1/1因果發現中的選擇偏倚第一部分選擇偏倚的概念和定義 2第二部分選擇偏倚對因果發現的影響 4第三部分產生選擇偏倚的機制 6第四部分常用的處理選擇偏倚的方法 9第五部分傾向得分匹配在因果推斷中的應用 11第六部分反事實因果推理與選擇偏倚 14第七部分儀器變量法與選擇偏倚的克服 15第八部分因果圖模型中的選擇偏倚建模 19

第一部分選擇偏倚的概念和定義關鍵詞關鍵要點【選擇偏倚的概念】

1.選擇偏倚是一種系統性誤差，其中研究樣本不代表目標總體，導致研究結果有偏差。

2.這種偏倚可能源于研究設計、數據收集方法或自變量和因變量之間的非隨機關系。

3.選擇偏倚可能會導致對因果關系的錯誤推斷，低估或高估真實影響。

【選擇偏倚的定義】

選擇偏倚的概念和定義

在因果發現中，選擇偏倚是一種由于研究參與者的非隨機選擇而產生的系統性偏差。它會導致錯誤的因果推論，因為觀察到的結果不代表整個總體或比較組。

選擇偏倚通常源于研究設計或數據收集過程中的選擇性。它可以分為以下幾種類型：

自愿反應偏倚

*參與者自愿參加研究，而該研究對某些群體或具有特定特征的個人更具有吸引力。

*這會導致研究樣本中代表性不足，從而使結果對總體不可推廣。

募集偏倚

*研究人員在選擇研究參與者時使用非隨機方法。

*例如，從方便獲取的群體（如學生或醫院患者）進行抽樣會導致對特定人口的過度代表或低代表。

選擇幸存偏倚

*在縱向研究中，研究參與者在研究過程中可能會脫落或退出。

*如果脫落與研究結果相關，則會導致樣本選擇性發生變化，從而影響觀察到的結果。

混雜偏倚

*混雜因素是影響研究結果的第三個變量，但被研究人員忽略。

*混雜偏倚可以掩蓋或夸大觀察到的因果關系。

選擇偏倚的影響

選擇偏倚對因果推論造成嚴重影響，包括：

*錯誤的因果推斷：由于研究樣本不具有代表性，因此觀察到的關聯或因果關系可能夸大或低估了總體中真正的影響。

*不可推廣性：研究結果不能推廣到整個總體，因為樣本不具有代表性。

*難度辨別：選擇偏倚可能難以識別，特別是當研究設計不透明或數據收集方法不嚴格時。

解決選擇偏倚

解決選擇偏倚至關重要，以確保因果推論的有效性。以下是一些方法：

*使用隨機抽樣技術以獲得具有代表性的研究樣本。

*考慮使用權重或調整方法來校正樣本中代表性不足或過度代表的人群。

*識別和控制混雜因素，以避免其影響因果推論。

*使用縱向研究設計并仔細跟蹤脫落情況，以盡量減少選擇幸存偏倚。

*進行敏感性分析以評估選擇偏倚的潛在影響。

結論

選擇偏倚是因果發現中一種常見的威脅，它可以扭曲觀察到的結果并導致錯誤的因果推論。通過了解其概念、類型和影響，研究人員可以采取措施識別和解決選擇偏倚，從而確保因果推論的有效性。第二部分選擇偏倚對因果發現的影響關鍵詞關鍵要點主題名稱：選擇偏倚的類型

