Causal Inference та причинно-наслідковий аналіз

🎓 Основні концепції

Correlation vs Causation

Correlation: Статистичний зв'язок. Не означає причинність.

Causation: Причинно-наслідковий зв'язок. Зміна причини змінює наслідок.

Проблема: Confounding може створити спостережувану кореляцію без причинності.

Confounding

Визначення: Спільна причина treatment та outcome. Створює спостережувану кореляцію.

Приклад: Ліки та одужання. Вік може бути confounder (старші більше хворіють, але також більше приймають ліки).

Рішення: RCT, matching, adjustment для confounders.

Average Treatment Effect (ATE)

Визначення: Середній ефект treatment на outcome. E[Y(1) - Y(0)].

Проблема: Неможливо спостерігати Y(1) та Y(0) одночасно (fundamental problem).

Рішення: RCT або observational methods для оцінки.

🔧 Методи

RCT (Randomized Controlled Trials)

Концепція: Випадкове призначення treatment. Усуває confounding через рандомізацію.

Переваги: Золотий стандарт, усуває confounding.

Недоліки: Дорогий, етично проблематичний, може бути неможливим.

Propensity Score Matching

Концепція: Зіставляє treated та control з подібними propensity scores.

Propensity Score: Ймовірність отримати treatment за умови covariates.

Переваги: Для observational даних, усуває confounding.

Instrumental Variables

Концепція: Використовує instrument (змінна, що впливає на treatment, але не на outcome) для оцінки causal effect.

Умови: Instrument пов'язаний з treatment, не пов'язаний з outcome (крім через treatment).

Застосування: Коли є confounding, але є instrument.

📚 Практичні приклади

Приклад 1: Оцінка ефекту лікування

Дані: Observational дані про лікування та одужання.

Causal Graph: Побудувати DAG. Виявити confounders.

Метод: Використати propensity score matching для усунення confounding.

Оцінка: Обчислити ATE. Перевірити чутливість до припущень.

Приклад 2: Difference-in-Differences для політики

Дані: Дані до/після впровадження політики для treated та control груп.

Parallel Trends: Перевірити parallel trends assumption.

Оцінка: Обчислити DiD estimator для causal effect.

© 2025 Науковий Симулятор. Всі права захищені.

Causal Inference: виявлення причинності

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Dimensionality Reduction: PCA, t-SNE & UMAP і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.