JMP 19 中的下一代因果推論：使用 AIPW 從觀測資料中做出準確決策（雙重穩健方法）當A/B測試及類似方法難以實施時，從包含背景因素（混雜因素）偏差的「觀察資料」中推導出真實效果，既需要數學理解，也需要直覺驗證。本次演講將介紹一種利用JMP 19標準版「因果處理效應」平台來有效應對混雜因素挑戰的方法。
JMP 19 代表了從先前的“SAS Japan Propensity Score Matching Add-in”到“IPW”的重大演變，實現了利用所有數據的“IPW”，以及尖端的“AIPW（雙重穩健方法）”，即使兩個模型中的一個不正確，也能得出正確的因果效應。
本次課程將揭示這些方法的數學機制，解釋實用的選擇標準，並提供一種簡單的方法來切換對整體的影響（ATE）和對治療組的影響（ATT）。此外，我們將展示協變量平衡圖等視覺化診斷工具的實用性，這些工具可以直觀地驗證偏差降低的程度。基於數學理論，我們將提出一種工作流程，使任何人都能直觀地識別「真實因果效應」並做出合理的決策。
