因果推斷：原理解析與應用實踐

第1章 相關關系和因果關系 1
1.1　相關關系 1
1.2　因果關系 3
1.3　相關關系與因果關系之間的迷霧 6
1.3.1 混雜 6
1.3.2 樣本的選擇性偏差 7
1.4　因果推斷方法 9
1.4.1 符號和表示工具 9
1.4.2 本書涉及的因果推斷方法 10
參考文獻 12
第2章 隨機對照試驗 14
2.1　隨機對照試驗的統計學原理 14
2.1.1 基本概念 14
2.1.2 隨機對照試驗的核心思想 15
2.1.3 統計學的反證思維：假設檢驗 16
2.2　總體方差未知的情況 17
2.3　兩類統計錯誤 19
2.4　隨機對照試驗流程 21
2.4.1 最小樣本容量 22
2.4.2 試驗結果分析 24
2.5　本章小結 25
參考文獻 26
第3章 基於設計思想的因果推斷方法 28
3.1　雙重差分法 28
3.1.1 DID模型的原理 29
3.1.2 DID模型的有效性檢驗 30
3.1.3 DID法的註意事項 32
3.1.4 DID法案例分析 33
3.2　合成控製法 39
3.2.1 構建潛在的合成控制組 40
3.2.2 求解合成控制組的權重 41
3.2.3 合成控制組的應用 42
3.2.4 合成控製法的評價 43
3.2.5 合成控製法案例分析 44
3.3　斷點回歸法 48
3.3.1 設計原理 49
3.3.2 確定分組變量和斷點 49
3.3.3 精確斷點與模糊斷點 51
3.3.4 斷點回歸法的有效性檢驗 52
3.3.5 斷點回歸法的結果分析 52
3.3.6 斷點回歸法的評價 53
3.3.7 斷點回歸法案例分析 54
3.4　工具變量法 61
3.4.1 工具變量的定義 61
3.4.2 工具變量的前提假設 62
3.4.3 工具變量的有效性 63
3.4.4 工具變量的實踐方式 64
3.4.5 工具變量法案例分析 66
3.5　主分層法 72
3.5.1 隨機對照試驗中的不依從問題 72
3.5.2 主分層法的原理 73
3.5.3 主分層法的前提假設 75
3.6　本章小結 76
參考文獻 77
第4章 基於潛在結果框架的因果推斷方法 80
4.1　POF 80
4.1.1 POF的基本構成元素 80
4.1.2 POF的因果指標 81
4.1.3 POF的運行規則 82
4.2　均衡的樣本子空間 88
4.2.1 分層方法 88
4.2.2 匹配方法 90
4.2.3 基於決策樹的子空間劃分 94
4.3　重加權的樣本空間 96
4.3.1 逆傾向得分權重 96
4.3.2 雙魯棒估計方法 97
4.3.3 基於提升方法的泛化傾向得分權重 98
4.3.4 協變量均衡傾向得分權重 100
4.3.5 泛化的協變量均衡傾向得分權重 101
4.4　去混雜的表徵空間 104
4.4.1 均衡表徵學習 104
4.4.2 局部相似表徵學習 107
4.5　基於潛在結果框架的因果推斷方法的綜合試驗 112
4.5.1 數據生成 112
4.5.2 對照試驗：估計ATE的常規方法 114
4.5.3 試驗一：分層方法 115
4.5.4 試驗二：匹配方法 117
4.5.5 試驗三：基於決策樹的子空間劃分 119
4.5.6 試驗四：逆傾向得分權重 120
4.5.7 試驗五：雙魯棒估計方法 121
4.5.8 試驗六：基於提升方法的泛化傾向得分權重 122
4.5.9 試驗七：協變量均衡傾向得分權重 123
4.5.10 試驗八：泛化的協變量均衡傾向得分權重 124
4.5.11 試驗九：均衡表徵學習和局部相似表徵學習 124
4.5.12 總結 127
4.6　本章小結 127
參考文獻 128
第5章 基於結構因果模型的因果推斷方法 132
5.1　因果層級 132
5.2　結構因果模型 134
5.2.1 因果圖 134
5.2.2 因果圖的基本節點結構 135
5.2.3 因果圖上的概率分佈 137
5.2.4 因果圖上結構方程 139
5.2.5 結構因果模型小結 141
5.3　乾預推斷 142
5.3.1 後門調整 142
5.3.2 前門調整 143
5.3.3 do演算 144
5.4　乾預的可識別性和識別算法 147
5.4.1 基本概念和定義 147
5.4.2 Px(v)的可識別性 150
5.4.3 Px(s)的可識別性 163
5.4.4 Pt(s)的可識別性 179
5.4.5 半馬爾可夫模型向馬爾可夫模型的進化 183
5.5　反事實預測 184
5.6　本章小結 186
參考文獻 186