Skip to main content

Chapter_11

Aaron L9/17/25About 5 minCausal inferenceDeepSeek-R1-0528response_md
### Chapter 11: WHY MODEL?

11.1 Data cannot speak for themselves

技术重点（Technical Points）:

  • 核心理论: 当处理变量 (A) 是连续或多分类时，特定处理水平（如 (A=90)）可能无观测数据，导致非参数估计器（如样本均值）无法计算。
  • 重要概念:
    • 估计量（Estimator）: 用于估计总体参数的函数（如样本均值）。
    • 一致性估计量（Consistent Estimator）: 样本量增大时，估计值收敛于总体参数（如样本均值一致，首个观测值非一致）。
  • 应用场景: 处理变量为离散（二分类/多分类）或连续时，估计条件期望 (E[Y|A=a])。

细节要点（Fine Points）:

  • 案例分析: 16名HIV感染者研究：
    • 二分类处理（(A=0/1)）: 样本均值估计 (E[Y|A=1]=146.25), (E[Y|A=0]=67.50)。
    • 四分类处理（(A=1,2,3,4)）: 样本均值估计分别为 (70.0, 80.0, 117.5, 195.0)，置信区间更宽（样本稀疏）。
    • 连续处理（(A=0-100)）: 无 (A=90) 的个体，样本均值未定义。
  • 辅助信息: 连续变量可视为无限分类，需模型补充数据不足。

11.2 Parametric estimators of the conditional mean

技术重点（Technical Points）:

  • 核心理论: 参数模型通过先验限制（如线性函数形式）估计条件期望。
  • 关键公式: 线性均值模型：

    E[Y∣A]=θ0+θ1AE[Y|A] = \theta_0 + \theta_1 A

  • 重要概念:
    • 参数模型（Parametric Model）: 用有限参数描述条件期望（如 (\theta_0, \theta_1) 定义直线）。
    • 普通最小二乘法（OLS）: 最小化残差平方和估计参数：

      min⁡θ0,θ1∑i=1n(Yi−(θ0+θ1Ai))2\min_{\theta_0, \theta_1} \sum_{i=1}^n (Y_i - (\theta_0 + \theta_1 A_i))^2

  • 应用场景: 估计无观测的处理水平（如 (A=90)) 的条件期望。

细节要点（Fine Points）:

  • 案例分析: 基于图11.3数据：
    • OLS估计 (\hat{\theta}_0 = 24.55), (\hat{\theta}_1 = 2.14) → (E[Y|A=90] = 24.55 + 90 \times 2.14 = 216.9)。
    • 95%置信区间: ((172.1, 261.6))（同方差假设下）。
  • 相关背景: 模型通过借用其他 (A) 值的信息进行平滑，但需模型正确设定（no model misspecification）。

11.3 Nonparametric estimators of the conditional mean

技术重点（Technical Points）:

  • 核心理论: 非参数估计器无先验限制，直接基于数据估计（如样本均值）。
  • 重要概念:
    • 饱和模型（Saturated Model）: 参数数量等于未知条件期望数（如二分类 (A) 时 (E[Y|A] = \theta_0 + \theta_1 A) 无限制）。
    • Fisher一致性估计器: 当样本=总体时，估计值等于真实参数（非参数MLE）。
  • 应用场景: 离散处理变量且每个水平有数据时（如Part I的标准化、IP加权）。

细节要点（Fine Points）:

  • 案例分析:
    • 二分类 (A): 饱和模型估计与样本均值相同（(\hat{E}[Y|A=0]=67.5), (\hat{E}[Y|A=1]=146.25)）。
    • 100水平 (A) 无 (A=90) 数据: 无非参数估计器。
  • 辅助信息: Part I方法（无模型）基于饱和模型；Part II需参数模型补充数据不足。

11.4 Smoothing

技术重点（Technical Points）:

  • 核心理论: 参数数量决定平滑度：参数少→高平滑（直线），参数多→低平滑（过拟合）。
  • 关键公式: 多项式扩展模型（如二次项）：

    E[Y∣A]=θ0+θ1A+θ2A2E[Y|A] = \theta_0 + \theta_1 A + \theta_2 A^2

  • 重要概念:
    • 线性模型定义: 参数线性组合（如 (A^2) 是非线性变量，但模型线性于 \theta)。
    • 平滑机制: 借用邻近 (A) 值的信息（如窗口限制 (A \in [80,100])）。

细节要点（Fine Points）:

  • 案例分析: 图11.3数据：
    • 二次模型: (\hat{\theta}_0 = -7.41), (\hat{\theta}_1 = 4.11), (\hat{\theta}_2 = -0.02) → (E[Y|A=90] = 197.1)。
    • 95%置信区间: ((142.8, 251.5))（比线性模型更宽）。
  • 辅助信息: 高维协变量时，平滑概念不变（参数少→响应曲面更平滑）。

11.5 The bias-variance trade-off

技术重点（Technical Points）:

  • 核心理论: 偏差-方差权衡：
    • 参数多→限制少→偏差↓但方差↑（置信区间宽）。
    • 参数少→限制多→偏差↑但方差↓。
  • 重要概念:
    • 模型误设（Misspecification）: 模型限制错误导致估计偏差。
    • 校正不足（Miscalibration）: 偏差存在时，置信区间覆盖真实参数概率低于95%。

细节要点（Fine Points）:

  • 案例分析: 图11.3数据：
    • 线性模型: (\hat{E}[Y|A=90] = 216.9) (CI: (172.1, 261.6))。
    • 二次模型: (\hat{E}[Y|A=90] = 197.1) (CI: (142.8, 251.5))。
  • 相关背景: 实际中选择模型需权衡传统、可解释性、软件可用性；建议敏感性分析检验模型稳健性。

逻辑关联性

本章从数据局限性（11.1）引出参数模型（11.2）与非参数估计（11.3），进而讨论平滑（11.4）和偏差-方差权衡（11.5），逐步构建模型必要性框架。全章为Part II的因果推断模型奠定基础，强调模型在数据稀疏时的不可替代性及误设风险。

注: 图中信息（Fig 11.1-11.5）基于文本描述总结；未明确细节标注为"需进一步查证"。公式严格使用LaTeX格式，术语保留英文确保准确性。