1.自變量選擇偏倚：因變量和自變量之間的關系受到不平衡自變量分布的影響，導致錯誤地高估或低估因果效應。

2.因變量選擇偏倚：當研究者在觀測時只考慮因變量的特定取值，而不考慮其他相關因素，導致對因果關系的估計產生偏差。

3.混雜變量選擇偏倚：當研究者未能控制或調整混雜變量時，可能導致對因果關系的錯誤估計。

主題名稱：選擇偏倚的影響

選擇偏倚對因果發現的影響

選擇偏倚是一種系統誤差，因研究參與者或觀測到的數據是非隨機抽取而產生。在因果發現中，選擇偏倚會對結果產生重大影響，導致對因果關系的錯誤推斷。

選擇性納入偏倚

選擇性納入偏倚是指研究人員在研究中納入或排除參與者時存在系統偏見，導致樣本人群無法代表總體人群。這可能發生在各種情況下，例如：

*自愿者偏差：參與者自愿參加研究，可能導致樣本中的某些人群過量代表。

*生存偏差：只有在研究期間存活的參與者被納入，導致對死亡或脫落的影響被低估。

*篩選偏差：研究人員根據特定標準篩選參與者，導致特定子組群體的排除。

選擇性缺失偏倚

選擇性缺失偏倚是指研究期間部分參與者的數據丟失或不可用。這可能發生在各種情況下，例如：

*缺失值偏差：缺失數據的原因與被研究的變量相關，導致錯誤推斷因果關系。

*觀察期偏差：參與者在研究的不同時期被觀測，導致對因果關系動態的錯誤推斷。

*失訪偏差：參與者在研究期間脫落或退出，導致樣本中某些人群過量代表。

選擇偏倚對因果發現的影響

選擇偏倚會對因果發現產生以下影響：

*虛假因果關系：選擇偏倚?????????????????????????????????????????????????????????.

*因果關系的夸大或低估：????????????????????????????????????????????????????????????????????????.

*????????????????????????：????????????????????????????????????????????????????????????????.

?????????????????

??????????????????????????????????????????????????????????????:

*???????????????????:???????????????????????????????????????????????????.

*???????????????:????????????????????????????????????????????????????????.

*??????????????????????:???????????????????????????????????????????????????????????????????????????.

*?????????????:??????????????????????????????????????????????????????????.

???????

????????????????????????????????????????????????.?????????????????????????????????????????????????????????????????????????????.?????????????????????????????????????????????????????????????????????????????????????.第三部分產生選擇偏倚的機制關鍵詞關鍵要點【選擇偏倚的產生機制】

主題名稱：采樣偏差

1.參與研究的個體無法代表總體，導致觀察到的因果關系與真實因果關系不同。

2.可能由于入組標準、排除標準或其他限制而產生采樣偏差。

3.例如，僅研究接受過特定治療的患者可能會低估或高估治療效果，因為這些患者可能與未接受治療的患者不同。

主題名稱：混淆因素

產生選擇偏倚的機制

選擇偏倚的產生機制多種多樣，主要有以下幾種：

1.自我選擇偏差

自我選擇偏差是指參與者自愿選擇參與研究，導致參與者與未參與者之間存在系統性差異。例如，一項關于吸煙對健康的調查可能招募到更多吸煙者，因為吸煙者更有可能對該主題感興趣。因此，研究結果可能高估了吸煙對健康的影響。

2.參與不全

參與不全是指研究參與者與目標人群之間存在差異。例如，一項關于投票意向的調查可能排除無法獲得互聯網或電話的參與者。因此，研究結果可能不代表目標人群的真實偏好。

3.丟失數據

丟失數據是指研究期間參與者脫落或數據丟失。例如，一項關于癌癥存活率的研究可能隨時間推移失去一些參與者。因此，研究結果可能無法準確反映整個群體的存活率。

4.測量誤差

測量誤差是指數據收集方法中存在的系統性誤差，導致收集到的數據與真實情況不符。例如，一項關于體質指數的調查可能由于參與者報告體重或身高不準確而產生偏差。因此，研究結果可能無法準確反映群體的實際體質指數。

5.混雜變量

混雜變量是可能影響研究結果的未觀測或未控制的因素。例如，一項關于教育對收入的影響的研究可能混淆了智力或家庭背景的影響。因此，研究結果可能無法準確反映教育對收入的因果關系。

6.逆向因果關系

逆向因果關系是指結果變量實際上是自變量的原因。例如，一項關于吸煙對肺癌的影響的研究可能受到逆向因果關系的影響，即肺癌患者更有可能吸煙。因此，研究結果可能無法準確反映吸煙對肺癌的因果關系。

7.生存偏倚

生存偏倚是指研究結果僅反映了研究期間存活個體的特征。例如，一項關于癌癥死亡率的研究可能僅包括確診后仍然存活的癌癥患者。因此，研究結果可能無法準確反映整個癌癥患者群體的死亡率。

8.發表偏倚

發表偏倚是指傾向于發表具有統計顯著性結果的研究，而忽略不顯著結果。例如，一項關于一種新藥療效的研究可能更有可能發表陽性結果，而忽略陰性結果。因此，發表的研究結果可能夸大了該藥物的療效。

9.應答率偏差

應答率偏差是指參與研究的參與者與目標人群之間存在差異。例如，一項關于吸煙習慣的調查可能收到更多吸煙者的回復，因為吸煙者更有可能對該主題感興趣。因此，研究結果可能高估了目標人群中吸煙的患病率。

