样本选择偏差（sample selection bias）与幸存者偏差（survivorship

Selection bias is the selection of individuals, groups or data for ****ysis in such a way that proper randomization is not achieved, thereby ensuring that the sample obtained is not representative of the population intended to be ****yzed.

而 servivorship bias 是即便你的sample 是通过科学的和完全random的一样会存在的情况，比如说你分析金融危机过后各种基金的回报情况时候 即便你是完全随机抽样，你还是选不到那些已经挂掉的。剩下的本来就相对优质。

self-selection bias是什么意思

self-selection bias

生词本

英 [ˈselfsiˈlekʃən ˈbaiəs] 美 [ˌsɛlfsɪˈlɛkʃən ˈbaɪəs]

自选择偏差

网 络

择偏差

双语例句

1. These adjectives mean free from favoriti**, self - interest, or bias in judgment.

这些形容词表示不偏袒 、 不自私或在判断中无偏见.

2. This paper introduces a supply voltage band - gap reference circuit which used a self - bias cascode current mirror.

因此介绍了一种采用自偏置低压共源共栅电流源的带隙基准电路结构,用两个电阻代替了偏置电路.

3. Non - linear self - emendation and temperature - bias self - compensate techniques of array silicon piezoresistive pressure , acceleration sensor is also reported.

还讨论了信号处理电路、 非线性 自校正、温度漂移自补偿及数据融合等技术.

4. Furthermore, a high self bias potential of about 16 V is obtained on insulating substrates.

此外, 大约16V高自已偏心潜力被获得在绝缘的基体.

