Introduction to Causal Inference：Chapter 1因果推断概论-程序员宅基地

技术标签： 学习  因果学习  

本文是学习brady neal于2020年开设的因果推断课程Introduction to Causal Inference的记录

概述

本chapter主要分四个部分：

  1. 辛普森悖论
  2. 为什么相关性不是因果关系
  3. 什么展示了因果关系
  4. 在观测性研究中如何发现因果关系

1 因果推断的动机：辛普森悖论

1.1 辛普森悖论案例

辛普森悖论（Simpson‘s paradox）是广泛存在于统计学事件的一个现象，指的是分组下的统计表现与总体统计表现相悖。
这里举了一个例子，假设有一个新的疾病：COVID-27
在这里插入图片描述
有两种针对性的疗法 T T T：A（0）和B（1）
以及病情症状 C C C：轻微（0）或者严重（1）
可能的结果 Y Y Y：痊愈（0）或者死亡（1）
关于它的统计结果如下
在这里插入图片描述
此时我们会发现一个辛普森悖论，就是，忽略基数，只看人数，我们会发现总的来说使用A的死亡率更低，但是对每一个分组来说，又是使用B的效果更好。
对于总体的死亡率计算式如下
在这里插入图片描述

1.2 可能的解释

事实上，上述案例中 T T T， C C C， Y Y Y三者的关系，可以通过因果图（causal graph）来表示。

应该用怎样的因果图来表示呢？

这里对出现辛普森悖论的原因进行一些可能的解释

  1. 解释1
    从数据基数上看， 医生可能更愿意给重症患者使用B治疗方法，这可能是因为B的医疗资源更加紧缺。
    在这里插入图片描述
    为什么B中的死亡人数更多， 是因为使用B的患者中重症患者的比例更高；而A更多地被用在症状较轻的病人身上。
    在这个解释中，病人的症状 C C C是采取治疗方法 T T T的一种主要的原因。
    则因果图如下
    在这里插入图片描述

  2. 解释2
    也有可能是B是处方药，很稀少，要等待，而且等待会使得病情恶化。
    在这里插入图片描述
    而接受治疗方法A，则可能不会对病情有影响，因此大部分的人在轻症阶段就得到了救治。
    在这个解释中，治疗方法 T T T是导致病情 C C C的一个原因。
    则因果图如下
    在这里插入图片描述

2 相关关系≠因果关系

2.1 案例：穿鞋和头疼

单从数据关系上看，穿着鞋子睡觉的人很多醒来都头痛，穿鞋的人大多前天晚上喝了酒，而不穿鞋的人大多前天晚上没有喝酒，我们可以统计两组人中喝酒的人数中得出来这个结论。
在这里插入图片描述
我们知道头疼的原因不是因为穿着鞋睡觉，但是数据却告诉我们穿着鞋睡觉的人大多醒来的时候头疼。
这是因为穿鞋睡觉的组和不穿鞋睡觉的组在关键条件上（即睡前有无喝酒）不同，他们不具有可比性，所以这两个组不能直接说明因果关系。

我们把这个现象叫做混淆（confounding），这个词需要划重点。
在这里插入图片描述
我们没有办法让喝醉酒的人必须把鞋脱了睡觉，也就是我们无法让两组完全一样，因此没有办法确定一个单独的因果关系。
事实上我们所观测到的结果是因果关系和混杂关联的组合。

2.2 相关关系≠因果关系！

我们虽然很清楚关联性和因果关系是不等同的，但还是习惯上会有认知偏见。
在这里插入图片描述
回到这个头疼的案例上，如果不是像这种非常明显与头疼无关的因素（如穿鞋），我们很有可能还是会习惯性的把头疼归因到这个因素上。
这是因为我们在现实生活中所作的推断可能收到我们信息认知的影响，或者是我们进行了有动机的推理。
在这里插入图片描述
再用一个具体的案例来说明相关关系与因果关系的不等同，比如

