CRAN 任务视图:因果推断

维护者Imke Mayer,Pan Zhao,Noah Greifer,Nick Huntington-Klein,Julie Josse
联系方式imke.mayer at inria.fr
版本2023-08-04
网址https://CRAN.R-project.org/view=CausalInference
源代码https://github.com/cran-task-views/CausalInference/
贡献欢迎对该任务视图提出建议和改进,可以通过 GitHub 上的问题或拉取请求,或通过电子邮件发送给维护者地址。有关更多详细信息,请参阅 贡献指南
引用Imke Mayer, Pan Zhao, Noah Greifer, Nick Huntington-Klein, Julie Josse (2023). CRAN 任务视图:因果推断。版本 2023-08-04。网址 https://CRAN.R-project.org/view=CausalInference.
安装可以使用 ctv 包自动安装此任务视图中的包。例如,ctv::install.views("CausalInference", coreOnly = TRUE) 安装所有核心包,或 ctv::update.views("CausalInference") 安装所有尚未安装和更新的包。有关更多详细信息,请参阅 CRAN 任务视图计划

概述

因果推断可以看作是统计分析的一个子领域。它被应用于计量经济学、流行病学、教育科学等各个领域。因果推断解决的是关于治疗、干预或政策对给定样本或总体中某些目标的影响的问题。在某些可识别性和模型假设下,因果推断可以通过拟合简单的回归模型或以特定方式组合多个回归模型来进行,这将在后面概述。对于观察数据,必须做出额外的不可检验的假设才能(非参数地)识别因果效应。

没有直接实现标准因果推断设计的 R 基本函数,但 CRAN 上的许多包(或多或少复杂)实现了许多方法,我们将这些方法结构化为主要主题。

某些因果推断方法起源于计量经济学或临床试验等特定领域,并在这些领域中最受欢迎。因此,在某些情况下,我们会参考其他任务视图,更深入地介绍这些方法。更一般地说,在这个任务视图中,我们关注的是使用观察数据的因果分析。

如果您认为我们错过了列表中的一些重要软件包,请联系维护人员。

随机对照试验 (RCT) 和其他实验数据的分析方法

平均治疗效果估计和其他单变量治疗效果估计

此外,causalsensOVtooldstatsensemakrEValue 提供用于敏感性分析(针对未测量的混杂因素、选择偏差、测量误差)的函数,而 ui 实现用于推导不确定性区间和针对缺失数据和未观察到的混杂因素进行敏感性分析的函数。 cobalttableone 在协变量平衡之前和之后生成平衡表和图,而 confoundr (已归档) 实现针对时变混杂因素的协变量平衡诊断。 WhatIf 提供用于评估重叠和外推的方法。

异质性治疗效果估计

上面提到的某些包也可以用于异质性治疗效果 (HTE) 估计。

策略学习和动态治疗方案

结构方程模型 (SEM),do-calculus 因果发现

此外,dagitty 提供了定义不同类型的图形模型(cpdags、pdag 等)和识别调整集的方法(还提供了一个基于网络的图形环境:DAGitty)。

特定类型的数据

特定应用领域

CRAN 包

核心cobaltdagittyfixestMatchingMatchItmediationpcalgPSweightriskRegressiontmleWeightIt.
常规AIPW, allestimates, alpaca, approxmatch, bacondecomp, bartCause, BCEE, BCHM, behaviorchange, bhm, blocksdesign, bmem, Boptbd, borrowr, bpbounds, BuyseTest, causaldata, causaldrf, causaleffect, CausalGAM, CausalGPS, CausalImpact, CausalMBSTS, causaloptim, CausalQueries, causalsens, causalweight, CBPS, cem, cfdecomp, cfma, CIEE, cit, cjoint, CKAT, clusteredinterference, cna, CompareCausalNetworks, Counterfactual, ctmle, designmatch, did, DiPs, DirectEffects, dosearch, DoubleML, DRDID, drtmle, dstat, DTRlearn2, DTRreg, DynTxRegime, ebal, eefAnalytics, EffectLiteR, EffectTreat, endoSwitch, estimatr, evalITR, EValue, experiment, FindIt, FLAME, generalCorr, gfoRmula, gma, grf, gsynth, hdm, hettx, icsw, idem, inferference, interflex, InvariantCausalPrediction, ipcwswitch, ivdesc, ivmodel, ivmte, ivreg, LARF, lmtp, ltmle, maic, maicChecks, marginaleffects, margins, match2C, matchMulti, MatchThem, medflex, MendelianRandomization, microsynth, modelbased, mr.raps, MRPC, MultisiteMediation, mvGPS, netchain, nonlinearICP, optmatch, optweight, OTRselect, OVtool, PanelMatch, paths, personalized, plm, preference, qte, qtlnet, QTOCen, quantoptr, rcbalance, rcbsubset, rdrobust, regmedint, rpsftm, sampleSelection, sbw, scpi, SEMID, sensemakr, seqDesign, simml, simsl, smartsizer, SortedEffects, SPORTSCausal, stdReg, stepp, stratamatch, subdetect, Synth, tableone, ThreeArmedTrials, tidysynth, tnet, tools4uplift, TrendInTrend, twang, twangContinuous, twangMediation, ui, WhatIf.
已归档confoundrITRLearnITRSelect

相关链接

其他资源