M1-058M1: 数学与统计基础因果推断Medium
⚡闪卡盲测➔掌握度:
解释倾向得分匹配(PSM)与逆概率加权(IPW)。
🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
📐 核心数学机理公式
⚡ 一句话直击要害答案
PSM 用倾向得分匹配相似样本;IPW 用 1/倾向得分重加权,构造伪随机化总体。
📌 核心要点提炼
- •倾向得分 e(X)=P(T=1|X)
- •重叠性假设:0<e(X)<1
- •IPW 对倾向得分模型误设敏感
📐 数学机理与严密推导
倾向得分 e(X)=P(T=1|X) 是'在给定协变量下接受处理的概率',它把高维协变量压缩为一维——这是 Rosenbaum & Rubin (1983) 的核心定理:若控制 X 后处理可忽略,则控制 e(X) 同样可忽略。PSM 通过匹配倾向得分相近的处理/对照个体来构造可比组,直观但丢弃未匹配样本且匹配质量难控。IPW 的思路完全不同:给每个观测赋予权重 1/e(X)(处理组)或 1/(1−e(X))(对照组),使得加权后的样本在协变量分布上模拟随机化——直觉是'倾向得分低却接受了处理的人代表了很多没被处理的人,故应放大其权重'。IPW 估计量可写为加权均值差,且有两组正确性条件:倾向得分模型正确,或结果模型正确(后者对应 DR)。
🏭 深度剖析与工业落地权衡
实践要点:① 假设与诊断——需满足条件可忽略性(无未观测混淆,不可检验)、重叠性/正性(0<e(X)<1,即每个个体都有机会接受两种处理)、SUTVA。诊断手段:检查倾向得分的重叠区域(画两组的 e(X) 分布)、用标准化偏差(standardized bias)检查加权/匹配后的协变量平衡、检查有效样本量(ESS)。② IPW 的方差问题——权重可能极大(当 e(X)→0 或 1 时),导致方差爆炸;缓解手段是稳定化权重(乘以边际处理概率,SNIPS)、权重截断(trimming,如限制到 99 分位)、或用 overlap weights(一种自带降方差性质且不需截断的加权方案)。③ PSM 的常见误用——只匹配倾向得分而不检查协变量平衡、用匹配后样本直接做 t 检验(未考虑匹配的不确定性)、丢弃大量样本导致外部效度下降(估的是 ATT 而非 ATE)。④ PSM vs IPW 选择——IPW 用全部样本、理论基础更清晰(可推导渐近方差)、更易扩展(DR、TMLE),现代实践中更受推荐。
⚠️ 常见面试陷阱与高频失分点
- ✕只匹配倾向得分但不检查协变量平衡
- ✕忽视重叠性假设(e(X) 接近 0 或 1 时权重爆炸)
🎯 面试官连环追问与延伸考察
- ?IPW 方差很大怎么办?(稳定化权重/trimming)
- ?双重稳健(DR)为什么更稳?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
📚