不借助工具变量、断点回归和随机的前提下有意义的推断

2018-08-22 MedSci MedSci原创

内容来自哥伦比亚大学的姜纬教授在上海财经大学作了一场精彩的讲座--“Accomplishing Meaningful Inferences without Instruments, Discontinuity, and Random Shocks”(在不借助工具变量、断点回归和随机冲击的前提下如何完成有意义的推断) 先从红酒和健康的例子出发,每天喝红酒的人身体更健康一些,从这个事实中我们可以

内容来自哥伦比亚大学的姜纬教授在上海财经大学作了一场精彩的讲座--“Accomplishing Meaningful Inferences without Instruments, Discontinuity, and Random Shocks”(在不借助工具变量、断点回归和随机冲击的前提下如何完成有意义的推断) 先从红酒和健康的例子出发,每天喝红酒的人身体更健康一些,从这个事实中我们可以得出什么结论?能否得出因为喝红酒所以身体更健康的结论?有人回答,不能。姜教授追问:从这个回归中,我们能够得到什么结论呢?观众积极响应:有人说有可能是因为健康的人喜欢喝红酒。“很好,”姜纬老师说, “这是一个反向的因果推断。”姜老师进一步解释:从回归结果中,我们仅仅知道喝红酒和健康状况存在显著的相关性,但是回归本身不能告诉我们两者之间是否存在因果关系。而建立因果关系是科研的重要意义所在。那么我们应该怎么做呢?通常应该借助工具变量,借助断点回归或者寻找随机冲击,来解决其中的内生问题。但是如果找不到这些工具,我们能不能完成一些有意义的学术研究呢?姜老师的讲座从六个方面阐述了如何不借助这些手段和技巧来进行一

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=340915, encodeId=993b340915f0, content=了解一下, beContent=null, objectType=article, channel=null, level=null, likeNumber=65, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=https://wx.qlogo.cn/mmopen/NUyjXTCJjo6KcicAVC1MwuOgo3iaicb1Imgk1yIfnvr6oXzibcAFB6puAyNJXbzWhNuLqaFYBVRWjh7rghkvFLPxMAfD5ib3nXwVD/0, createdBy=bed21972958, createdName=wxl882001, createdTime=Sun Aug 26 18:30:28 CST 2018, time=2018-08-26, status=1, ipAttribution=)]
    2018-08-26 wxl882001

    了解一下

    0

相关资讯

医学临床研究中,有哪些令人叫绝的工具变量?

一个好的工具变量可以直接MIT博士毕业,使用工具变量法的前提是存在有效的工具变量。因此,如何寻找工具变量十分重要。然而,工具变量的两个要求(相关性与外生性)常常自相矛盾,即与内生解释变量相关的变量往往与被解释变量的扰动项也相关。故在实践上,寻找合适的工具变量通常比较困难,需要一定的创造性与想象力。MedSci小编总结并进行相关点评,也给大家带来一些启示,下述这类问题,都可能通过寻找工具变量来解决

STATA教程:ivregress2快速保存工具变量一阶和二阶回归结果

工具变量常被用来解决内生性问题,比如遗漏变量、测量误差及反向因果;在实证分析中,则常采用两阶段最小二乘法(2SLS)来实现工具变量分析。本文简单介绍如何快速输出两阶段最小二乘法的一阶和二阶回归结果表格,使用命令为ivregress2,其命令格式类似ivregress,具体说明可参见Stata官方帮助文件。1.定义工作环境clearcd F:\Dropbox\stata13\graphics2.导入

工具变量方法:中医药实效研究的统计分析利器

中医中药的治疗与现代医学有较大差别,不仅表现在药物上,也表现在处方的个性化,以及中医师本身的“经验”,而这些“经验”在统计学中称为意向性,其实都是临床研究中的偏倚(bias),经典的统计方法都无法处理这些很难测量的问题,这也是为什么中医治疗疾病的疗效往往呈现“千变万化”,不同的人结果可能完全不同的重要原因。 因此,需要寻找出有效规避这些不可测量的影响因素的统计学策略。实际上,在统计学中,这些

工具变量(instrumental variable)理论与因果推断

="mo">∑ni=1(Di–D¯)2. 上面的估计式也是通常的最小二乘解,这里只是换了一个推导方式。如果将 (1) 看成一个数据生成的机制,在假定 (2) 下我们的确可以估计出因果作用 β. 二 内生性和工具变量 问题的关键是假定 (2) 很多时候并不成立(cov(Di,εi)≠0),比如,吸烟的人群和不吸烟的人群本身很不相同,参加工作培训的人可能比不参加工作培训的人有更强的找工作动机,等