효과 검증 입문의 정리 제1장
인과추론으로 하고 싶은 일
대상의 집단을 생각한다. 그 집단 전체가 어떤 개입을 받았을 때의 목적 변수의 기대치와 그 집단 전체가 개입을 받지 않았을 때의 목적 변수의 기대값의 차이를 얻고 싶다.
예: 쿠폰을 일부 고객에게 전달하면 쿠폰을 전달하지 않은 고객에 비해 매출이 20% 높았다. 이 20%는 쿠폰을 전달한 것인가? 쿠폰을 전달하지 않아도 매출이 높은 고객이었던 것이 아닌가? 이 질문은 다음을 알면 대답된다. 고객 전체에 대해 쿠폰을 배달했을 때의 매출과 고객 전체에 대해 쿠폰을 배달하지 않았을 때의 매출.
인과추론이 어려운 곳
고객 전체에 대해 쿠폰을 배달했을 때의 매출과 고객 전체에 쿠폰을 배달하지 않았을 때의 매출을 모두 측정하는 것은 불가능하다. 1
관측할 수 있는 것은 일부 고객에게 쿠폰을 쳤다는 현실 세계 매출뿐이다.
RCT라면 상관을 인과로 볼 수 있다
세계관
Rubin 흐름의 인과 추론의 세계관을 그림으로 표현한다.
위의 그림에서는 색이 쿠폰이 쳐졌는지 여부를 표현하고 있다. Z는 쿠폰이 맞았는지 여부를 표현하지 않습니다. 이미지로 설명하면 Z는 사람의 분별에 사용된다. 우리가 관측할 수 있는 세계에서 쿠폰을 친 사람은 배지를 붙인다. 모든 고객이 쿠폰을 치지 않은 세계에서도 그 사람은 배지를 붙이고 있다. Z는 배지를 붙이고 있는 사람다는 것을 분별한다.
우리가 알고 싶은 것은 다음 식으로 표현할 수 있는 인과이다.
E[Y^{(1)}-Y^{(0)}]
그러나 우리가 관측할 수 있는 것은 $Y$와 $Z$뿐이다. 예를 들어, 다음 식으로 표현할 수있는 상관 관계를 관찰 할 수 있습니다.
E[Y|Z=1] - E[Y|Z=0]
가정
다음 가정을 둔다. 2 3
E[Y|Z=1] = E[Y^{(1)}|Z=1]
E[Y|Z=0] = E[Y^{(0)}|Z=0]
RCT의 대단한 사촌
RCT라면 다음 식이 성립한다.
E[Y^{(0)} | Z=1] = E[Y^{(0)} | Z=0]
E[Y^{(1)} | Z=1] = E[Y^{(1)} | Z=0]
이것은 상관 관계와 인과가 등가임을 나타낼 수 있습니다.
\begin{equation*}
\begin{split}
E[Y|Z=1] - E[Y|Z=0] &= E[Y^{(1)}|Z=1] - E[Y^{(0)}|Z=0]\\
&=E[Y^{(1)}-Y^{(0)}|Z=1] + (E[Y^{(0)}|Z=1]- E[Y^{(0)}|Z=0]) \\
&=E[Y^{(1)}-Y^{(0)}]
\end{split}
\end{equation*}
3
상관이 인과가 되었다! ! ! ! ! ! ! 했어! ! ! ! ! ! ! ! !
모든 모집단 샘플을 얻을 수 없다는 의미는 아니며 (고객 모두에게 쿠폰을 배달 할 수 없음) 라는 의미. ↩
소위 Consistency. 이것은 가정할 수밖에 없다는 것을 이해합니다. 자세한 내용은 여기 htps //w w. hsph. 는 rゔぁ rd. 에즈 / 미구에 l-r r / 카우사 l ↩
제3식의 제1항이 이렇게 되는 것은, $Y^{(1)}\perp Z$ 그리고 $Y^{(0)}\perp Z$라면 $Y^{(1)}-Y^ {(0)}\perp Z $ ↩
Reference
이 문제에 관하여(효과 검증 입문의 정리 제1장), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/watanta/items/136e8497768f4ba4553a
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
고객 전체에 대해 쿠폰을 배달했을 때의 매출과 고객 전체에 쿠폰을 배달하지 않았을 때의 매출을 모두 측정하는 것은 불가능하다. 1
관측할 수 있는 것은 일부 고객에게 쿠폰을 쳤다는 현실 세계 매출뿐이다.
RCT라면 상관을 인과로 볼 수 있다
세계관
Rubin 흐름의 인과 추론의 세계관을 그림으로 표현한다.
위의 그림에서는 색이 쿠폰이 쳐졌는지 여부를 표현하고 있다. Z는 쿠폰이 맞았는지 여부를 표현하지 않습니다. 이미지로 설명하면 Z는 사람의 분별에 사용된다. 우리가 관측할 수 있는 세계에서 쿠폰을 친 사람은 배지를 붙인다. 모든 고객이 쿠폰을 치지 않은 세계에서도 그 사람은 배지를 붙이고 있다. Z는 배지를 붙이고 있는 사람다는 것을 분별한다.
우리가 알고 싶은 것은 다음 식으로 표현할 수 있는 인과이다.
E[Y^{(1)}-Y^{(0)}]
그러나 우리가 관측할 수 있는 것은 $Y$와 $Z$뿐이다. 예를 들어, 다음 식으로 표현할 수있는 상관 관계를 관찰 할 수 있습니다.
E[Y|Z=1] - E[Y|Z=0]
가정
다음 가정을 둔다. 2 3
E[Y|Z=1] = E[Y^{(1)}|Z=1]
E[Y|Z=0] = E[Y^{(0)}|Z=0]
RCT의 대단한 사촌
RCT라면 다음 식이 성립한다.
E[Y^{(0)} | Z=1] = E[Y^{(0)} | Z=0]
E[Y^{(1)} | Z=1] = E[Y^{(1)} | Z=0]
이것은 상관 관계와 인과가 등가임을 나타낼 수 있습니다.
\begin{equation*}
\begin{split}
E[Y|Z=1] - E[Y|Z=0] &= E[Y^{(1)}|Z=1] - E[Y^{(0)}|Z=0]\\
&=E[Y^{(1)}-Y^{(0)}|Z=1] + (E[Y^{(0)}|Z=1]- E[Y^{(0)}|Z=0]) \\
&=E[Y^{(1)}-Y^{(0)}]
\end{split}
\end{equation*}
3
상관이 인과가 되었다! ! ! ! ! ! ! 했어! ! ! ! ! ! ! ! !
모든 모집단 샘플을 얻을 수 없다는 의미는 아니며 (고객 모두에게 쿠폰을 배달 할 수 없음) 라는 의미. ↩
소위 Consistency. 이것은 가정할 수밖에 없다는 것을 이해합니다. 자세한 내용은 여기 htps //w w. hsph. 는 rゔぁ rd. 에즈 / 미구에 l-r r / 카우사 l ↩
제3식의 제1항이 이렇게 되는 것은, $Y^{(1)}\perp Z$ 그리고 $Y^{(0)}\perp Z$라면 $Y^{(1)}-Y^ {(0)}\perp Z $ ↩
Reference
이 문제에 관하여(효과 검증 입문의 정리 제1장), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/watanta/items/136e8497768f4ba4553a
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
E[Y^{(1)}-Y^{(0)}]
E[Y|Z=1] - E[Y|Z=0]
E[Y|Z=1] = E[Y^{(1)}|Z=1]
E[Y|Z=0] = E[Y^{(0)}|Z=0]
E[Y^{(0)} | Z=1] = E[Y^{(0)} | Z=0]
E[Y^{(1)} | Z=1] = E[Y^{(1)} | Z=0]
\begin{equation*}
\begin{split}
E[Y|Z=1] - E[Y|Z=0] &= E[Y^{(1)}|Z=1] - E[Y^{(0)}|Z=0]\\
&=E[Y^{(1)}-Y^{(0)}|Z=1] + (E[Y^{(0)}|Z=1]- E[Y^{(0)}|Z=0]) \\
&=E[Y^{(1)}-Y^{(0)}]
\end{split}
\end{equation*}
Reference
이 문제에 관하여(효과 검증 입문의 정리 제1장), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/watanta/items/136e8497768f4ba4553a텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)