Chapter 14 G-estimation of Structural Nested Models
前面已经介绍过了Standardization 和 IP weighting, 这里在介绍另外一种方法: G-estimation.
14.1 The causal question revisited
14.2 Exchangeability revisited
\(Y^a \amalg A | L\), 即
\]
但是我们也可以这么理解:
\]
于是我们可以假设, 此概率为一个logistic模型:
\]
既然我们已经假设了条件可交换性, 那么正常来讲, \(\alpha_1 = 0\).
g-estimation方法就是利用了这一点, 通过构造\(Y^{a=0}\)和我们所要求的causal effect之间的联系来估计参数.
14.3 Structural nested mean models
之前介绍过marginal model
\]
此时我们需要估计两个参数, 但是倘若我们关注的只是causal effect, 那么我们完全可以
\]
此时就只需要估计一个参数, 这是能够防止bias的.
在扩展到strata中:
\]
注: \(\beta_2 L = \sum_{j} \beta_{2j} L_j\).
14.4 Rank preservation
指的是, intervention \(A\)对于每个个体所带来的变化都是固定, 即
\]
相应的还有 conditional rank preservation
\]
所以, rank preservation的意思就是, 经过intervention的干预, 个体间的排名不发生变化(因为效果是相同的).
14.5 G-estimation
这里我们关注:
\]
则根据条件可交换性可知, \(\beta_1\)就是我们所关注的causal effect.
当然这个情况是简化的, 直接舍去的\(\beta_2 \alpha L\), 但是思想是类似的.
倘若
\]
即满足rank preservation.
注意到, 等式右边实际上就是
\]
回到最开始的logistic模型, 我们得到:
\]
对于不同的\(\psi_1\), 关于上式我们有不同的估计, 但是该估计可能\(\alpha_1\not=0\)或者不在0附件, 这说明我们假设的\(\psi_1\)可能并不合理.
换言之, 我们认为\(\psi_1\)的合适的估计应该使得\(\alpha_1\)的估计在0附近, 且越接近我们认为估计的越好.
这就是g-estimation.
特殊的情况也是可以的:
\]
此时要估计多个参数了.
另外其实我没能很好get到数学的内核.
14.6 Structural nested models with two or more parameters
Fine Point
Relation between marginal structural models and structural nested models
Sensitivity analysis for unmeasured confounding
Technical Point
Multiplicative structural nested mean models
G-estimation of structural nested mean models
score test ...
Chapter 14 G-estimation of Structural Nested Models的更多相关文章
- 零元学Expression Blend 4 - Chapter 14 用实例了解布局容器系列-「Pathlistbox」II
原文:零元学Expression Blend 4 - Chapter 14 用实例了解布局容器系列-「Pathlistbox」II 本章将延续上一章的范例,步骤解析. 本章将延续上一章的范例,步骤解析 ...
- Estimation of Non-Normalized Statistical Models by Score Matching
目录 概 主要内容 方法 损失函数的转换 一个例子 Hyv"{a}rinen A. Estimation of Non-Normalized Statistical Models by Sc ...
- CausalVAE: Disentangled Representation Learning via Neural Structural Causal Models
目录 概 主要内容 模型 ELBO 关于 Yang M., Liu F., Chen Z., Shen X., Hao J. and Wang J. CausalVAE: disentangled r ...
- Chapter 14. Blocks and Statements
14.5. Statements There are many kinds of statements in the Java programming language. Most correspon ...
- 牛客小白月赛14 -G (筛法)
题目链接:https://ac.nowcoder.com/acm/contest/879/G 题意:给定A1和A数组公式: 以及B数组: 求 思路:利用筛法更新b数组,最后求异或和即可. AC代码: ...
- Chapter 14 观察者模式
观察者模式又叫做发布-订阅模式:定义了一种一对多的依赖关系,让多个观察者对象同时监听某一个主题对象.这个主题对象在状态发生变化时,会通知所有观察者对象,使它们能够自动更新自己. 观察者模式所做的工作其 ...
- Thinking in Java Chapter 14
From Thinking in Java 4th Edition RTTI(Run-Time Type Information),运行时类型信息,使得你可以在程序运行时发现和使用类型信息.对RTTI ...
- MySQL Crash Course #07# Chapter 15. 关系数据库. INNER JOIN. VS. nested subquery
索引 理解相关表. foreign key JOIN 与保持参照完整性 关于JOIN 的一些建议,子查询 VS. 联表查询 我发现MySQL 的官方文档里是有教程的. SQL Tutorial - W ...
- [using_microsoft_infopath_2010]Chapter 14高级话题
本章提要: 1.剖析表单逻辑 2.从多个表单中合并数据 3.重新连接XML表单到XSN模板文件 4.在repeating table中设置默认值 5.离线填写表单的权衡
随机推荐
- 如何将List集合中相同属性的对象合并
在实际的业务处理中,我们经常会碰到需要合并同一个集合内相同属性对象的情况,比如,同一个用户短时间内下的订单,我们需要将各个订单的金额合并成一个总金额.那么用lambda表达式和HashMap怎么分别处 ...
- Linux:while read line与for循环的区别
while read line:是一次性将文件信息读入并赋值给变量line , while中使用重定向机制,文件中的所有信息都被读入并重定向给了整个while 语句中的line 变量. for:是每次 ...
- 使用cookie记录用户上次访问网页的时间,并返回到页面
package com.hopetesting.cookie;import javax.servlet.ServletException;import javax.servlet.annotation ...
- synchronized底层浅析(二)
一张图了解锁升级流程:
- 前端避坑指南丨辛辛苦苦开发的 APP 竟然被判定为简单网页打包?
传统混合移动App开发模式,通常会使用WebView作为桥接层,但随着iOS和Android应用商店审核政策日趋严格,有时会被错误判定为简单网页打包成App,上架容易遭到拒绝. 既然可能存在风险,那我 ...
- Pythonweb采集
一.访问页面 import webbrowser webbrowser.open('http://www.baidu.com/') pip3 install requests import re ...
- Redis慢查询配置和优化
目录 一.介绍 二.参数配置 sql动态配置 配置文件设置 三.sql操作 四.优化 一.介绍 慢查询只记录redis执行时间,并不记录redis服务到客户端之间的网络问题. 超过多少毫秒的才被记录 ...
- thinkphp or查询
$map['source'] = array(array('eq',0),array('eq',1), 'or'); $this->model->where($map)
- bjdctf r2t3 onegadget
没错,这就是一篇很水的随笔.... 两道很简单的题,先来看第一道.r2t3,保护检查了一下是只开启了堆栈不可执行. 简单看一下ida的伪代码. main函数让你输入一个name,然后会执行一个name ...
- 对QuerySet的理解
1. 如何通过Django的Model操作数据库? 在Django的Model中,QuerySet是一个很重要的概念.因为我们同数据库的所有查询以及更新交互都是通过它来完成的. 2. Django的M ...