Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 |
Tags
- 사영
- causal inference
- 잔차의 성질
- 예제
- backdoor adjustment
- 인과 추론
- 최소제곱법
- 교란 변수
- confounder
- 크롤링
- HTML
- Sharp RD
- 누락편의
- simple linear regression
- 머신러닝
- LU분해
- 네이버 뉴스
- Instrumental Variable
- 인과추론
- Python
- Omitted Variable Bias
- 단순선형회귀
- 선형대수
- 통계
- 회귀불연속설계
- rct
- least square estimation
- OVB
- 교란변수
- residuals
Archives
- Today
- Total
목록UCB (1)
Always awake,

개요 우리는 실험이 필요하다 이전 인과분석 방법론 포스트에서 우리는 교란 요인을 제거하고 원인 변수의 효과를 확인하기 위해서는 RCT(Radomized Control Trials)가 필요하다고 하였습니다. 관찰된 데이터(observational data)에서는 교란 요인의 영향이 존재할 가능성이 높고, 교란 요인에 의해 처치가 결정되는 자기 선택 편향(selection bias)이 발생합니다. 때문에 원인 변수(처치)를 기준으로 두 집단을 나누어도 처치 이외의 특성이 평균적으로 동일하지 않게 되고 결국 두 집단을 비교한 결과가 인과 효과가 아니라는 것입니다.(참고 : 교란 변수) 물론 교란 요인을 통제하여 인과 효과를 측정할 수 있습니다. 하지만, 교란 요인이 무엇인지 알기 힘들 뿐더러 모든 교란 요인을..
인과추론(Causal Inference)
2022. 3. 22. 00:58