工具变量在因果推断中的应用:逻辑、想象和诠释
2018-11-01 陈云松 陈云松
一、导言: 因果推断的圣杯 在反事实因果的框架之下 ,基于调查数据的社会学定量分析要进行因果推断,难度极大。其主要原因在于,社会学家一旦要证明某个他们所感兴趣的“因”会带来一定的“果”,就必须面对一个永恒挑战:“内生性”问题( endogeneity) 。也即: 如果某个潜在的、无法观测的干扰项,既影响“因”,又影响“果”,那么,利用最小二乘法模型( 简称OLS模型) 进行回
一、导言: 因果推断的圣杯 在反事实因果的框架之下 ,基于调查数据的社会学定量分析要进行因果推断,难度极大。其主要原因在于,社会学家一旦要证明某个他们所感兴趣的“因”会带来一定的“果”,就必须面对一个永恒挑战:“内生性”问题( endogeneity) 。也即: 如果某个潜在的、无法观测的干扰项,既影响“因”,又影响“果”,那么,利用最小二乘法模型( 简称OLS模型) 进行回归分析所得到的估计量就会是有偏误的,而不具有因果推断力。在实证分析中,无论是经典的教育回报研究( Card, 1999),还是我国学界非常关注的关系网、社会资本研究( Mouw, 2003, 2006; 陈云松、范晓光,2010,2011) ,内生性问题都极为重要且亟待解决。 解决内生性问题的常见方法,主要包括工具变量( instrumental variable,简称IV) 、固定效应模型( fixed effects model,简称FE) 、倾向值匹配( propensity score matching,简称PSM) 、实验以及准实验( experimentsand quasi-experime
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
#因果推断#
36