因果推斷導論

本書包括13章內容。
第1章介紹了因果推斷的基本概念。
第2章和第3章介紹了Rubin的潛在結果模型，包括潛在結果模型的基本概念、假設，以及因果效應估計方法。
第4章介紹了Pearl結構因果模型框架下的do演算、因果貝葉斯網絡、結構因果模型的基本概念。
第5章介紹了混雜偏差的圖形化定義與識別、後門準則和前門準則。
第6章介紹了圖形化定義的選擇偏差與計算方法。
第7章和第8章分別介紹了反事實和中介效應。
第9章介紹了圖形化定義的工具變量的基本概念和計算方法。
第10～12章介紹了從觀測數據中學習因果結構的基本概念與方法。
第13章介紹了因果結構未知情形下的因果效應估計方法。

推薦序
前言
符號表
第一部分因果推斷基礎
第1章因果關係推斷的基本概念
1.1 因果關係推斷
1.2 混雜與辛普森悖論
1.3 隨機對照試驗1.4
數據驅動的因果推斷模型
1.5 圖模型
1.5.1 有向無環圖
1.5.2 最大祖先圖
1.6 貝葉斯網絡
參考文獻
第二部分Rubin潛在結果模型與因果效應
第2章潛在結果模型與因果效應的概念
2.1 潛在結果模型的概念
2.1.1 潛在結果的定義
2.1. 2 潛在結果模型
2.2 因果效應定義與假設
2.2.1 個體因果效應
2.2.2 平均因果效應
2.2.3 異質性因果效應
2.3 拓展閱讀
參考文獻
第3章因果效應估計方法
3.1 匹配方法
3.1.1 選擇協變量
3.1.2 定義距離度量
3.1.3 選擇匹配算法
3.1.4 評估匹配算法
3.2 分層方法
3.3 重加權方法
3.3.1 樣本重加權
3.3.2 樣本和協變量重加權
3.4 表示學習方法
3.4.1 問題轉化
3.4.2 反事實回歸方法
……
第三部分Pearl因果圖模型與方法
第四部分因果結構學習方法
第五部分因果結構未知情形下的因果效應估計