Modelo causal de Rubin
O modelo causal de Rubin (MCR), também conhecido como modelo causal de Neyman-Rubin, [1] é uma abordagem para a análise estatística de causa e efeito com base na estrutura de resultados potenciais, nomeado após Donald Rubin. O nome "modelo causal de Rubin" foi cunhado pela primeira vez por Paul W. Holland. [2] A estrutura de resultados potenciais foi proposta pela primeira vez por Jerzy Neyman em sua tese de mestrado em 1923, [3] embora ele a tenha discutido apenas no contexto de experimentos completamente aleatórios. [4] Rubin o estendeu em uma estrutura geral para pensar sobre causalidade em estudos observacionais e experimentais. [1]
Introdução[editar | editar código-fonte]
O modelo causal de Rubin é baseado na ideia de resultados potenciais. Por exemplo, uma pessoa teria uma renda específica aos 40 anos se tivesse frequentado a faculdade, ao passo que teria uma renda diferente aos 40 anos de idade se não tivesse frequentado a faculdade. Para medir o efeito causal de ir para a faculdade para essa pessoa, precisamos comparar o resultado para o mesmo indivíduo em ambos os futuros alternativos. Uma vez que é impossível ver ambos os resultados potenciais ao mesmo tempo, um dos resultados potenciais está sempre faltando. Esse dilema é o "problema fundamental da inferência causal". [2]
Resultados potenciais[editar | editar código-fonte]
Suponha que José esteja participando de um teste para um novo medicamento para hipertensão. Se fôssemos oniscientes, saberíamos os resultados de José sob tratamento (a nova droga) e controle (sem tratamento ou com o tratamento padrão atual). O efeito causal, ou efeito do tratamento, é a diferença entre esses dois resultados potenciais.
| Sujeito | |||
|---|---|---|---|
| José | 130 | 135 | −5 |
é a pressão sanguínea de José se ele tomar a nova pílula. Em geral, esta notação expressa o resultado potencial que resulta de um tratamento, t, em uma unidade, u. De forma similar, é o efeito de um tratamento diferente, c ou controle, em uma unidade, u. Nesse caso, é a pressão arterial de José se ele não tomar a pílula. é o efeito causal de tomar o novo medicamento.
Conclusão[editar | editar código-fonte]
O modelo causal de Rubin também foi conectado a variáveis instrumentais [5] e outras técnicas de inferência causal. Para saber mais sobre as conexões entre o modelo causal de Rubin, modelagem de equações estruturais e outros métodos estatísticos para inferência causal, consulte Morgan e Winship (2007) [6] e Pearl (2000). [7] Pearl (2000) argumenta que todos os resultados potenciais podem ser derivados de Modelos de Equações Estruturais, unificando assim a econometria e a análise causal moderna.
Veja também[editar | editar código-fonte]
Referências[editar | editar código-fonte]
- ↑ a b Sekhon, Jasjeet (2007). «The Neyman–Rubin Model of Causal Inference and Estimation via Matching Methods». The Oxford Handbook of Political Methodology. [S.l.: s.n.]
- ↑ a b Holland, Paul W. (1986). «Statistics and Causal Inference». J. Amer. Statist. Assoc. 81 (396): 945–960. JSTOR 2289064. doi:10.1080/01621459.1986.10478354
- ↑ Neyman, Jerzy. Sur les applications de la theorie des probabilites aux experiences agricoles: Essai des principes. Master's Thesis (1923). Excerpts reprinted in English, Statistical Science, Vol. 5, pp. 463–472. (D. M. Dabrowska, and T. P. Speed, Translators.)
- ↑ Rubin, Donald (2005). «Causal Inference Using Potential Outcomes». J. Amer. Statist. Assoc. 100 (469): 322–331. doi:10.1198/016214504000001880
- ↑ Angrist, J.; Imbens, G.; Rubin, D. (1996). «Identification of Causal effects Using Instrumental Variables» (PDF). J. Amer. Statist. Assoc. 91 (434): 444–455. doi:10.1080/01621459.1996.10476902
- ↑ Morgan, S.; Winship, C. (2007). Counterfactuals and Causal Inference: Methods and Principles for Social Research. New York: Cambridge University Press. ISBN 978-0-521-67193-4
- ↑ Pearl, Judea (2000). Causality: Models, Reasoning, and Inference 2nd, 2009 ed. [S.l.]: Cambridge University Press