Сравнительный анализ методов оценки среднего причинного эффекта в регрессионном моделировании на основе синтетических выборок
УДК 519.6; 004.67
Abstract
В работе рассматриваются результаты сравнительного анализа методов оценки причинного эффекта (АТЕ) на основе t-теста, линейной регрессии и техники матчинга данных (ближайший сосед, полное соответствие и подклассификация). Выполнена генерация синтетических выборок варьируемого объема от 250 до 1000, различных пропорций в распределении данных на экспериментальную и контрольную группы (50/50, 70/20, 90/10). Генерация данных осуществлена при предположении о нормальном, экспоненциальном и логарифмическом распределении предикторов. Для оценки точности метода используется метрика погрешности МАРЕ. Результаты численного эксперимента показали, что методы сравнения средних и линейной регрессии приводят к недооценке или переоценке АТЕ, а метод полного матчинга (Full Matching) обеспечивает более точные результаты независимо от формы распределения данных. Выявлено, что сбалансированность и больший объем выборок позволяют получить более точные оценки АТЕ. Полученные результаты могут использоваться для подбора и обоснования метода оценки причинных эффектов в случае наличия прямого вмешательства бинарного характера и с учетом нелинейности действия одного из влияющих факторов.
Downloads
References
Rubin D.B. Teaching statistical Inference for causal effects in experiments and Observational studies // Journal of Educational and Behavioral Statistics. 2004. № 29 (3). Р. 343-367.
King G., Lucas C, Nielsen R.A. The Balance-Sample Size Frontier in Matching Metho ds for Causal Inference // American journal of political science. 2016. № 61 (2). P. 1-17.
Rubin D.B. Causal Inference Using Potential Outcomes // Journal of the American Statistical Association. 2011. Vol. 469. No 100. P. 322-331.
Holland PW. Statistics and Causal Inference // Journal of the American Statistical Association. 1986. Т. 81. № 396. P. 945-960.
Френкель А.А., Сурков А.А. Определение весовых коэффициентов при объединении прогнозов // Вопросы статистики. 2017. № 12.С. 3-15.
Rosenbaum PR. The Central Role of the Propensity Score in Observational Studies for Causal Effects // Biometrika. 1983. Vol. 70. № 1. P 41-55.
Rubin D.B. Matching to Remove Bias in Observational Studies // Biometrics. 1967. № 29. P 159-184.
Ming K., Rosenbaum PR. Substantial Gains in Bias Reduction from Matching with a Variable Number of Controls // Biometrics. 2000. № 56. Р 118-124.
Rosenbaum PR., Rubin D.B. Reducing Bias in Observational Studies Using Subclassification on the Propensity Score // Journal of the American Statistical Association. 1984. № 79. P 516-524.
Abdi M.A. Novel Approach for Off-Line Arabic Writer Identification Based on Stroke Feature Combination // 24th International Symposium on Computer Information Science, IEEE. 2009. P. 597-600.
Diamond A. Genetic Matching for Estimating Causal Effects: A General Multivariate Matching Method for Achieving Balance in Observational Studies // Review of Economics and Statistics. 2013. Vol. 95. № 3. P. 932-945.
Ho D.E., Imai K., King G., Stuart E.A. Matchit: Non-parametric Preprocessing for Parametric Causal Inference. Software for Using Matching Methods in R // Journal of Statistical Software. 2011. № 42 (8) P 1-28.
Copyright (c) 2026 Анастасия Павловна Боронкина, Елена Владимировна Понькина, Салтанат Сайларбековна Адиканова
This work is licensed under a Creative Commons Attribution 4.0 International License.
Izvestiya of Altai State University is a golden publisher, as we allow self-archiving, but most importantly we are fully transparent about your rights.
Authors may present and discuss their findings ahead of publication: at biological or scientific conferences, on preprint servers, in public databases, and in blogs, wikis, tweets, and other informal communication channels.
Izvestiya of Altai State University allows authors to deposit manuscripts (currently under review or those for intended submission to Izvestiya of Altai State University) in non-commercial, pre-print servers such as ArXiv.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY 4.0) that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