看了电影nicolas cage的人的统计数量，和水池里溺死的人的统计数量变化趋势一致

在这里插入图片描述
但是这两者，可能只是简单的统计关系而已。我们不可能因为一个人看了电影，就觉得他溺水的可能性上升。

3 什么是因果关系

3.1 Potential outcome

潜在结果，我们进行如下定义
在这里插入图片描述
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)。
在这里插入图片描述

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）
在这里插入图片描述
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。
在这里插入图片描述
此时ATE就可以计算了
在这里插入图片描述
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。
在这里插入图片描述
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。
在这里插入图片描述
此时的解决方法是，砍断连接，即将
在这里插入图片描述
变成
在这里插入图片描述
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)]=EW​E[Y∣t,w]
在这里插入图片描述
如果因果图条件很复杂，如下
在这里插入图片描述
可以做这样的隔断
在这里插入图片描述
也可以做这样的隔断，看起来更快
在这里插入图片描述
如果有一个像这样的结构，事实上上不需要控制Z2，这个在后面会讲，这里先打上一个问号。
在这里插入图片描述

4.2 案例

那么在刚刚那个COVID-27的例子上，我们也可以进行计算
在这里插入图片描述
上述causal项的计算，是基于第一种可能的因果结构
在这里插入图片描述
计算过程如下
在这里插入图片描述
这就比简单计算条件概率合理多了

so最后
在这里插入图片描述

参考阅读

  1. Introduction to Causal Inference
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40990057/article/details/119541261

智能推荐

攻防世界_难度8_happy_puzzle_攻防世界困难模式攻略图文-程序员宅基地

文章浏览阅读645次。这个肯定是末尾的IDAT了，因为IDAT必须要满了才会开始一下个IDAT，这个明显就是末尾的IDAT了。，对应下面的create_head()代码。，对应下面的create_tail()代码。不要考虑爆破，我已经试了一下，太多情况了。题目来源：UNCTF。_攻防世界困难模式攻略图文

达梦数据库的导出（备份）、导入_达梦数据库导入导出-程序员宅基地

文章浏览阅读2.9k次，点赞3次，收藏10次。偶尔会用到，记录、分享。1. 数据库导出1.1 切换到dmdba用户su - dmdba1.2 进入达梦数据库安装路径的bin目录，执行导库操作　　导出语句：./dexp cwy_init/[email protected]:5236 file=cwy_init.dmp log=cwy_init_exp.log　注释：　　 cwy_init/init_123..._达梦数据库导入导出

js引入kindeditor富文本编辑器的使用_kindeditor.js-程序员宅基地

文章浏览阅读1.9k次。1. 在官网上下载KindEditor文件，可以删掉不需要要到的jsp，asp，asp.net和php文件夹。接着把文件夹放到项目文件目录下。2. 修改html文件，在页面引入js文件：<script type="text/javascript" src="./kindeditor/kindeditor-all.js"></script><script type="text/javascript" src="./kindeditor/lang/zh-CN.js"_kindeditor.js

STM32学习过程记录11——基于STM32G431CBU6硬件SPI+DMA的高效WS2812B控制方法-程序员宅基地

文章浏览阅读2.3k次，点赞6次，收藏14次。SPI的详情简介不必赘述。假设我们通过SPI发送0xAA，我们的数据线就会变为10101010，通过修改不同的内容，即可修改SPI中0和1的持续时间。比如0xF0即为前半周期为高电平，后半周期为低电平的状态。在SPI的通信模式中，CPHA配置会影响该实验，下图展示了不同采样位置的SPI时序图[1]。CPOL = 0，CPHA = 1：CLK空闲状态 = 低电平，数据在下降沿采样，并在上升沿移出CPOL = 0，CPHA = 0：CLK空闲状态 = 低电平，数据在上升沿采样，并在下降沿移出。_stm32g431cbu6

