Дональд Б. Рубин

Дональд Б. Рубин — американский статистик, известный своими работами в области причинно-следственного вывода, методов обработки пропущенных данных и байесовской статистики. Наиболее известен как создатель Рубиновской модели причинно-следственного вывода (Rubin Causal Model, RCM), которая стала основой для современного подхода к оценке причинных эффектов в наблюдательных исследованиях и рандомизированных экспериментах. Рубин также разработал метод множественного восстановления пропущенных данных (Multiple Imputation, MI), широко применяемый в статистике и машинном обучении.

Биография

Дональд Брюс Рубин родился 22 декабря 1943 года в Вашингтоне, округ Колумбия, США. Получил степень бакалавра по физике в Принстонском университете (1965), а затем степень магистра (1966) и доктора философии (1971) по компьютерным наукам и статистике в Гарвардском университете. Его докторская диссертация была посвящена байесовскому анализу пропущенных данных.

После защиты диссертации Рубин работал в Корпорации RAND (1971–1974), затем в Университете Чикаго (1974–1980) и Гарвардском университете (1980–1984). С 1984 года является профессором кафедры статистики Гарвардского университета, а также почётным профессором Пекинского университета и других учебных заведений.

Научный вклад

Рубиновская модель причинно-следственного вывода

Основной вклад Рубина — формализация причинно-следственного вывода через потенциальные исходы (potential outcomes). В этой модели каждый объект (например, человек, пациент, регион) имеет два потенциальных исхода: один при воздействии (лечении) и один при отсутствии воздействия. Причинный эффект для конкретного объекта определяется как разность между этими двумя исходами. Однако наблюдается только один из них — тот, который соответствует реально применённому воздействию. Второй исход остаётся ненаблюдаемым (контрфактическим).

Ключевые элементы модели:

• Случайное назначение воздействия (random assignment) — золотой стандарт для оценки причинных эффектов, но не всегда возможен.
• Условная независимость (ignorability) — предположение о том, что при учёте наблюдаемых ковариат распределение воздействия не зависит от потенциальных исходов.
• Средний причинный эффект (Average Treatment Effect, ATE) — разность средних потенциальных исходов в популяции.
• Средний причинный эффект на обработанных (Average Treatment Effect on the Treated, ATT) — эффект среди тех, кто реально подвергся воздействию.

Рубин также ввёл понятие «причинный эффект» как разность между двумя потенциальными исходами, что позволило отделить причинно-следственные вопросы от статистических методов оценки.

Метод множественного восстановления

Множественное восстановление (Multiple Imputation, MI) — метод обработки пропущенных данных, предложенный Рубиным в 1978 году. Идея заключается в том, чтобы вместо однократного заполнения пропусков (например, средним значением) создать несколько (обычно 5–20) правдоподобных наборов данных, каждый из которых содержит разные значения для пропущенных наблюдений. Затем каждый набор анализируется стандартными методами, а результаты объединяются по правилам Рубина, учитывающим неопределённость, связанную с пропусками.

Метод широко используется в медицинских исследованиях, социальных науках и анализе данных, где пропуски неизбежны.

Другие достижения

• Байесовский подход к статистике — Рубин активно пропагандировал байесовские методы, особенно в контексте причинно-следственного вывода и обработки пропущенных данных.
• Сопоставление по склонности (Propensity Score Matching) — совместно с Полом Розенбаумом (1983) разработал метод, позволяющий оценивать причинные эффекты в наблюдательных исследованиях, где воздействие не назначается случайно. Склонность (propensity score) — вероятность получения воздействия при заданных ковариатах. Сопоставление объектов с близкими склонностями позволяет имитировать рандомизацию.
• Причинный вывод в сложных системах — Рубин применил свои методы к анализу клинических испытаний, образовательных программ, экономических данных и эпидемиологических исследований.

Критика и дискуссии

Рубиновская модель причинно-следственного вывода подвергалась критике со стороны сторонников альтернативных подходов, в частности структурных каузальных моделей (Structural Causal Models, SCM) Джуда Перла. Основные разногласия:

• Роль графов — Перл использует направленные ациклические графы (DAG) для представления причинных связей, тогда как Рубин фокусируется на потенциальных исходах и игнорирует графическое представление.
• Интерпретация контрфактов — Рубин рассматривает контрфакты как гипотетические исходы, которые могли бы быть наблюдаемы при другом воздействии, а Перл — как результат манипуляции над структурной моделью.
• Причинный эффект в нерандомизированных исследованиях — Рубин подчёркивает важность предположения о игнорируемости (ignorability), которое часто трудно проверить, в то время как Перл предлагает методы проверки на основе графов.

Несмотря на критику, подход Рубина остаётся доминирующим в прикладной статистике, особенно в медицине и социальных науках, благодаря своей практичности и простоте интерпретации.

Применение

Методы Рубина применяются в:

• Клинических испытаниях — оценка эффективности лекарств и медицинских вмешательств.
• Эпидемиологии — изучение причин заболеваний (например, связь курения и рака).
• Экономике — оценка воздействия образовательных программ, налоговых реформ, политических решений.
• Социологии — анализ влияния социальных программ на поведение.
• Машинном обучении — методы множественного восстановления используются для предобработки данных с пропусками.

Награды и признание

• Премия Сэмюэла Уилкса (1995) от Американской статистической ассоциации.
• Медаль Парксона (1999) от Института математической статистики.
• Премия Фонда Гуггенхайма (2000).
• Член Национальной академии наук США (2009).
• Почётный доктор нескольких университетов, включая Университет Цюриха (2012).

Основные публикации

• Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.
• Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55.
• Rubin, D. B. (1987). Multiple Imputation for Nonresponse in Surveys. Wiley.
• Rubin, D. B. (2005). Causal inference using potential outcomes: Design, modeling, decisions. Journal of the American Statistical Association, 100(469), 322–331.

Источники

• Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies.
• Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects.
• Rubin, D. B. (1987). Multiple Imputation for Nonresponse in Surveys.
• Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.
• Imbens, G. W., & Rubin, D. B. (2015). Causal Inference for Statistics, Social, and Biomedical Sciences. Cambridge University Press.