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