คำถามติดแท็ก treatment-effect

ฉันควรทราบวิธีการเชิงทฤษฎีเกี่ยวกับเวรกรรมในฐานะนักสถิติประยุกต์ / เศรษฐมิติ ฉันรู้ (เล็กน้อยมาก) Neyman – Rubin โมเดลเชิงสาเหตุ (และRoy , Haavelmoเป็นต้น) ผลงานของ Pearl ในเรื่องเวรกรรม Granger Causality (เน้นการรักษาน้อยกว่า) ฉันควรพลาดแนวคิดใดหรือควรระวัง ที่เกี่ยวข้อง: ทฤษฎีใดบ้างที่เป็นรากฐานสำหรับเวรกรรมในการเรียนรู้ของเครื่อง? ฉันได้อ่านคำถามที่น่าสนใจและคำตอบ ( 1 , 2 , 3 ) แต่ฉันคิดว่าเป็นคำถามที่แตกต่าง และฉันรู้สึกประหลาดใจมากที่จะเห็นว่า "เวรกรรม" ยกตัวอย่างเช่นไม่ได้กล่าวถึงในองค์ประกอบของการเรียนรู้ทางสถิติ

16 machine-learning  causality  theory  treatment-effect 

เมื่อใช้โมเดลเชิงสาเหตุของรูบินหนึ่งในข้อสมมติฐานที่ไม่สามารถพิสูจน์ได้ที่เราต้องการคือ unoundounded ซึ่งหมายความว่า ( Y( 0 ) , Y( 1 ) ) ⊥ T| X(Y(0),Y(1))⊥T|X(Y(0),Y(1))\perp T|X ในกรณีที่ LHS เป็นสิ่งกีดขวาง T คือการรักษาและ X คือโควาเรียตที่เราควบคุม ฉันสงสัยว่าจะอธิบายเรื่องนี้อย่างไรกับคนที่ไม่ค่อยรู้อะไรเกี่ยวกับแบบจำลองสาเหตุรูบิน ฉันเข้าใจว่าทำไมเราถึงต้องการสมมติฐานนี้ในทางทฤษฎี แต่ฉันไม่แน่ใจเกี่ยวกับแนวคิดว่าทำไมสิ่งนี้ถึงสำคัญ โดยเฉพาะอย่างยิ่งถ้า T คือการรักษาผลที่อาจเกิดขึ้นจะขึ้นอยู่กับมันหรือไม่? เช่นกันถ้าเรามีสุ่มทดลองแล้วโดยอัตโนมัติT ทำไมสิ่งนี้ถึงเป็นจริง?(Y(0),Y(1))⊥T(Y(0),Y(1))⊥T(Y(0),Y(1))\perp T คุณจะอธิบายข้อสมมติฐานที่ไร้เหตุผล / ความเพิกเฉยต่อคนที่ไม่ได้ศึกษา RCM อย่างไร

13 causality  treatment-effect  confounding