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。

CONTENTS

目??录

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　大祖先图　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

5.5　do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　限制优化学习　139

10.1.1　理论基础　139

10.1.2　PC算法　142

10.1.3　FCI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

11.4　DAG-GNN　183

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SAM　190

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　基于限制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

12.3.1　MMHC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

13.1.1　IDA算法思想　218

13.1.2　IDA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