愿意分配相对较少的单位
Posted: Tue Mar 18, 2025 8:38 am
R. Michael Alvarez：您如何放宽论文中的“无干扰”假设？
杰克·鲍尔斯：我想说的是，我们并没有真正放宽假设，而是回避了将干扰视为假设的需要。由于我们没有使用平均因果效应，因此我们面临的问题并不相同，即要求所有潜在结果都归结为两个平均值。然而，我们必须做的是使用保罗·罗森鲍姆 (Paul Rosenbaum) 可能称之为费舍尔 (Fisher) 的解决方案来解决因果推理的基本问题。费舍尔注意到，即使你不能说某种治疗对人 (i) 有影响，你也可以问我们是否有足够的信息（在我们的设计和数据中）来阐明治疗是否对人 (i) 有影响的问题。在我们的论文中，费舍尔的方法意味着我们不需要用平均值来定义我们科学上有趣的数量。相反，我们必须写下关于没有干扰的假设。也就是说，我们并没有真正放宽假设，而是直接模拟了一个过程。
罗森鲍姆 (2007) 和阿罗诺 (2011) 等人注意到，费舍尔最著名的假设，即无影响的尖锐零假设，实际上并不假设没有干扰，而是暗示没有干扰（即，如果治疗对任何人都没有影响，那么治疗如何分配并不重要）。因此，事实上，无干扰假设并不是我们谈论反事实因果关系的基本部分，而是承诺使用特定技术（简单的平均值比较）的副产品。我们在论文中迈出了下一步，意识到费舍尔的尖锐零假设暗示了一个特定的、非常简单的干扰模型（无干扰模型）。然后我们开始看看我们是否可以写出其他更实质性的干扰模型。所以，这就是我们在论文中所展示的：人们可以写下一个实质性的干扰理论模型（以及实验效应对研究单位产生影响的机制），然后这个模型可以被理解为一个尖锐零假设的生成器，每个假设都可以使用我们之前一直在研究的相同随机化推理工具来测试，以确保它们的清晰性和有效性。
R. Michael Alvarez：您在论文中提出的方法有哪些应用？
杰克·鲍尔斯：我们正在研究几个应用。总的来说，我们的方法有助于了解实验治疗效果机制的实质性模型。
例如，Bruce Desmarais、Mark Fredrickson 和我正在与Nahomi Ichino、Wayne Lee和Simi Wang合作，研究如何设计随机实验来了解治疗方法在社交网络中的传播模型。如果我们认为针对某些 Facebook 用户子集的实验性干预应该以某种特定方式传播，那么我们希望有一种通用的方法来思考如何设计该实验（使用我们的方法来了解该传播模型，同时也使用我上面提到的网络加权平均治疗效果的一些新发展）。我们早期的研究表明，如果治疗确实按照常见的传染病模型在社交网络中传播，那么您可能更来直接干预。
在另一个应用中，Nahomi Ichino、Mark Fredrickson 和我正在使用这种方法，通过加纳的实地实验了解基于代理的种族和政党选民登记欺诈策略相互作用模型。为了改进我们的正式模型，另一位合作者Chris Grady将于今年秋天前往加纳，对当地政党积极分子进行深入采访。
R. Michael Alvarez：政治方法论者在因果推理领域做出了许多贡献。如果您要向研究生推荐两三件他们 发薪日数据 可能考虑在明年从事的该领域研究，您会推荐什么？
杰克·鲍尔斯：关于给研究生的建议：以下是我很想了解的一些问题。
我们应该如何从正式的、以平衡为导向的行为理论转向治疗效果机制模型，以便我们能够检验假设并从数据中了解理论？
如果我们想对干扰模型进行反事实因果推理，我们如何利用基于估计的程序或没有特别关注反事实因果推理而开发的程序？我们应该如何重新解释或使用空间分析工具（如 Rob Franzese 和 Jude Hayes 开发的工具）或网络分析工具（如 Mark Handcock 开发的工具）来回答因果推理问题？
我们如何提供关于如何选择检验统计量来总结这些理论模型的可观察含义的一般建议？我们知道我们文章中使用的 KS 检验的功效相当低。我们从 Rosenbaum（第 2 章，2002 年）中知道，某些类别的检验统计量在一维上具有出色的属性，但我对多参数模型和检验统计量的一般属性感到疑惑，这些属性可能对实验组之间的分布的多向差异很敏感。
我们应该如何将随机研究的思想应用到观察世界中？在社交网络或空间关系的背景下，对混杂/遗漏变量偏差的调整（通过匹配或“控制”或加权）意味着什么？我们应该如何进行和判断这种调整？当我们不再测试一个参数或估计一个数量时，罗森鲍姆启发的敏感性分析或曼斯基启发的边界分析可能意味着什么？
R. Michael Alvarez：您在软件工具开发和统计计算方面做了很多工作。您目前最感兴趣的是什么？
Jake Bowers：我正在从事两个以计算为导向的项目，我觉得这两个项目非常令人兴奋。第一个项目涉及在实验中使用机器学习/统计学习进行最佳协方差调整（与 Mark Fredrickson 和Ben Hansen合作）。第二个项目涉及收集 Google 地图上的数千张手绘地图作为 GIS 对象，以了解人们如何定义和理解他们在加拿大、英国和美国的居住地（与Cara Wong、Daniel Rubenson、Mark Fredrickson、Ashlea Rundlett、Jane Green和Edward Fieldhouse合作）。
