Przyznaję, że jestem stosunkowo nowy w ocenach skłonności i analizie przyczynowej.
Jedną z rzeczy, która nie jest dla mnie oczywista jako nowicjusz, jest to, że „równoważenie” za pomocą wyników skłonności różni się matematycznie od tego, co dzieje się, gdy dodamy zmienne towarzyszące w regresji? Czym różni się operacja i dlaczego jest (lub jest) lepsza niż dodawanie zmiennych zmiennych subpopulacji w regresji?
Widziałem niektóre badania, które dokonują empirycznego porównania metod, ale nie spotkałem się z dobrą dyskusją dotyczącą matematycznych właściwości tych dwóch metod i dlaczego PSM poddaje się interpretacjom przyczynowym, a nie uwzględnia zmiennych towarzyszących regresji. Wydaje się również, że istnieje wiele zamieszania i kontrowersji w tej dziedzinie, co sprawia, że sprawy są jeszcze trudniejsze do zauważenia.
Wszelkie przemyślenia na ten temat lub jakiekolwiek wskazówki dotyczące dobrych zasobów / dokumentów, aby lepiej zrozumieć różnicę? (Powoli przeglądam książkę przyczynową Judei Pearl, więc nie muszę wskazywać na to)