报告信息
主题：实验个体干扰下的因果推断 – 假设检验与估计
嘉宾：韩吴
地点：腾讯会议：986-339-894（或点击阅读原文）
时间：2023年07月15日（周六） 14:00
报告摘要
因果推断是现代数据科学研究的核心领域之一，它允许研究者确定特定的干预或治疗是否对结果产生影响。因果推断关注的是变量之间的“因果”关系，这需要超越相关性，理解改变一个变量是否会导致另一个变量的改变。推断因果关系的黄金标准是随机对照试验，它随机将受试者分配到治疗组或对照组，并比较结果。虽然随机对照试验为我们提供了进行因果推断的数据，但随后的统计分析往往依赖于一个称为稳定单元处理价值假设（SUTVA）的关键假设。该假设认为一个单元（或个体）的处理不会影响另一个单元的结果。然而，在许多实际情况中，这个假设不成立，导致了所谓的干扰(interference)或SUTVA的违反(SUTVA violation)。干扰可以出现在各种环境中，如社交网络，一个人受到的处理可以影响其他人的结果，或者在市场中，一种实体的受到的处理可以影响其他同类实体。理解和处理干扰是因果推断的一个关键且复杂的方面，它需要更先进的方法来正确估计因果效应。
我们提出了新的统计方法，以解决因果推断中的干扰问题。由于干扰对因果推断所带来的困难，检测干扰的能力在确定最合适的统计分析方法上变得至关重要。为此我们首先讨论在具有递增分配的在线对照试验中(A/B tests with increasing allocation)检测干扰的问题。我们随后转向社交网络干扰引起的复杂问题，引入了新的因果效应估计方法。
嘉宾简介
韩吴，博士，毕业于斯坦福大学统计系，致力于因果推断的研究，特别是实验个体干扰下的因果推断和异质性处理效应。博士阶段师从著名经济学家Guido Imbens教授和计算社会学研究者Johan Ugander教授。韩吴博士及其合作者提出的在社交网络干扰存在下的估计因果效应的方法，使得在复杂网络和社交环境下的因果推断得以实现。韩吴博士及其合作者开发出了一种新的检测线上A/B测试中干扰的统计方法，该方法能够在大规模在线实验中有效地识别干扰。该成果已被 KDD 接收并被应用在领英公司。
统计之都（Capital of Statistics，简称 COS）成立于 2006 年，是一个旨在推广与应用统计学、数据科学知识的公益性网站和社区。
统计之都以专业、人本、正直、团结的理念尝试推动统计和数据科学在中国的发展，促进各行业的创新和繁荣。
继续阅读
阅读原文