从受控数据到无约束数据：在数据科学时代用潜在结果框架估计因果效应
统计方法学
2021-12-03 v1 应用统计
摘要
本文讨论了因果推断的基本原理——这是统计学中从实验与观测数据估计特定事件、处理、干预和暴露对给定结果之影响的领域。我们解释了识别因果效应所需的关键假设，并强调了使用观测数据所带来的挑战。我们强调实验性思维在因果推断中至关重要。数据的质量（不一定是数量）、研究设计、假设满足的程度以及统计分析的严谨性，使我们能够可信地推断因果效应。尽管我们提倡利用大数据和机器学习（ML）算法来估计因果效应，但它们并不能替代周密的研究设计。概念通过实例加以说明。
引用
@article{arxiv.2012.06865,
title = {From controlled to undisciplined data: estimating causal effects in the era of data science using a potential outcome framework},
author = {Francesca Dominici and Falco J. Bargagli-Stoffi and Fabrizia Mealli},
journal= {arXiv preprint arXiv:2012.06865},
year = {2021}
}