“因果处理”特质概述

“拟合模型”平台的“因果处理”特质支持您使用观测数据估计潜在结果的函数。使用广义线性混合模型 (GLMM) 拟合处理和结果模型。这些模型可适应二值型或连续处理类型。

二值型处理

该特质提供了以下用于估计二值型处理的潜在结果均值的方法：

• 采用比率调整的逆概率加权 (IPWR)

• 回归调整 (REGADJ)

• 增强逆概率加权 (AIPW)

您可以指定处理模型和/或响应模型。处理模型估计接受某一处理水平相对于另一水平的概率。响应模型估计结果期望值。仅指定处理模型时，使用 IPWR 来估计平均处理效应 (ATE)。仅指定响应模型时，使用 REGADJ 来估计 ATE。同时指定这两个模型时，使用 AIPW 估计 ATE。该方法具有双重稳健性，即只要正确指定了两个模型中的一个，AIPW 就是 ATE 的一致估计量。

当指定处理模型时，还可使用截断权重和倾向得分匹配选项。若仅指定处理模型且估计方法为 IPWR，则可以使用稳定权重选项。

连续处理

该特质提供了以下用于估计连续处理和连续结果的潜在结果均值的方法：

• 采用 IPWR 的边缘结构建模 (MSM) (Hernán and Robins 2020)

• 广义倾向得分 (GPS) 建模 (Hirano and Imbens 2005)

这两种方法均用于计算指定处理水平下的潜在结果估计值。当处理为连续变量时，需指定处理模型，但不支持指定响应模型。当处理为连续变量时，关注的结果也必须是连续型。

报表组成部分

“因果处理”特质报表包括以下组成部分：

• 全部总体及处理组内的潜在结果估计值

• 总体 (ATE) 及处理组（对接受处理者的平均处理效应）内的潜在结果估计值的差值

• 指定的处理和响应模型的模型拟合结果

• 用于检验必要因果假设的真实性的可视化视图

需要更多信息？有问题？从 JMP 用户社区得到解答 (community.jmp.com).