Statistical causal inference methods for observational research in PER: a primer
物理教育观察研究中的统计因果推断方法入门AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确讨论观察研究的因果推断、控制变量选择及干预效应预测，因此归入因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
物理教育观察研究中的统计因果推断方法入门
- 研究问题
- 研究物理教育中的观察数据能够支持哪些因果论断，以及如何选择控制变量并处理多个因果模型均可拟合数据的问题。
- 方法与思路
- 作者回顾因果推断的基础问题与常用方法，通过模拟说明混杂变量、媒介变量和碰撞变量的区别，并讨论物理教育研究应用。
- 材料陈述的贡献
- 摘要强调观察结果难以单独支持某一因果模型优于替代模型，并建议用观察研究提出干预效应预测，再由未来干预研究检验。
- 阅读关注点
- 应核对模拟中的因果图与控制目标、各方法依赖的假设，以及从观察结果形成可检验干预预测时需要哪些额外条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要呈现方法入门与研究角色建议，未提供具体应用的识别或验证结果。
原文摘要
Recent critiques of Physics Education Research (PER) studies have revoiced the critical issues when drawing causal inferences from observational data where no intervention is present. In response to a call for a "causal reasoning primer", this paper discusses some of the fundamental issues underlying statistical causal inference. In reviewing these issues, we discuss well-established causal inference methods commonly applied in other fields and discuss their application to PER. Using simulated data sets, we illustrate (i) why analysis for causal inference should control for confounders but not control for mediators and colliders and (ii) that multiple proposed causal models can fit a highly correlated data set. Finally, we discuss how these causal inference methods can be used to represent and explain existing issues in quantitative PER. Throughout, we discuss a central issue: quantitative results from observational studies cannot support a researcher's proposed causal model over other alternative models. To address this issue, we propose an explicit role for observational studies in PER that draw statistical causal inferences: proposing future intervention studies and predicting their outcomes. Mirroring a broader connection between theoretical motivating experiments in physics, observational studies in PER can make quantitative predictions of the causal effects of interventions, and future intervention studies can test those predictions directly.