趋近智
前面的章节侧重于在所有影响治疗 和结果 的相关混杂变量 都已被观测到的假设下,识别和估计因果效应。然而,在许多实际的机器学习 (machine learning)应用中,这种假设经常被违反。未测量的混杂因素或比较组之间的系统性差异(选择偏差)可能导致不正确的因果推断。
本章将应对这一基本挑战。我们将审视几种高级技术,它们专门设计用于在重要变量未被观测时估计因果效应。您将了解:
在本章结束时,您将理解这些方法背后的原理,并能够将它们应用于您的因果分析中,以减轻由未观测因素引起的偏差。
4.1 进阶工具变量(IV)方法
4.2 深度学习与核方法用于工具变量
4.3 回归不连续性设计 (RDD)
4.4 差中差法 (DiD) 与面板数据
4.5 调整选择偏差修正方法
4.6 近端因果推断原理
4.7 实践操作:工具变量 (IV) 与回归不连续设计 (RDD) 分析
© 2026 ApX Machine Learning用心打造