У меня возникают проблемы с пониманием различных оценок, которые можно использовать при оценке воздействия. Я знаю, что оценщик «намерение лечить» (ITT) сравнивает различия между подходящими лицами без программы и подходящими лицами с программой, независимо от соответствия. Тем не менее, я думал, что средний эффект лечения (ATE) также измерял то же самое. Однако, похоже, что ATE учитывает соответствие. Следовательно, он сравнивает результаты между теми, кто имеет право на получение лечения, и теми, кто не имеет на это права. Это правильно?
Я думаю, что ваша проблема - неясность в языке. Я всегда видел «Средний эффект лечения» с намерением лечить как подмножество ATE.
Например:
Анализ ITT оценивает ATE среди тех, кто находится в группе исследования. «Лечение пролеченных» - это оценка ATE среди тех, кто действительно лечился .
источник
В педагогических целях гораздо лучше подумать о трех величинах:
ITT: намерение лечения Эффект - эффект лечения НАЗНАЧЕНИЕ на исход (для всех) ПОЗДНО: местный средний эффект лечения - эффект лечения нет результата ДЛЯ КОМПЛЕКТАЦИЙ ATE: средний эффект лечения - влияние лечения на результат ДЛЯ ВСЕХ
ITT является самым простым. Если мы рандомизируем некоторых людей в лечение, а некоторых в контроль, мы, безусловно, можем восстановить причинный эффект назначения в лечение. Это ITT.
LATE немного сложнее, но меру чаще всего получают с помощью инструментальных переменных / двухэтапных наименьших квадратов и т. Д. Предполагается, что мы не находимся в лабораторных условиях, даже если мы назначаем лечение некоторым людям (T = 1) и назначаем некоторые для контроля (T = 0), люди будут делать то, что они будут делать! Некоторые из них будут проходить лечение (D = 1), а некоторые не будут проходить лечение (D = 0). Мы можем представить, что некоторые люди просто хотят выполнять наши задания. Возможно, мы захотим узнать, что за человек в наших данных - это тот человек, который будет делать то, что мы говорим, кто будет бунтовать, кто всегда вступит в бой, кто никогда не вступит в бой? Чтобы знать это, не делая никаких предположений, нам фактически нужно было бы знать для каждого человека, что они будут делать, если назначат лечение, и что они будут делать, если назначат контроль. Давайте представим Фреда, например. В одной вселенной мы назначаем лечение Фреду. Он поднимает это! В альтернативной вселенной мы назначаем контроль Фреду. Он не принимает лечение! Фред подчинился! Таким образом:
К сожалению, мы не можем точно определить тип личности каждого из людей в наших данных. Мы живем в одной вселенной ... но если мы сделаем предположение (монотонность), мы можем использовать ФАКТИЧЕСКОЕ поведение людей, чтобы подобрать их "тип". Сделав это, мы можем сделать еще несколько предположений (ограничение исключения, достоверная рандомизация, отсутствие нарушений SUTVA по D или Y, релевантность), чтобы рассчитать средний эффект лечения для КОМПЛЕКСОВ. Это ПОЗДНО. Он называется «локальным» средним эффектом лечения, поскольку он не рассчитывает эффект лечения «глобально» (т. Е. Для всех), а вместо этого вычисляет эффект лечения «локально» (т. Е. Для некоторых, особенно для компиляторов). По этой причине его также иногда называют CATE или Complier Average Treatment Effect.
Теперь мы попадаем в мифическое ATE! ATE - это средний эффект лечения - средний эффект лечения для всех , независимо от типа человека, которым они являются. Увы! Наши предположения не позволят нам восстановить АТС! Даже с ними мы можем восстановить эффект лечения только для компиляторов или LATE! Самый простой способ восстановить ATE - убедиться в отсутствии несоответствия. Тогда ваш средний лечебный эффект - это средний лечебный эффект, потому что все являются соблюдающими!
Так что у вас есть это!
источник