How useful are uncertainty bounds? Some recent theory with an application to Rubin's causal model

Beschreibung

Techniken der Datenfusion werden angewandt, um aus mehreren Datensätzen, die nicht genau dieselben Variablen enthalten, einen vollständigen Datensatz herzustellen. Die gemeinsamen Verteilungen und Korrelationen von Variablen, die nicht gemeinsam beobachtet wurden, können nicht eindeutig bestimmt werden. Traditionelle Matching-Algorithmen gehen von der konditionalen Unabhängigkeit der nicht gemeinsam beobachteten Variablen aus. Da diese Annahme nicht ohne zusätzliche Informationen getestet werden kann, wird vorgeschlagen, diesen Mangel an Informationen im Matching-Algorithmus zu berücksichtigen. Dazu werden mittels regressionsbasierter Algorithmen verschiedene Datensätze mit unterschiedlicher Korrelationsstruktur erzeugt. Anschließend kann jede gewünschte statistische Analyse durchgeführt werden, wobei anhand der unterschiedlichen Datensätze die Robustheit der Ergebnisse gegenüber unterschiedlichen Korrelationsstrukturen getestet werden kann. Dieses Vorgehen ist auch für die Evaluation von Maßnahmeeffekten sinnvoll, sofern nicht nur durchschnittliche Treatment-Effekte geschätzt werden sollen. (IAB)

Zitationshinweis

Rässler, Susanne & Hans Kiesl (2009): How useful are uncertainty bounds? Some recent theory with an application to Rubin's causal model. In: International Statistical Institute (2009): Proceedings of the ISI 2009 (CD-Rom), S. 1-17.