Points de propension

ontext

Dans l'analyse des effets de traitement, supposer que nous avons un binaire T de traitement, un Y de résultats, et le X de variables de fond. Les points de propension de sont définis comme probabilité conditionnelle des variables de fond données par traitement : \ de $p de (x) \ \ stackrel {\ mathrm {def}} {=} \ P.$

On peuvent supposer que les points de propension ont été présentés par Rosenbaum et Rubin (1983) pour fournir une méthode alternative pour estimer des effets de traitement quand la tâche de traitement n'est pas aléatoire, mais unconfounded. Laisser le Y (0) et le Y (1) dénotent les résultats potentiels sous la commande et le traitement, respectivement. Alors la tâche de traitement (conditionnellement) unconfounded si le traitement est le indépendant des résultats potentiels conditionnels sur le X . Ceci peut être écrit de manière compacte As $T de \ perp Y (0), Y (1) | X \,$

là où le $\ perp$ dénote l'indépendance statistique .

Rosenbaum et Rubin ont montré cela si l'unconfoundedness se tient, alors $T de \ perp Y (0), Y (1) | p (X).$

Tandis qu'il est cognitif impossible d'employer définition ci-dessus pour la détermination si l'unconfoundedness se en tient dans la situation spécifique, la perle (2000) a montré cela un critère graphique simple appelé le secret fournit une définition équivalente d'unconfoundedness.

Random links: