目錄

The Impact of Management Training

Adjusting with Regression

之前學習了如何使用線性回歸調整混雜因素。此外，還向您介紹了通過正交化去偏差的概念，這是目前最有用的偏差調整技術之一。不過，您還需要學習另一種技術--傾向加權。這種技術涉及對治療分配機制進行建模，并利用模型的預測對數據重新加權，而不是像正交化那樣建立殘差

本文內容更適合于有二元或離散干預的情況。不過，我還是會展示一種擴展方法，讓你可以將傾向加權用于連續干預。

The Impact of Management Training

科技公司的一個普遍現象是，有才華的個人貢獻者（IC）會向管理層發展。但是，由于管理層所需的技能往往與他們成為優秀個人貢獻者的技能大相徑庭，因此這種轉變往往絕非易事。不僅對新任管理者，而且對他們所管理的人員來說，都要付出高昂的個人代價。

一家大型跨國公司希望減少這種過渡的痛苦，決定投資對新任經理進行經理培訓。同時，為了衡量培訓的效果，該公司嘗試隨機挑選經理人參加這一項目。我們的想法是，比較那些經理參加了培訓的員工與那些經理沒有參加培訓的員工的敬業度得分。通過適當的隨機化，這種簡單的比較就能得出培訓的平均干預效果。

遺憾的是，事情并沒有那么簡單。有些經理不想參加培訓，就干脆不來了。還有一些人即使沒有被指定接受培訓，也設法接受了培訓。結果，本來是一項隨機研究，到頭來卻變成了觀察研究。

現在，作為一名必須閱讀這些數據的分析師，你必須通過調整混雜因素，使治療和未治療的數據具有可比性。為此，你會得到有關公司經理的數據以及描述他們的一些協變量：

 import pandas as pdimport numpy as npdf = pd.read_csv("data/management_training.csv")df.head()

處理變量是intervention，您感興趣的結果是 engagement_score，即該經理的員工的平均標準化敬業度得分。除了干預和結果之外，該數據中的協變量還有

 import statsmodels.formula.api as smfsmf.ols("engagement_score ~ intervention",data=df).fit().summary().tables[1]

 model = smf.ols("""engagement_score ~ intervention + tenure + last_engagement_score + department_score+ n_of_reports + C(gender) + C(role)""", data=df).fit()print("ATE:", model.params["intervention"])print("95% CI:", model.conf_int().loc["intervention", :].values.T)ATE: 0.267790857667685695% CI: [0.23357751 0.30200421]