10.樣本選擇偏差

樣本選擇偏差是指研究抽樣方法導致參與者與目標人群之間存在差異。例如，一項關于貧困對教育的影響的研究可能過度抽樣貧困社區，導致研究結果無法準確反映整個目標人群。

通過了解產生選擇偏倚的這些機制，研究人員可以采取措施來最小化偏倚的影響，并提高研究結果的可信度。第四部分常用的處理選擇偏倚的方法選擇偏倚的常用處理方法

1.匹配方法

*傾向得分匹配（PropensityScoreMatching）：使用傾向得分對處理組和對照組進行匹配，傾向得分衡量個體接受處理的概率。

*卡方匹配：根據處理組和對照組在協變量上的卡方統計值進行匹配。

*近鄰匹配：對每個處理組個體，在對照組中找到其具有相似協變量值的近鄰個體。

2.加權方法

*逆概率加權（InverseProbabilityWeighting）：為每個個體分配一個權重，該權重由其接受處理的概率的倒數決定。

*傾向得分加權（PropensityScoreWeighting）：為每個個體分配一個權重，該權重與傾向得分成正比。

*標準化權重（StandardizationWeighting）：將每個處理組的權重標準化為1。

3.回歸方法

*協變量調整（CovariateAdjustment）：在回歸模型中控制協變量，以估計處理效應。

*傾向得分調整（PropensityScoreAdjustment）：在回歸模型中調整傾向得分，以控制處理選擇過程中的選擇偏倚。

*雙重穩健估計（DoubleRobustEstimation）：使用傾向得分和協變量調整回歸模型，并證明估計是對傾向得分和協變量模型誤差的穩健的。

4.工具變量方法（IV）

*尋找工具變量：找到與處理相關但不影響結果的變量（工具變量）。

*執行兩階段最小二乘法（2SLS）：使用工具變量進行處理效應的回歸估計。

5.其他方法

*馬爾可夫鏈蒙特卡羅（MCMC）方法：模擬數據的后驗分布，并使用貝葉斯方法估計治療效果。

*傳感器網絡：部署傳感器以收集處理選擇或結果信息，以最小化選擇偏倚。

選擇方法的注意事項

選擇處理選擇偏倚的最佳方法取決于具體的研究問題和數據特征。需考慮以下因素：

*協變量的可用性：回歸方法和工具變量方法需要豐富的協變量信息。

*處理選擇過程的機制：傾向得分方法和加權方法假設處理選擇是隨機的，而IV方法假設存在特定的工具變量。

*數據的規模和分布：匹配方法和加權方法通常需要足夠大的樣本量和均衡的處理分布。

*數據污染的可能性：回歸方法和IV方法可能受到數據污染的影響，而MCMC方法可以緩解這個問題。

重要的是要注意，沒有一種方法可以完全消除選擇偏倚。然而，通過使用這些方法，研究人員可以顯著減少其對因果推斷的影響。第五部分傾向得分匹配在因果推斷中的應用傾向得分匹配在因果推斷中的應用

傾向得分匹配是一種有效的因果推斷技術，用于減少選擇偏倚對觀測研究結果的影響。選擇偏倚是指由于組間無法觀察到的混雜因素導致的治療組和對照組之間的差異，從而影響真實處理效果的估計。

傾向得分匹配的基本原理

傾向得分匹配的基本原理是：對于給定的協變量集合，通過計算個體接受治療的概率（傾向得分），將處理組和對照組中的個體匹配起來。匹配后，兩個組在協變量上的分布將更相似，從而降低選擇偏倚。