杰克·鲍尔斯：我想说的是，我们并没有真正放宽假设，而是回避了将干扰视为假设的需要。由于我们没有使用平均因果效应，因此我们面临的问题并不相同，即要求所有潜在结果都归结为两个平均值。然而，我们必须做的是使用保罗·罗森鲍姆 (Paul Rosenbaum) 可能称之为费舍尔 (Fisher) 的解决方案来解决因果推理的基本问题。费舍尔注意到，即使你不能说某种治疗对人 (i) 有影响，你也可以问我们是否有足够的信息（在我们的设计和数据中）来阐明治疗是否对人 (i) 有影响的问题。在我们的论文中，费舍尔的方法意味着我们不需要用平均值来定义我们科学上有趣的数量。相反，我们必须写下关于没有干扰的假设。也就是说，我们并没有真正放宽假设，而是直接模拟了一个过程。
罗森鲍姆 (2007) 和阿罗诺 (2011) 等人注意到，费舍尔最著名的假设，即无影响的尖锐零假设，实际上并不假设没有干扰，而是暗示没有干扰（即，如果治疗对任何人都没有影响，那么治疗如何分配并不重要）。因此，事实上，无干扰假设并不是我们谈论反事实因果关系的基本部分，而是承诺使用特定技术（简单的平均值比较）的副产品。我们在论文中迈出了下一步，意识到费舍尔的尖锐零假设暗示了一个特定的、非常简单的干扰模型（无干扰模型）。然后我们开始看看我们是否可以写出其他更实质性的干扰模型。所以，这就是我们在论文中所展示的：人们可以写下一个实质性的干扰理论模型（以及实验效应对研究单位产生影响的机制），然后这个模型可以被理解为一个尖锐零假设的生成器，每个假设都可以使用我们之前一直在研究的相同随机化推理工具来测试，以确保它们的清晰性和有效性。
R. Michael Alvarez：您在论文中提出的方法有哪些应用？
杰克·鲍尔斯：我们正在研究几个应用。总的来说，我们的方法有助于了解实验治疗效果机制的实质性模型。
例如，Bruce Desmarais、Mark Fredrickson 和我正在与Nahomi Ichino、Wayne Lee和Simi Wang合作，研究如何设计随机实验来了解治疗方法在社交网络中的传播模型。如果我们认为针对某些 Facebook 用户子集的实验性干预应该以某种特定方式传播，那么我们希望有一种通用的方法来思考如何设计该实验（使用我们的方法来了解该传播模型，同时也使用我上面提到的网络加权平均治疗效果的一些新发展）。我们早期的研究表明，如果治疗确实按照常见的传染病模型在社交网络中传播，那么您可能更来直接干预。
在另一个应用中，Nahomi Ichino、Mark Fredrickson 和我正在使用这种方法，通过加纳的实地实验了解基于代理的种族和政党选民登记欺诈策略相互作用模型。为了改进我们的正式模型，另一位合作者Chris Grady将于今年秋天前往加纳，对当地政党积极分子进行深入采访。
R. Michael Alvarez：政治方法论者在因果推理领域做出了许多贡献。如果您要向研究生推荐两三件他们 发薪日数据 可能考虑在明年从事的该领域研究，您会推荐什么？
杰克·鲍尔斯：关于给研究生的建议：以下是我很想了解的一些问题。
我们应该如何从正式的、以平衡为导向的行为理论转向治疗效果机制模型，以便我们能够检验假设并从数据中了解理论？
如果我们想对干扰模型进行反事实因果推理，我们如何利用基于估计的程序或没有特别关注反事实因果推理而开发的程序？我们应该如何重新解释或使用空间分析工具（如 Rob Franzese 和 Jude Hayes 开发的工具）或网络分析工具（如 Mark Handcock 开发的工具）来回答因果推理问题？
我们如何提供关于如何选择检验统计量来总结这些理论模型的可观察含义的一般建议？我们知道我们文章中使用的 KS 检验的功效相当低。我们从 Rosenbaum（第 2 章，2002 年）中知道，某些类别的检验统计量在一维上具有出色的属性，但我对多参数模型和检验统计量的一般属性感到疑惑，这些属性可能对实验组之间的分布的多向差异很敏感。
我们应该如何将随机研究的思想应用到观察世界中？在社交网络或空间关系的背景下，对混杂/遗漏变量偏差的调整（通过匹配或“控制”或加权）意味着什么？我们应该如何进行和判断这种调整？当我们不再测试一个参数或估计一个数量时，罗森鲍姆启发的敏感性分析或曼斯基启发的边界分析可能意味着什么？
R. Michael Alvarez：您在软件工具开发和统计计算方面做了很多工作。您目前最感兴趣的是什么？
Jake Bowers：我正在从事两个以计算为导向的项目，我觉得这两个项目非常令人兴奋。第一个项目涉及在实验中使用机器学习/统计学习进行最佳协方差调整（与 Mark Fredrickson 和Ben Hansen合作）。第二个项目涉及收集 Google 地图上的数千张手绘地图作为 GIS 对象，以了解人们如何定义和理解他们在加拿大、英国和美国的居住地（与Cara Wong、Daniel Rubenson、Mark Fredrickson、Ashlea Rundlett、Jane Green和Edward Fieldhouse合作）。