JMP 19 中的下一代因果推断：使用 AIPW 从观测数据中做出准确决策（双重稳健方法）当A/B测试及类似方法难以实施时，从包含背景因素（混杂因素）偏差的“观察数据”中推导出真实效果，既需要数学理解，也需要直觉验证。本次演讲将介绍一种利用JMP 19标准版“因果处理效应”平台来有效应对混杂因素挑战的方法。
JMP 19 代表了从之前的“SAS Japan Propensity Score Matching Add-in”到“IPW”的重大演变，实现了利用所有数据的“IPW”，以及尖端的“AIPW（双重稳健方法）”，即使两个模型中的一个不正确，也能得出正确的因果效应。
本次课程将揭示这些方法的数学机制，解释实用的选择标准，并提供一种简便的方法来切换对总体的影响（ATE）和对治疗组的影响（ATT）。此外，我们将展示协变量平衡图等可视化诊断工具的实用性，这些工具可以直观地验证偏差降低的程度。基于数学理论，我们将提出一种工作流程，使任何人都能直观地识别“真实因果效应”并做出合理的决策。