傾向得分匹配的步驟

傾向得分匹配的典型步驟如下：

1.估計傾向得分：使用邏輯回歸或其他分類方法，根據協變量集合（X）估計每個個體的傾向得分（e(X))。傾向得分表示個體接受特定治療的概率。

2.匹配：使用傾向得分對處理組和對照組中的個體進行匹配。匹配方法包括：

-最近鄰匹配：為每個處理組個體找到傾向得分最接近的對照組個體。

-卡尺匹配：為每個處理組個體找到傾向得分在指定卡尺范圍內的對照組個體。

-內核匹配：使用加權函數（例如高斯核）對傾向得分相近的個體進行匹配。

3.驗證匹配的質量：通過評估匹配前后協變量平衡的程度來驗證匹配的質量。如果匹配后協變量分布相似，則說明選擇偏倚已被有效減少。

4.估計處理效果：在匹配后的樣本當中估計處理效果，例如平均處理效應（ATT）。

傾向得分匹配的優點和局限性

優點：

*減少選擇偏倚，提高因果推斷的有效性。

*適用于非隨機觀測研究，例如隊列研究和橫斷面研究。

*可以處理連續和分類協變量。

局限性：

*對協變量的充分調整至關重要，未觀測到的混雜因素仍然可能導致偏倚。

*匹配可能導致樣本量的減少，特別是當傾向得分分布重疊不大時。

*匹配的質量取決于用于估計傾向得分的模型和匹配方法的選擇。

示例

為了說明傾向得分匹配的應用，讓我們考慮一項評估教育干預措施對學生成績影響的研究。該研究收集了學生的背景信息（例如種族、性別、家庭收入），但分配給治療組和對照組的過程并非隨機。

研究人員估計了學生接受干預的傾向得分，并使用卡尺匹配方法對處理組和對照組中的學生進行了匹配。匹配后，學生在背景信息上的分布變得更加相似，從而降低了選擇偏倚。

通過比較匹配后的處理組和對照組之間的學生成績，研究人員估計了教育干預措施的平均處理效應。這一估計值比在未匹配的樣本中獲得的估計值更可靠，因為它消除了選擇偏倚的潛在影響。

結論

傾向得分匹配是一種強大的因果推斷技術，通過減少選擇偏倚，提高了非隨機觀測研究中處理效果估計的有效性。然而，妥善應用傾向得分匹配需要充分調整協變量、驗證匹配質量并考慮潛在的局限性。第六部分反事實因果推理與選擇偏倚反事實因果推理與選擇偏倚

反事實因果推理是因果發現中一種重要的技術，它通過假設一個事實與實際情況相反的“反事實”世界來推斷因果關系。在反事實推理中，可以利用選擇偏倚來了解因果關系。

選擇偏倚

選擇偏倚是一種系統性錯誤，它會導致研究樣本與目標人群不匹配，從而影響因果推斷的準確性。例如，如果研究人員只對愿意參加研究的個體進行研究，那么研究結果可能會高估或低估實際的因果效應，因為那些不愿意參加研究的個體的特征可能與那些愿意參加研究的個體的特征不同。

反事實因果推理中的選擇偏倚

在反事實因果推理中，選擇偏倚可以通過以下方式影響因果推斷：

*忽略了未觀測的對照組：反事實因果推理假設存在一個與實際觀察到的樣本具有可比特征的未觀測的對照組。然而，選擇偏倚可能會導致未觀測的對照組與觀察到的樣本具有不同的特征，從而使因果推斷產生偏差。

*夸大了因果效應：如果研究樣本中過度代表了對干預措施反應較好的個體，那么因果效應可能會被夸大。這是因為未觀測的對照組中可能包含較多對干預措施反應較差的個體，這意味著實際的因果效應可能較小。

*低估了因果效應：如果研究樣本中過度代表了對干預措施反應較差的個體，那么因果效應可能會被低估。這是因為未觀測的對照組中可能包含更多對干預措施反應較好的個體，這意味著實際的因果效應可能更大。

解決選擇偏倚

有幾種方法可以解決反事實因果推理中的選擇偏倚：

*匹配：研究人員可以根據年齡、性別、教育水平等共同變量對研究樣本和未觀測的對照組進行匹配。這有助于減少選擇偏倚，因為匹配后的樣本和目標人群將具有相似的特征。

*逆加權：研究人員可以對研究樣本中的個體進行加權，以反映他們在目標人群中的相對代表性。這有助于調整選擇偏倚，因為那些在目標人群中較少代表的個體將被賦予更高的權重。

*傾向評分匹配：研究人員可以使用傾向評分匹配技術來估計個體參與研究的概率。然后，他們可以使用這些傾向評分來匹配研究樣本和未觀測的對照組，從而減少選擇偏倚。

*儀器變量：研究人員可以使用儀器變量來識別因果效應，這些儀器變量與結果變量相關，但與選擇偏倚無關。這有助于去除選擇偏倚，因為儀器變量提供了一個自然的對照組，不受選擇偏倚的影響。

