Section1 Introduction

來自專欄 Blogs of Ruili Feng

在健康、社會、行為科學等學課中，最常見的問題大都是因果性的而非關聯性的。舉例而言，給定人群攝入給定藥物後會有怎樣的反應？統計數據是否能證明僱主具有某種歧視？如果施行某項政策，哪些以往發生的犯罪行為可能被避免？這些問題被稱為因果關係，在於他們：

• 需要一定的關於數據生成方式的先驗知識
• 無法單獨從數據中計算出來
• 無法單獨從概率分布中計算出來

幸運的是，關於此類問題的很多概念上與演算法上的工作業已取得不錯的進展，他們主要可以被歸類為四個方面：

• Conterfactual analysis （反事實分析，假設分析）
• Nonparametric structural equations （非參數結構等式）
• Graphical models （圖模型）
• Symbiosis between counterfactual and graphical methods （1與3的聯合）

這一系列文章的目的旨在於：

1. 鮮明的區別因果分析與標準的統計分析
2. 提供一個統一的理論用以解決因果問題的大多數層面
3. 提供一些簡單但有力的工具以解決一系列廣泛的因果問題
4. 展示之前工作在新的統一理論下的一致性

各個章節的劃分如下：

• Section 2：介紹兩個統計理論難以逾越的概念上的障礙；
• Section 3.1：介紹因果分析的基礎定義和結構模型的基礎定義
• Section 3.2：使用結構模型表示干涉
• Section 3.3：介紹數學手段估計因果效應
• Section 3.4：介紹數學手段估計假設量
• Section 3.5：分析被noncompliance損害的實驗

這些工具將允許研究人員通過圖解的方式表示因果假設，並：

1. 決定為了觀測到目標量的一致的估計，所作出的假設是否充分；
2. （在1解決的情況下）找到目標量關於觀測量概率分布的閉式解；
3. （在1未解決的情況下）尋找能產生一致估計的充分假設

在Section 4中，我們將一個著名的模型：潛在收益框架（Potential-outcome framework）統一到結構模型的框架之中。

在Section 5中，我們進一步闡釋結構模型的優越之處。

推薦閱讀：