简述病因研究中的偏倚的种类及控制措施有哪些

定义及种类：\x0d\x0a\x0d\x0a偏倚是在研究中（从设计到执行的各环节）的系统误差及解释结果的片面性而造成的，使研究结果与其真值出现了某些差值。因为它是由系统误差所造成，加大样本并不能使之减少。一旦造成事实，则无法消除其影响。因此，必须认识偏倚，从设计起直到整个研究过程均要加以控制。病因研究中的偏倚有10种以上，它们可以归纳为选择性偏倚、信息（测量、观察）性偏倚及混杂（混淆）性偏倚。\x0d\x0a（一）选择性偏倚（selectionbias）\x0d\x0a在选择研究对象时，试验组和对照组的设立（纳入标准）不正确，使得这两组人在开始时即存在处理因素以外的重大差异，从而产生偏倚。常见的主要有：\x0d\x0a1.就诊机会偏倚（入院率偏倚，admissionratebias）由于疾病严重程度不同、就医条件不同、人群对某一疾病的了解和认识程度不同等原因而使患不同种类疾病的人（或有某种特性者）的住院率不同。从医院选取对照时，如果没有注意到此点，则可引起偏倚。此种偏倚首先由Berkson发现并记述，因此，将此种偏倚又称为Berkson偏倚或Berkson谬误（fallacy）。\x0d\x0a2.现患病例及新发病例偏倚（prevalence-incidencebias，又叫Neymanbias）此种偏倚易出现在病程较短的严重致死性疾病，如心肌梗死，部分病例在送到医院前已死亡，如果只以存活的现患病例为对象，研究某因素的作用，必然产生偏倚。这些死亡病例通常未计入心肌梗死总发病人数中，以至于所报道的患病数少于实际的发病数。又如，在病例对照研究中有意或无意排除（或加入）某些病例，也可出现偏倚，如研究吸烟与肺癌的关系时，对照组包括了慢性支气管炎和冠心病，由于此二病均与吸烟有关，所以吸烟与肺癌的OR减低，甚至于看不出吸烟作为肺癌的病因作用。患病后改变生活习惯也可以使用病例对照方法探讨病因出现偏倚，如患肺癌后戒烟，患高血压后将饮食口味调淡、不吃动物脂肪（肥肉）、适当增加体力活动等等，都可在病例对照研究中使这些因素的病因作用被抵消。又如，乳腺癌与利血平关系的病例对照研究，在对照组中排除了心血管病人（其中有相当多的高血压病人，他们服用利血平），所以得出利血平是乳腺癌的危险因素的结论。另一个研究将全部病例均纳入，则未发现此相关。\x0d\x0a3.检出信号偏倚（detectionsignalbias，unmaskingbias）某因素如能引起或促进某症候（与所研究疾病的体征或症状类似）的出现，使患者因此而去就医，这就提高了该病的检出机会，使人误以为某因素与该病有因果联系。这种虚假联系造成的偏倚称为检出信号（或检出症候）偏倚。如，曾有研究发现子宫内膜癌与绝经期服用雌激素有关。这个研究结果是因为绝经期妇女服用雌激素会引起不规则子宫出血，因此而就医，得到检查子宫内膜的机会较多，从而增加了发现子宫内膜癌的机会。不服用雌激素的子宫内膜癌常无明显症状，发现机会较少。以刮宫或子宫切除作为诊断子宫内膜癌的诊断时，绝经期服用雌激素的OR为1.7，而以子宫出血就诊者的OR为9.8，二者相差悬殊。显然，以子宫出血就诊增高了OR。此类偏倚即检出信号偏倚。\x0d\x0a4.无应答偏倚（non-responsebias）即研究对象对研究内容产生不同的反应而造成的偏倚。如用通信方式调查吸烟情况，不吸烟者与吸烟者的应答率可以相差悬殊。无应答者的暴露或患病状况与应答者可能不同。如果无应答者比例较高，则使以有应答者为对象的研究结果可能存在严重偏倚。所以在研究报告中必须如实说明应答率，并评价其对结果可能造成的影响。与一部分人无应答相反的情况是有一部分人特别乐意或自愿接受调查或测试。这些人往往是比较关心自身健康或自觉有某种疾病，而想得到检查机会的人。他们的特征或经历不能代表目标人群。由此造成的偏倚称为志愿者偏倚（volunteerbias）。\x0d\x0a总之，无论什么原因使观察组与对照组成员不是来自同一总体，即可造成除研究因素以外的有关因素在两组分布不均衡，从而造成选择偏倚。\x0d\x0a（二）衡量偏倚（measurementbias）或信息偏倚（informationbias）\x0d\x0a对观察组和对照组进行观察或测量时存在频度和（或）强度的差异，而使最终判断结果时出现偏倚。在非盲法观察时，由于观察者知道谁在观察组，、谁在对照组，更易出现此种偏倚。\x0d\x0a1.回忆偏倚（recallbias）特别是在病例对照研究中，需要被观察者回忆过去的情况（甚至久远的情况，如癌的病因学研究），回忆的准确性会受到影响。