通過解決選擇偏倚，研究人員可以提高反事實因果推理的準確性，并獲得更可靠的因果關系推斷。第七部分儀器變量法與選擇偏倚的克服關鍵詞關鍵要點基于假設的儀器變量法

1.確定一個工具變量，該變量與內生變量相關，但與干擾項無關。

2.通過兩階段最小二乘法(2SLS)估計結構性方程，得到無偏估計值。

3.魯棒性檢驗，包括弱工具變量問題和內生性問題的檢測。

基于非假設的儀器變量法

1.采用工具變量回歸方法，不依賴于先驗的假設。

2.利用工具變量識別變化，例如差分法或工具變量擬真法。

3.適用范圍廣，但對數據要求較高，且可能存在弱工具變量問題。

雙重健壯儀器變量法

1.結合基于假設和非假設的儀器變量法，增強估計值的魯棒性。

2.利用GMM或Bootstrapping方法估計，提高效率。

3.可檢測和糾正內生性和弱工具變量問題，提高估計值的可靠性。

合成控制法

1.創建與處理組相匹配的合成對照組，合成對照組不受到處理的影響。

2.通過比較處理組和合成對照組之間的結果，估算處理效果。

3.適用于沒有隨機化試驗的情況下，對可觀測混雜變量敏感。

PropensityScoreMatching

1.估計個體接受處理的傾向得分，并根據傾向得分匹配處理組和對照組。

2.通過匹配后的比較，估算處理效果。

3.適用于有觀測到的混雜變量但缺乏隨機化試驗的情況，對一些隱藏的混雜變量不敏感。

回歸不連續設計法

1.利用自然實驗或政策變化等設置，將個體分配到處理組和對照組。

2.利用外生分配變量的臨界值，估計處理效果。

3.適用于存在外生分配機制，且滿足局部連續性假設的情況，對未觀測的混雜變量不敏感。儀器變量法與選擇偏倚的克服

選擇偏倚

選擇偏倚是指由于研究對象在暴露和結局之間存在不平衡分配，而導致對因果關系產生錯誤估計的偏差。在因果發現中，選擇偏倚是常見的挑戰，因為它會混淆暴露和結局之間的關聯關系。

儀器變量法

儀器變量法（IV法）是一種用于克服選擇偏倚的統計方法。它利用了一個稱為儀器變量（IV）的外部變量，該變量與暴露相關，但與結局無關或僅通過暴露而影響結局。

IV法的步驟

IV法的實施涉及以下步驟：

1.識別一個儀器變量：尋找一個與暴露相關但與結局無關或僅通過暴露而影響結局的變量。

2.估計儀器變量的效應：使用回歸模型估計IV對暴露的影響。

3.估計IV上的結局效應：使用回歸模型估計IV對結局的影響。

4.估計因果效應：利用IV對暴露和結局的影響估計暴露對結局的因果效應。

IV法的假設

為了產生有效的因果估計，IV法必須滿足以下假設：

*排除性限制：IV僅通過暴露影響結局。

*相關性：IV與暴露相關。

*外生性：IV是獨立于其他影響暴露和結局的因素。

IV法的優點

*可以克服選擇偏倚。

*可以通過尋找滿足IV假設的變量來應用。

*易于實施。

IV法的缺點

*難以找到滿足IV假設的變量。

*如果IV的強度太弱，則估計結果可能不可靠。

*可能會產生偏倚，如果IV不完全滿足IV假設。

IV法的應用

IV法已成功用于各種因果研究領域，包括：

*醫療保健：評估治療干預的因果效應。

*經濟學：研究經濟政策的影響。

*社會學：調查社會因素的影響。

IV法的替代方法

除了IV法之外，還有其他方法可以克服選擇偏倚，包括：

*匹配：將暴露組和未暴露組匹配類似的協變量。

*傾向得分匹配：基于傾向得分匹配個體，傾向得分預測暴露的概率。

*斷點回歸：估計暴露在特定閾值上的因果效應，該閾值將高暴露組和低暴露組分開。

結論

儀器變量法是一種有效的統計方法，用于克服選擇偏倚并估計暴露和結局之間的因果關系。然而，重要的是要意識到IV法的假設和局限性。在選擇IV法時，研究人員應該仔細考慮數據和研究問題，以確保IV法合適且有效。第八部分因果圖模型中的選擇偏倚建模關鍵詞關鍵要點【選擇偏倚建模的局限性】

