Donna Spiegelman teilt dies Präsentation, die sie hielt auf der jüngsten American Causal Inference Convention. Mir gefällt, was sie zu sagen hat.
Hier sind die beiden Teile der Annahme eines stabilen Behandlungswerts:
1. Keine Interferenz zwischen den Einheiten. Wie Spiegelman sagt, ist es heutzutage nicht schwer, Spillover-Effekte zu modellieren. Wie gesagt, die Entwirrung von Spillover-Effekten ist ein schlecht gestelltes inverses Downside, das durch Bayes’sche Folgerung mit vernünftigen Prioritäten gelöst werden kann. Die ernsthafte praktische Arbeit ist über die Section des Nachweisens, dass ein Spillover keine Rolle spielt, zur Section des direkten Modellierens des Spillovers übergegangen.
2. Deterministische potenzielle Ergebnisse. Wie Spiegelman sagt, sind die Ergebnisse in der realen Welt stochastisch. Darüber reden Jonas und ich in unserem Russisches Roulette Papier.
Der Teil, bei dem ich mir weniger sicher bin, ist Spiegelmans Behauptung, dass Anpassungen für Vorbehandlungsvariablen normalerweise keine Rolle spielen. Ich bin davon überzeugt, dass sie in den epidemiologischen und biostatistischen Anwendungen, an denen sie gearbeitet hat, normalerweise keine Rolle spielen, aber ich denke, dass solche Anpassungen in den Sozialwissenschaften wichtig sein können. Vor allem, wenn große Behandlungswechselwirkungen bestehen und sich Ihre Inhabitants stark von Ihrer Stichprobe unterscheidet.
Auf jeden Fall empfehle ich Ihnen, Spiegelmans Folien durchzusehen, da sie eine erfrischende Perspektive im Vergleich zu unserer üblichen obsessiven Fokussierung auf die Particulars der kausalen Identifizierung bietet:
