因果推断导论

本书是一本系统介绍因果推断的基本概念、理论与方法的参考书，主要特色如下：<br>?从Rubin潜在结果模型开始，系统的介绍了因果推断的基本概念、基本问题和重要假设，然后详细介绍了基于Rubin潜在结果模型的经典和代表性的因果效应计算方法；<br>?基于Rubin潜在结果模型引入Pearl因果结构模型，比较系统的从图模型的角度详细介绍了Pearl因果推断框架下的do演算、混杂偏差、选择偏差、反事实、中介效应等因果推断的重要概念与理论方法；<br>?从Pearl因果结构模型的角度详细介绍了经典与近期新因果结构学习算法的基本思想和执行过程，以及Pearl因果推断框架在实际数据中的因果效应计算方法。

本书以构建因果推断基础知识框架，主要从Rubin因果模型、Pearl因果模型、基于图模型的因果效应计算、因果结构学习、因果机器学习五个篇章为大家介绍智因果推断的基础理论、模型、方法、和前沿应用，引领学生步入充满趣味与挑战的因果推理领域。

推荐序
前言
符号表
第一部分因果推断基础
第1章因果关系推断的基本概念2
1.1因果关系推断2
1.2混杂与辛普森悖论3
1.3随机对照试验4
1.4数据驱动的因果推断模型4
1.5图模型5
1.5.1有向无环图5
1.5.2优选祖先图7
1.6贝叶斯网络11
参考文献15
第二部分Rubin潜在结果模型与因果效应
第2章潜在结果模型与因果效应的概念18
2.1潜在结果模型的概念18
2.1.1潜在结果的定义18
2.1.2潜在结果模型20
2.2因果效应定义与假设20
2.2.1个体因果效应20
2.2.2平均因果效应21
2.2.3异质性因果效应25
2.3拓展阅读27
参考文献27
第3章因果效应估计方法29
3.1匹配方法29
3.1.1选择协变量31
3.1.2定义距离度量31
3.1.3选择匹配算法34
3.1.4评估匹配算法39
3.2分层方法40
3.3重加权方法42
3.3.1样本重加权42
3.3.2样本和协变量重加权 46
3.4表示学习方法49
3.4.1问题转化 49
3.4.2反事实回归方法50
3.4.3保持个体相似性的因果效应估计方法54
3.5拓展阅读60
参考文献61
第三部分Pearl因果图模型与方法
第4章干预与因果图模型64
4.1干预与do演算64
4.2因果贝叶斯网络模型65
4.2.1因果贝叶斯网络基础65
4.2.2因果贝叶斯网络与干预68
4.3结构因果模型71
4.3.1结构因果模型的定义71
4.3.2结构因果模型与干预72
4.4拓展阅读73
参考文献73
第5章混杂偏差75
5.1混杂因子的图形化表示75
5.2父代因果效应准则77
5.3后门准则79
5.4前门准则81
5.5do演算公理系统83
5.6拓展阅读85
参考文献86
第6章选择偏差87
6.1选择偏差的概念87
6.2选择偏差的图形化表示88
6.3选择后门标准90
6.4拓展阅读92
参考文献93
第7章反事实推断95
7.1反事实的定义95
7.2反事实计算96
7.3反事实和干预98
7.3.1反事实与do算子98
7.3.2后门的反事实解释100
7.4反事实与潜在结果102
7.5反事实与决策104
7.5.1必要因、充分因和充要因104
7.5.2参与者处理效应106
7.6拓展阅读108
参考文献108
第8章因果中介效应110
8.1中介效应的基本概念110
8.2基于线性模型的因果中介效应113
8.3基于反事实的因果中介效应115
8.4进一步分析121
8.5拓展阅读123
参考文献123
第9章工具变量125
9.1工具变量的概念125
9.1.1三个基本条件125
9.1.2工具变量不等式126
9.1.3同质性与单调性127
9.2工具因果效应估计129
9.2.1二值工具因果效应估计129
9.2.2连续工具因果效应估计130
9.3条件工具变量131
9.4识别工具变量133
9.5拓展阅读135
参考文献135
第四部分因果结构学习方法
第10章组合优化因果结构学习138
10.1优化学习139
10.1.1理论基础139
10.1.2PC算法142
10.1.3FCI算法154
10.2打分优化学习161
10.2.1基本思路161
10.2.2评分函数162
10.2.3经典的打分优化学习算法165
10.3拓展阅读168
参考文献168
第11章连续优化因果结构学习171
11.1连续优化方法171
11.1.1模型构造171
11.1.2权重邻接矩阵172
11.1.3数值问题转化173
11.1.4无环约束方法174
11.1.5迭代优化176
11.2从线性模型到神经网络177
11.3用MLP进行DAG学习179
11.3.1多层感知机179
11.3.2生成模型构建180
11.3.3邻接矩阵表示181
11.3.4训练优化183
11.4DAG-GNN183
11.4.1问题转化 184
11.4.2变分自编码器184
11.4.3模型构造 187
11.4.4离散情形 188
11.4.5无环约束改进 188
11.4.6训练优化189
11.5对抗优化方法SAM190
11.5.1生成对抗网络190
11.5.2深度神经网络拟合因果机制190
11.5.3学习准则192
11.6拓展阅读195
参考文献196
第12章局部因果结构学习198
12.1基于的局部因果结构学习198
12.1.1局部骨架学习198
12.1.2局部骨架定向208
12.2基于打分的局部因果结构学习210
12.3局部到全局的因果结构学习211
12.3.1MMHC算法211
12.3.2对称性校正212
12.4拓展阅读213
参考文献214
第五部分因果结构未知情形下的因果效应估计
第13章基于CPDAG的因果效应估计218
13.1基于全局CPDAG的因果效应估计218
13.1.1IDA算法思想218
13.1.2IDA算法执行219
13.2基于局部因果结构的因果效应估计222
13.2.1总效应和直接效应222
13.2.2等价类与链组件 223
13.2.3基于链组件的全局方法224
13.2.4基于链组件的局部方法227
13.3拓展阅读231
参考文献231