1.選擇偏倚建模通常需要強大的假設，例如自變量獨立于錯誤項。在現實世界中，這些假設通常難以滿足。

2.選擇偏倚建模可能無法有效處理因果關系中的非線性效應和相互作用。

3.選擇偏倚建模可能受限于數據的可用性和質量，這可能會影響結果的準確性。

【基于匹配的因果圖模型】

因果圖模型中的選擇偏倚建模

選擇偏倚是一種常見的數據分析偏差，當觀測樣本不具有目標總體的所有特征時就會出現。在因果發現中，選擇偏倚可能導致對因果關系的不準確估計，影響結論的有效性。

為了解決因果圖模型中的選擇偏倚，可以使用以下建模方法：

1.反事實

反事實是一種假設性推理，用于估計在不同情況下觀測值的可能值。在因果圖模型中，可以使用反事實框架來構造條件分布，描述如果觀測樣本滿足特定條件，那么目標總體中的觀測值將如何分布。

2.傾向得分匹配

傾向得分匹配是一種統計方法，用于根據觀測樣本的傾向得分（即它們接受干預的概率）對樣本加權。傾向得分匹配通過調整觀測樣本以使其傾向得分分布與目標總體中的傾向得分分布更相似，從而減少選擇偏倚。

3.協變量調整

協變量調整是一種統計方法，用于控制可能導致選擇偏倚的協變量。協變量調整通過在因果模型中包含這些協變量來估計無偏的因果效應。

4.逆概率加權

逆概率加權是一種統計方法，用于對觀測樣本加權以表示它們在目標總體中的相對重要性。逆概率加權通過計算每個觀測樣本的逆概率加權來調整選擇偏倚，其中逆概率加權是該觀測樣本被納入觀測樣本的概率。

5.敏感度分析

敏感度分析是一種評估選擇偏倚對因果推論的影響的方法。敏感度分析通過改變模型中的某些假設或參數，并觀察結果的敏感性來執行。

具體步驟：

1.確定選擇機制：

首先，需要確定導致選擇偏倚的機制，例如非隨機抽樣、缺失數據或測量誤差。

2.選擇建模方法：

根據選擇機制和可用數據選擇適當的建模方法，例如反事實、傾向得分匹配、協變量調整、逆概率加權或敏感度分析。

3.構造因果模型：

使用選定的建模方法構造一個因果模型，該模型包含需要調整的協變量和未知的因果效應。

4.估計因果效應：

使用因果模型估計感興趣的因果效應，同時調整選擇偏倚。

5.評估魯棒性：

通過改變模型假設或參數進行敏感度分析，評估結果對選擇偏倚假設的魯棒性。

通過采用這些建模方法，研究人員可以減輕因果圖模型中的選擇偏倚，從而得出更準確和可靠的因果推論。關鍵詞關鍵要點主題名稱：傾向得分匹配

關鍵要點：

1.通過計算處理組和對照組之間的傾向得分，來估計和匹配可觀察協變量的值，從而減少選擇偏倚。

2.傾向得分估計方法包括邏輯回歸、多元分類、支持向量機和隨機森林。

3.匹配方法包括最近鄰匹配、貪婪匹配和優化匹配，旨在最小化處理組和對照組之間在可觀察協變量上的差異。

主題名稱：逆概率加權

關鍵要點：

1.通過計算每個個體在處理組中被選擇的概率，然后用這個概率對個體進行加權，來調整選擇偏倚。

2.逆概率加權的權重估計方法包括邏輯回歸、多元分類和機器學習算法。

3.逆概率加權的優勢在于它可以調整不可觀察協變量的差異，但可能對極端權重敏感。

主題名稱：斷點回歸不連續性設計

關鍵要點：

1.利用治療干預政策或環境中存在的自然實驗或政策變化，來確定因果效應。

2.通過分析治療干預發生點附近的個體，來識別未選擇參與治療的個體和選擇參與治療的個體之間的因果關系。

3.斷點回歸不連續性設計假設治療干預的分配是在可觀察協變量的某個閾值上隨機發生的。

主題名稱：工具變量法

關鍵要點：

1.使用與治療分配相關的工具變量（IV），來調整選擇偏倚。

2.IV必須滿足排除限制條件，即它與未觀察的混雜因素無關，并且僅通過影響治療分配來影響結果。

3.IV法廣泛用于經濟學和社會科學，但可能難以找到合適的IV。

主題名稱：合成控制法

關鍵要點：

1.通過創建與處理組具有相似可觀察協變量值的合成對