病例组可能回忆仔细（特别是当怀疑某因素与某病有关时，如吸烟、被动吸烟与某些癌的关系，口服避孕药与下肢血栓性静脉炎、服雌激素与子宫内膜癌等），而对照组回忆则可能不那么仔细，尤其当研究者屡次提醒病例组有否这些因素时（诱导其回答，更容易出现偏倚－寻因性偏倚）。有时某种症状或状态的存在会诱导产生或加强其与某种因素的联系，如前段所举子宫内膜癌，得出与口服雌激素有联系的结论即属此，称为疑因性偏倚（exposuresuspicionbias）。\x0d\x0a2.疑诊偏倚当观察者已知被观察者的某些情况时，在研究时会自觉不自觉地侧重询问、检查有关情况（如对服口服避孕药的妇女，仔细检查其有无下肢血栓性静脉炎，而对有下肢血栓性静脉炎的妇女仔细询问其口服避孕药的历史）就可能得出二者有联系的结论。但实际上可能是偏倚所致。\x0d\x0a3.沾染偏倚（contaminationbias）对照组成员有意或无意应用了试验组的措施。如用低钠盐减少钠摄入与高血压关系的研究时，对照组成员同样可以购得低钠盐（因接受宣传后认为低钠盐可以防止高血压），从而使判断结果时出现偏倚（沾染性偏倚）。试验组成员有意或无意接受了研究因素以外的措施，而使结果有利于试验组，称为干扰。干扰与沾染最容易在非盲法观察的条件下发生。\x0d\x0a（三）混杂（混淆）偏倚（confoundingbias）\x0d\x0a混杂（淆）因子存在时，在分析结果时可能错误地把某一因素当成某一结果的原因。即是存在混杂偏倚。前节曾谈到混杂因子。\x0d\x0a混杂偏倚使研究结论不能反映真实的因果联系。这种偏倚的产生常常是研究者专业知识局限，不了解混杂的存在，或者虽然知道，但忽略了其存在。混杂偏倚常常在资料分析阶段显露出来。因而一旦认识后是可以设法纠正的。\x0d\x0a混杂因素：①不是要研究的暴露因素，而是研究过程中常规地被收集起来的（如年龄、性别、吸烟、饮酒等生活习惯），是一个外部变量（extraneousvariable）；②是对研究的疾病的危险因素，或通过其他危险因素而间接起病因作用；③它与所研究的暴露因素之间有统计学的联系，但二者又是独立存在的。\x0d\x0a应结合专业知识去考虑本次研究的结果，可能有什么混杂因素夸大或缩小了其效应指标（RR或OR）。根据可能的混杂因素分析校正的（adjusted）RR或OR（记为aRR或aOR），以与最初所得到的粗的（crude）RR或OR（记为cRR或cOR）比较。如果aRR与cRR或aOR与cOR相近似，则此因素非混杂因素，如相差大则为混杂因素。最常用的方法为按可疑的混杂因素进行分层分析。即是将有此因素的作为一层来比较其RR或OR，而将无此因素的作为另外一层来分析。也可以比较分层前后x2值，此时用Mantel-Haen-szel法比较。如分层前后无差别，则表示分层因素非混杂因素。还可比较分层校正前OR（cOR）与校正后OR（aOR），如有差异说明分层因素为混杂因素。\x0d\x0a\x0d\x0a控制措施：\x0d\x0a\x0d\x0a（一）混杂偏倚\x0d\x0a根据专业知识事先找出可能存在的混杂因素，在设计时注意去掉这些混杂因素。混杂出现在两组分配不均匀的情况，因此，尽量做到齐同对比以防止混杂因素的作用。\x0d\x0a在资料分析阶段显现出来的混杂偏倚，可以按前节所述的方法加以纠正，如分层分析，也可用多元回归分析及标准化等方法加以处理，以识别混杂因素的影响。\x0d\x0a（二）选择偏倚及衡量（测量）偏倚\x0d\x0a这些偏倚是在科研设计及观察阶段所产生，主要因为设计不周及（或）测量带有倾向性而造成。带有方向性，不能以加大样本量加以减少，一旦形成之后即无法弥补，很可能需要重新进行。因此，从设计之初就要考虑到各个环节可能出现的偏倚，而加以防止，一般应注意以下几点：\x0d\x0a1.设计方案及研究方法的选择应当选择论证强度大的设计方案。\x0d\x0a为避免选择性偏倚，首先的设计方案应是随机对照设计方案。有严格的诊断标准和纳入标准的队列研究方案也较好。由于病例对照研究在临床较易执行，因此，较多使用。此时必须注意严格选定有代表性的研究对象（病例及对照），使病例与对照均衡，资料可靠、分析正确，或应用多因素分析方法。\x0d\x0a2.严格限定纳入标准规定纳入与排除的标准。病例与对照的诊断应有“金标准”。尽可能采取随机分组法。病例对照研究使用配比法，可使病例与对照组有良好的可比性。测量和判定结果时实行盲法，尽量应用客观指标。分析时采用分层分析法及对率进行标准化等等。要有良好的科研作风及严谨的科学态度，争取病人良好的依从性及减少失访率。