计算机网络-数据链路层_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输-程序员宅基地

文章浏览阅读1.2k次，点赞2次，收藏8次。数据链路层习题自测问题1.数据链路(即逻辑链路)与链路(即物理链路)有何区别?“电路接通了”与”数据链路接通了”的区别何在?2.数据链路层中的链路控制包括哪些功能?试讨论数据链路层做成可靠的链路层有哪些优点和缺点。3.网络适配器的作用是什么?网络适配器工作在哪一层?4.数据链路层的三个基本问题(帧定界、透明传输和差错检测)为什么都必须加以解决？5.如果在数据链路层不进行帧定界，会发生什么问题？6.PPP协议的主要特点是什么？为什么PPP不使用帧的编号？PPP适用于什么情况？为什么PPP协议不_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输

软件测试工程师移民加拿大_无证移民，未受过软件工程师的教育（第1部分）-程序员宅基地

文章浏览阅读587次。软件测试工程师移民加拿大 无证移民，未受过软件工程师的教育(第1部分) (Undocumented Immigrant With No Education to Software Engineer(Part 1))Before I start, I want you to please bear with me on the way I write, I have very little gen...

随便推点

Thinkpad X250 secure boot failed 启动失败问题解决_安装完系统提示secureboot failure-程序员宅基地

文章浏览阅读304次。Thinkpad X250笔记本电脑，装的是FreeBSD，进入BIOS修改虚拟化配置（其后可能是误设置了安全开机），保存退出后系统无法启动，显示：secure boot failed ，把自己惊出一身冷汗，因为这台笔记本刚好还没开始做备份.....根据错误提示，到bios里面去找相关配置，在Security里面找到了Secure Boot选项，发现果然被设置为Enabled，将其修改为Disabled ，再开机，终于正常启动了。_安装完系统提示secureboot failure

C++如何做字符串分割（5种方法）_c++ 字符串分割-程序员宅基地

文章浏览阅读10w+次，点赞93次，收藏352次。1、用strtok函数进行字符串分割原型： char *strtok(char *str, const char *delim);功能：分解字符串为一组字符串。参数说明：str为要分解的字符串，delim为分隔符字符串。返回值：从str开头开始的一个个被分割的串。当没有被分割的串时则返回NULL。其它：strtok函数线程不安全，可以使用strtok_r替代。示例：//借助strtok实现split#include <string.h>#include <stdio.h&_c++ 字符串分割

2013第四届蓝桥杯 C/C++本科A组 真题答案解析_2013年第四届c a组蓝桥杯省赛真题解答-程序员宅基地

文章浏览阅读2.3k次。1 .高斯日记 大数学家高斯有个好习惯：无论如何都要记日记。他的日记有个与众不同的地方，他从不注明年月日，而是用一个整数代替，比如：4210后来人们知道，那个整数就是日期，它表示那一天是高斯出生后的第几天。这或许也是个好习惯，它时时刻刻提醒着主人：日子又过去一天，还有多少时光可以用于浪费呢？高斯出生于：1777年4月30日。在高斯发现的一个重要定理的日记_2013年第四届c a组蓝桥杯省赛真题解答

基于供需算法优化的核极限学习机(KELM)分类算法-程序员宅基地

文章浏览阅读851次，点赞17次，收藏22次。摘要：本文利用供需算法对核极限学习机(KELM)进行优化，并用于分类。

metasploitable2渗透测试_metasploitable2怎么进入-程序员宅基地

文章浏览阅读1.1k次。一、系统弱密码登录1、在kali上执行命令行telnet 192.168.26.1292、Login和password都输入msfadmin3、登录成功，进入系统4、测试如下：二、MySQL弱密码登录：1、在kali上执行mysql –h 192.168.26.129 –u root2、登录成功，进入MySQL系统3、测试效果：三、PostgreSQL弱密码登录1、在Kali上执行psql -h 192.168.26.129 –U post..._metasploitable2怎么进入

Python学习之路：从入门到精通的指南_python人工智能开发从入门到精通pdf-程序员宅基地

文章浏览阅读257次。本文将为初学者提供Python学习的详细指南，从Python的历史、基础语法和数据类型到面向对象编程、模块和库的使用。通过本文，您将能够掌握Python编程的核心概念，为今后的编程学习和实践打下坚实基础。_python人工智能开发从入门到精通pdf

推荐文章

热门文章

相关标签