최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기응용통계연구 = The Korean journal of applied statistics, v.29 no.5, 2016년, pp.849 - 858
(숭실대학교 정보통계보험수리학과) , 김지현 (숭실대학교 정보통계보험수리학과)
It is important to control confounding bias when estimating the causal effect of treatment in an observational study. We illustrated that the covariate selection in the causal inference is different from the variable selection in the ANCOVA model. We then investigated the three criteria of covariate...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
관측 자료를 이용해 인과연구(causal study)를 하고자 할 때 중요한 것은 무엇인가? | 확률화(randomization)가 이루어진 실험 자료가 아닌 관측 자료를 이용해 인과연구(causal study)를 하고자 할 때 처리효과(treatment effect)를 제대로 추정하기 위해 조건화해야 할 변수들을 선택하는 문제는 매우 중요하다. LaLonde (1986)의 예에서와 같이 직업훈련 프로그램 이수 여부가 소득 향상에 미치는 효과를 추정하고자 할 때 프로그램 이수 여부를 피실험자가 선택(self-selection)하므로 프로그램을 이수한 집단과 하지 않은 집단의 특성, 예를 들어 교육수준이나 나이 등의 특성이 다르게 되는데, 이러 한 특성의 차이에 대한 고려 없이 단순히 프로그램을 이수한 집단과 이수하지 않은 집단의 평균 소득의 차이만으로 교육의 효과를 추정하면 편향된 추정량을 얻게 된다. | |
처리변수란 무엇인가? | 직업훈련 프로그램의 이수 여부와 같이 그 인과효과(causal effect)를 알고 싶은 변수를 처리변수라고 하고, 소득과 같이 비교하고 싶은 크기를 나타내는 변수를 반응변수라고 하자. 이 두 변수 이외에 관측되는 변수들을 공변량(covariates 또는 concomitant variables)이라고 할 때, 처리효과의 비편향 추정량을 얻기 위해 조건화해야 하는 공변량들을 선택하는 방법 또는 기준이 중요하다. | |
회귀분석 또는 공분산분석에 사용되는 변수선택기준이 인과연구에 사용하기 적합하지 않은 이유는 무엇인가? | 이 두 변수 이외에 관측되는 변수들을 공변량(covariates 또는 concomitant variables)이라고 할 때, 처리효과의 비편향 추정량을 얻기 위해 조건화해야 하는 공변량들을 선택하는 방법 또는 기준이 중요하다. 반응변수에 관한 모형에서 변수를 선택할 때는 모형에 의한 예측값이 관측값에 얼마나 가까운가를 보는 것이고, 인과연구에서 변수를 선택할 때는 어떻게 하면 처리효과를 편향되지 않게 추정할 수 있을까를 보는 것이기 때문에 변수를 선택하는 목적이 다르다. 따라서 회귀분석 또는 공분산분석(analysis of covariance; ANCOVA) 모형에서 쓰이는 변수선택기준은 인과연구에서 처리효과를 제대로 추정하기 위한 공변량선택기준으로 적합하지 않다. |
Greenland, S., Pearl, J., and Robins, J. M. (1999). Causal diagrams for epidemiologic research, Epidemiology, 10, 37-48.
LaLonde, R. J. (1986). Evaluating the econometric evaluations of training programs with experimental data, American Economic Review, 76, 604-620.
Pearl, J. (1993). Comment: graphical models, causality, and intervention, Statistical Science, 8, 266-269.
Pearl, J. (1995). Causal diagrams for empirical research, Biometrika, 82, 669-688.
Pearl, J. (2009). Causality: Models, Reasoning, and Inference, Cambridge University Press, Cambridge.
Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies, Journal of Educational Psychology, 66, 688-701.
Rubin, D. B. (1990). Formal modes of statistical inference for causal effects, Journal of Statistical Planning and Inference, 25, 279-292.
Rubin, D. B. (2009). Author's reply (to Pearl's, Arvid's and Sjolander's letters to the editor), Statistics in Medicine, 28, 1420-1423.
VanderWeele, T. J. and Shpitser, I. (2011). A new criterion for confounder selection, Biometrics, 67, 1406-1413.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.