[论文解读] Causal inference from $2^k$ factorial designs using the potential outcomes model

Tirthankar Dasgupta, Natesh S. Pillai+1 more|arXiv (Cornell University)|Nov 11, 2012

Optimal Experimental Design Methods参考文献 17被引用 16

一句话总结

本文提出了一种基于潜在结果模型的 2^k 因子设计因果推断框架，将奈曼的重复抽样方法和费舍尔的随机化检验扩展至因子设计，实现有限总体推断。该框架支持非平均估计量的估计，其推断灵活性优于普通最小二乘法（OLS），增强了因子实验中的因果识别能力。

ABSTRACT

A framework for causal inference from two-level factorial designs is proposed. The framework utilizes the concept of potential outcomes that lies at the center stage of causal inference and extends Neyman's repeated sampling approach for estimation of causal and randomization tests based on Fisher's sharp null hypothesis to the case of 2-level factorial experiments. The framework allows for statistical inference from a finite population, permits definition and estimation of estimands other than average factorial effects and leads to more flexible inference procedures than those based on ordinary least squares estimation from a linear model.

研究动机与目标

• 开发一种基于潜在结果模型的 2^k 因子实验因果推断框架。
• 将奈曼的重复抽样方法和费舍尔的随机化检验扩展至因子设计。
• 实现从有限总体而非大样本近似中进行推断。
• 支持定义和估计超越平均因子效应的估计量。
• 提供比基于普通最小二乘法（OLS）的推断方法更灵活的推断程序。

提出的方法

• 以潜在结果模型作为因果推断的基础框架。
• 应用奈曼的重复抽样方法，在随机化条件下估计因果效应。
• 在因子设计中应用费舍尔的精确零假设进行基于随机化的检验。
• 推导出超越平均因子效应的估计量，例如分位数或分布效应。
• 基于随机化分布构建检验统计量，以在不依赖分布假设的情况下评估显著性。
• 整合有限总体推断，以提升小样本因子实验中推断的有效性。

实验结果

研究问题

• RQ1 潜在结果如何用于定义 2^k 因子设计中的因果估计量？
• RQ2 在潜在结果框架下，基于随机化的推断在因子实验中扮演何种角色？
• RQ3 在这些设计中，是否可以合理地定义和估计非平均因子效应的估计量？
• RQ4 与基于 OLS 的推断相比，该框架在灵活性和假设方面有何改进？
• RQ5 有限总体推断对因子实验中的因果推断有何影响？

主要发现

• 该框架利用潜在结果模型在 2^k 因子设计中实现因果推断，确保与现代因果推断原则的方法论一致性。
• 在费舍尔的精确零假设下，基于随机化的推断被扩展至因子设计，可在不依赖分布假设的情况下获得有效的 p 值。
• 在该框架内，可定义并估计非平均因子效应的估计量，如分位数或分布效应。
• 该方法支持有限总体推断，提升了小样本实验情境下的相关性和有效性。
• 该方法通过避免线性模型假设，支持对多样化估计量的推断，因此在灵活性上优于 OLS。
• 通过严格的基于随机化的推断，该框架增强了因子实验中因果结论的稳健性和可解释性。