Causal inference
역학 연구 대부분은 $\\text{non experimental data}$를 사용하여 인과효과를 추정하는 데 초점을 맞춥니다. 이러한 연구에서는 $\\text{confounding}$의 문제가 필연적으로 제기됩니다. 앞 장의 인과추론을 복습하면, 노출된 개인들과 비노
Collapsibility 정리
대부분의 통계학 문헌에서는 "효과 추정에서 편향의 의미인 $\\text{confounding}$ 개념"과 "$\\text{non-collapsibility}$ 개념"을 구분하지 않는다. 예를 들어, $Y$에 대해 세 가지 회귀 벡터 $W$, $X$, $Z$를 포함한
통계학에서 Horvitz–Thompson 추정량은 Daniel G. Horvitz와 Donovan J. Thompson의 이름을 따온 것으로, 층화 샘플에서 표본 분포와 목표 모집단 간의 차이를 보정하기 위해 역확률 가중치를 적용하여 가상 모집단의 총합과 평균을 추정하
관심 있는 결과 변수가 이분형일 때, 노출의 위험이나 치료효과를 평가하는 측도로 오즈비와 함께 많이 사용됨.오즈비는 $\\text{non - collapsible}$ 성질이 있어 교란 변수를 추가하거나 사건의 확률이 커지면, 추정값이 선형으로 증가하는 것이 아니라 비선
$f(x)$를 모집단 내 공변량 $X$의 주변부 밀도로 나타내면 목표 모집단의 밀도는 $g(x)=f(x)h(x)$로 표현할 수 있다. 여기서 $h(x)$는 미리 지정된 기울기(tilting) 함수로 목표 모집단을 정의합니다. 즉 $f(x)$분포에서 환자 특성을 더 임상