因果推断推荐系统工具箱 - MRDR（一）

Enhanced Doubly Robust Learning for Debiasing Post-Click

Conversion Rate Estimation

点击后转化是构建推荐系统的重要且有意义的信息之一，然而这一信息通常比较稀疏，并且由于曝光、用户点击偏好等影响，转化数据通常是有偏的。现有的DR方法引入的EIB部分在某种条件下，可能导致模型的方差比IPS方法的更大。因此，作者通过推到DR方法的BIas和Variance，提出MRDR的方法，来减少方差。并且提出Double learning的方法训练MRDR模型，把imputation error估计转化为CVR估计，并且验证这种训练方法也可以进一步降低方差。

为了保持完整性，我们回顾一下DR方法的大致演进过程，细节可以参见 因果推断推荐系统工具箱 - Doubly robust joint learning for recommendation on data missing not at random（一）

。假设我们能够观察到所有用户-物品元组的转化率，也就是转化矩阵 的每一个元素都是已知的，此时不需要任何预测。由于曝光、点击等漏斗，转化矩阵肯定是有缺失的。推荐系统的任务就是去预估这些缺失。在没有任何selection bias的情况下，转化矩阵的元素是随机缺失的（MAR）。此时，我们可以利用如下图所示的损失函数进行模型参数学习。其中 ， 表示推荐模型预估的转化率。

在CVR的场景下，由于点击是用户依据自己的偏好决定的，所以天然具有selection bias（MNAR）。矩阵 表示用户是否点击了某个物品（的曝光）。因此，通常不做纠偏的推荐模型，是在利用如下图所示的损失进行模型参数的学习，可以看出，两式中的每一个求和项都存在系数 的偏差。

也就是说，navie模型的预估损失和在无偏数据下训练出来的同样模型偏差是不等的。因为矩阵 不是在矩阵 上随机缺失的（不然，下面的期望就相等了）。

一种方法是，把损失拆开成观测到的和没有观测到的两部分。可以看出EIB就是在 中的每一项都多加了一部分。这部分表示没有观测到的用户-物品元组的损失（当然是估计，因为我们不知道真实的转化情况），可以证明这个损失是相对 无偏的，具体参见[1]。但是，由于我们无法准确度量插入损失 的（预估）准确程度。因此，仍然会带来很大偏差（虽然比原来要小）。

另一种方法，是采用IPS，如下图所示，其中 表示用户-物品元组被用户点击的概率（是 的估计值）。可以证明这个loss也是相对 无偏的，具体参见[2]。但是 通常比较小，因此学习得到的模型存在较大方差。

第三种方法DR，结合了两者，其损失如下图所示。同样可以证明，只要 或 中的一个可以估计准确就，这个loss就是相对 无偏的，放松了上边两种方法的条件，具体参见[3]。

通常DR方法中，imputation error 是用一个和转化率预测模型无关的模型来估计的（独立的回归模型）。同时，由于这个模型也是用存在selection bias的数据的真实误差 当做监督信息，因此，仍然需要进行IPS调权。细心地你一定发现了，和IPS方法一样，这个imputation error的学习模型也因此引入了较大的方差。文章同样给出了无偏的证明，详细的推到过程也可以参见[3]或者 因果推断推荐系统工具箱 - Doubly robust joint learning for recommendation on data missing not at random（一）

，这里就不赘述了。

作者推导了DR的方差，如下图所示。

其中 的方差推导过程如下，其中主要是利用了方差的公式，并且提出了与 不相关的其他项。首先看求和好里边的每一项， ，由于只有 和方差相关，其他均为常数，可以被提出来。利用方差-期望公式，把方差转为期望。第三步， 由于 是服从伯努利分布的 ，因此 。第四步，由于在IPS方法中我们定义 ，因此可以替换为 ，但是为了后续推导，并没有把最左边的 也替换，而是利用期望的性质 把常数放到期望里去。

把上述结果带入到求和式子中，可以得到DR方法的最终方差，推导过程如下图所示。其中利用了方差性质 ，把常数项提了出来。另外，为了说明方差和倾向性得分有关把上式子中的 也替换成了 。

也可以推导出IPS方法的方差如下图所示。

从公式中可以看出，DR的方差依赖于对倾向性得分的估计， ，在文章提到的场景下，也就是对CTR的估计。由于CTR的数值一般比较小，加之估计误差，导致DR方差的方差也比较大。**但是，对比DR和IPS的方差，我们仍然发现，只要 ，DR方法仍然降低了IPS的方差。

如上所述，只有确保imputation error估计的足够准确，才能确保DR方法相对于IPS是降低了方差的（注意，bias是肯定比IPS小的）。因此，作者提出在学习imputation error模型的时候直接优化DR的方差，作者称之为MRDR方法。也就是说，这个方法和DR没有本质区别，只是把损失函数换成了由DR的方差公式推导出来的式子。具体公式如下图所示。其中，为了在观测数据上估计，在第一步作者还是保留了 。

