 12.1.1 Virtual Member Function ...
- Think Python - Chapter 12 Tuples
12.1 Tuples are immutable(元组是不可变的) A tuple is a sequence of values. The values can be any type, and ...
- 『mcse 2008基础架构』Chapter 01 IP协议及配置方法 第1课网络连接及配置方法
学习目标: 理解TCP/IP协议组中的4个层次 查看和配置本地网络连接的IP设置 理解网络广播的概念 使用TCP/IP工具排除网络连通性故障 转载于:https://blog.51cto.com/ld ...
- 《Java 8 in Action》Chapter 12:新的日期和时间API
在Java 1.0中,对日期和时间的支持只能依赖java.util.Date类.同时这个类还有两个很大的缺点:年份的起始选择是1900年,月份的起始从0开始. 在Java 1.1中,Date类中的很多 ...
- 《A Graduate Course in Applied Cryptography》Chapter 12 Chosen ciphertext secure pkc(4)finish
原文教材 与 参考资料: Boneh Dan , Shoup Victor . A Graduate Course in Applied Cryptography[J]. 该书项目地址(可以免费获取) ...
- Chapter 2 (Matrix Algebra): The leontief input-output model (列昂惕夫投入产出模型)
本文为<Linear algebra and its applications>的读书笔记 目录 The leontief input-output model A Formula for ...
- Chapter 12 贝叶斯网络
1 概率公式 条件概率: 全概率公式: 贝叶斯公式(Bayes): 2 贝叶斯公式 2.1 贝叶斯公式带来的思考 给定某些样本,在这些样本中计算某结论出现的概率,即 贝叶斯公式 样本给定,则对于任何 ...
最新文章
- 【ACM】杭电OJ 1241(深度优先搜索小结)
- 个人网站搭建---godaddy域名+freewebhostingarea免费空间
- Android开发之蓝牙--扫描已经配对的蓝牙设备
- NetBeans+xdebug解决无法连接xdebug问题
- PMOS做固态继电器,PMOS做高侧双向开关电路,PMOS防电流倒灌电路,PMOS电源防反接电路
- asp如何将图片文件上传到mysql数据库中_怎样才能利用ASP把图片上传到数据库
- IIS 7.0与ASP.NET
- china-pub春季教材展,给力优惠,买二赠一
- 电蚊拍GB4706检测及安规测试设备
- 怎么通过大网给服务器传文件在哪里,高速传输文件的办法
- 易打卡模板微信签到打卡小程序源码
- Python 自动化操作 Excel 绘制条形图!
- 传手机ODM厂商拿到三星大单 将带动产业链走出寒冬?
- 【恩墨有约成都站】Kamus和老熊与你相约,不止是技术
- Could not find a package configuration file provided by “std_msg“ with any of the following names:
- python有道翻译接口-Python调用有道翻译api实现翻译
- python 批量修改后缀名
- 关于flask过滤器truncate源码分析
- 三菱FX5U系列PLC表格定位指令TBL出现偶尔不执行的处理对策
- VSCode设置远程 ssh 时一直等待
热门文章
- sql 字段逗号分割
- Java的Integer与int互转
- WordPress二次元博客主题模板-Sakurairo v2.5.1.1
- syslinux引导硬盘linux,使用SysLinux引导Linux系统
- [恒指赵鑫] 为什么恒指是2019年最火最受欢迎的交易品种?
- PhpStorm 2019 for mac(PHP集成开发工具) 2019.1.3中文激活版
- C#篇-unity和序列化和反序列
- SMETA验厂咨询,Sedex验厂工厂的自检流程有哪些
- 卸载奇安信天擎,流氓软件
- Vs2008调试慢的问题