第33页 第二章：RCM框架

本章援引出的“因果效应”的定义，即RCM（潜在结果框架）(Rubin 1974, 1977, 1978),(Holland, 1986)。
潜在结果框架将casual inference/因果统计解释成了针对潜在结果的建模，对于二值控制而言可以简单地定义为τi = Y_1i - Y_0i， 即对于积极干预(Y_1i)与控制干预(Y_0i)之间的差，从而得到干预得出的效应，即因果效应。
潜在结果模型主要排除了比较优势模型(Roy 1951)【由于潜在结果是需要与干预相互独立的，干预确定即有确定的潜在结果，而非依据潜在结果来选择干预】，同时也解决了Lord悖论，Lord悖论的两个答案的正确性主要是依据他们对反事实假设，即由他们的额外假设与研究目标所决定。而这种假设的正确性，则与分配机制有关。
在潜在结果这一问题中，有两个需要补充的额外概念。
第一， 稳定性假设。这个假设条件不论是理解还是需求上理解起来都比较简单。稳定性假设在经济学中相当于个体的外部性为零。如假设学生在课堂上疯狂捣乱影响别人学习，或者几个学生形成学习小组会辐射到别人学习的外部性是不存在的。但这一假设在个体上可能是无法满足的，而解决方案就是重新定义个体，将外部性变成内部问题即可。
第二， 分配机制决定了干预，分配机制相对来说是这一章内比较容易引起概念混淆的部分。分配机制需求主要有几个作用，
    1. 分配机制可以辅助估计反事实(counterfactual)，譬如在手术干预与药物干预中，以年龄作为分配机制，从而可以估计保守治疗与积极治疗的存活期。
    2. 分配机制与后续的随机化实验有关。相对而言分配机制与实验设计的内容相关性更大一些。
————————————————————————————————————
最后吐个槽，这一章读的真的挺累的，尤其是在第二个分配机制里的假设，讨论的内容太干，如果让我重写我应该会用病患问题作为例子，来重新解释。另一个就是，casual inference的部分的确与流行病统计关系很密切，但的确很多问题用治疗/药物干预做例子会很有用，但经济上的例子就会少很多，这也算后续备课需要密切关注的内容。
尽管本章引入了三个因果效应参数（平均因果效应ATE，干预的平均因果效应，未干预的平均因果效应），但涉及影响不大，采用OLS回归来解释一些额外的情况，也有些太早，不如采用更简单的例子可能会来的更好。