对比DR方法的imputation error的损失函数，发现求和项中的系数从 变为 。

这个变换具有如下图所示的性质，核心思路是降低倾向性得分较小的样本的权重，提升较大的样本的权重，来减小方差。

下一节，讲解文章的另一个贡献double learning方法。

可能有些同学会混淆，无偏和无误差。误差是由于模型精度，超参数选择，训练过程的随机性（以及一些模型假设的不合理）造成的。由于selection bias造成的偏差，也是误差的一部分。文章探讨的无偏，或者去除selection bias，并不能保证模型没有其他的误差，只是把由于CTR这个漏斗造成的偏差尽可能的消除。一系列的方差和其他误差，仍然会造成模型估计结果的不准确。因此，消偏只是把模型的预估误差减少，或者说让误差回到没有数据偏差影响下的结果。（不知道是不是能被称之为系统误差和非系统误差）

利用方差作为新的学习模型参数的损失函数，其实仍然是在对样本进行调权。因为imputation error的学习没有明确的方法来验证准确性。因此，从降方差的实际目的出发，来进行模型学习，能保证模型具有我们想要的性质。似乎也可以理解为另一种启发式的学习方法。

[1] José Miguel Hernández-Lobato, Neil Houl**y, and Zoubin Ghahramani. Probabilistic matrix factorization with non-random missing data. In International Conference on Machine Learning, pages 1512–1520. PMLR, 2014.

[2] Yuta Saito, Suguru Yaginuma, Yuta Nishino, Hayato Sakata, and Kazuhide Nakata. Unbiased recommender learning from missing-not-at-random implicit feedback. In Proceedings of the 13th International Conference on Web Search and Data Mining, pages 501–509, 2020.

[5] Miroslav Dudík, John Langford, and Lihong Li. Doubly robust policy evaluation and learning. In Proceedings of the 28th International Conference on International Conference on Machine Learning, page 1097–1104, Madison, WI, USA, 2011.

概念2：选择性偏差（Selection Bias）

选择性偏差（Selection Bias）

在一些情况下，“虚假相关”很容易出现。这也真是选择性偏差非常容易出现的原因。“选择性偏差”这个术语指的是特定主体和环境之间的关系。当不同生理、行为、心理特点的人们选择不同类型的环境时，就有可能出现选择性偏差。选择性偏差造成环境特征和行为—生物特征之间的“虚假相关”。

选择性偏差并不总是那么容易辨别。

尤其是当我们事先就期望看到因果联系时，这种偏差经常会被忽略，就像在“自尊”的例子中那样。充满诱惑的相关性证据加上固有的偏见，就能够欺骗最聪明的大脑。

在测试中，如果所选择使用的是有代表性的样本，而不是自我选择样本分析（National Asses**ent for Educational Progress ,NAEP）,这样得出的关系会呈现相反的情况。

因此，应该提防选择性偏差的发生。当只有相关时，应避免因果推论。不可否认，复杂的相关数据里确实存在着有限的因果关系。但是同样不可否认的是，相关的证据有助于证明假设的聚合效度。然而，对于心理学知识的消费者来说，宁可站在怀疑的角度，也不要被那些错误地暗示了因果关系的相关所蒙蔽。

两个变量之间仅仅存在“相关”，并不能保证一个变量的变化就会导致另一个的变化。即，相关并不意味着因果关系。在第三变量问题里，两个变量之间的相关并不意味着它们之间存在直接因果路径，因为相关的产生可能是由于这两个变量或许都与未被测量的第三变量有相关。

事实上，如果潜在的第三变量也经过了测量，就可以用相关统计，如“偏相关”来评估第三变量是否决定了这种关系。让相关统计的解释变得困难的另一个原因，就是方向性问题。实际上，如果两个变量有直接的因果关系，因果关系的方向就不能根据相关来判断。

在行为科学中，选择性偏差是造成诸多“虚假相关”的罪魁祸首。事实上人们在一定程度上选择他们的环境，并人为创造了行为特征和环境变量之间的相关。因此，确保选择性偏差不会捣乱的唯一方法，就是在操纵所有变量的情况下进行真正的实验。