因果推断：原理解析与应用实践

5.6　本章小结

5.5　反事实预测

5.4.5　半马尔可夫模型向马尔可夫模型的进化

5.4.4　Pt（s）的可识别性

5.4.3　Px（s）的可识别性

5.4.2　Px（v）的可识别性

5.4.1　基本概念和定义

5.4　干预的可识别性和识别算法

5.3.3　do演算

5.3.2　前门调整

5.3.1　后门调整

5.3　干预推断

5.2.5　结构因果模型小结

5.2.4　因果图上的结构方程

5.2.3　因果图上的概率分布

5.2.2　因果图的基本节点结构

5.2.1　因果图

5.2　结构因果模型

5.1　因果层级

第5章　基于结构因果模型的因果推断方法

参考文献

4.6　本章小结

4.5.12　总结

4.5.11　试验九：均衡表征学习和局部相似表征学习

4.5.10　试验八：泛化的协变量均衡倾向得分权重方法

4.5.9　试验七：协变量均衡倾向得分权重方法

4.5.8　试验六：基于提升方法的泛化倾向得分权重方法

4.5.7　试验五：双鲁棒估计方法

4.5.6　试验四：逆倾向得分权重方法

4.5.5　试验三：基于决策树的子空间划分

4.5.4　试验二：匹配方法

4.5.3　试验一：分层方法

4.5.2　对照试验：估计ATE的常规方法

4.5.1　数据生成

4.5　基于潜在结果框架的因果推断方法的综合试验

4.4.2　局部相似表征学习

4.4.1　均衡表征学习

4.4　去混杂的表征空间

4.3.5　泛化的协变量均衡倾向得分权重

4.3.4　协变量均衡倾向得分权重

4.3.3　基于提升方法的泛化倾向得分权重

4.3.2　双鲁棒估计方法

4.3.1　逆倾向得分权重

4.3　重加权的样本空间

4.2.3　基于决策树的子空间划分

4.2.2　匹配方法

4.2.1　分层方法

4.2　均衡的样本子空间

4.1.3　POF的运行规则

4.1.2　POF的因果指标

4.1.1　POF的基本构成元素

4.1　POF

第4章　基于潜在结果框架的因果推断方法

参考文献

3.6　本章小结

3.5.3　主分层法的前提假设

3.5.2　主分层法的原理

3.5.1　随机对照试验中的不依从问题

3.5　主分层法

3.4.5　工具变量法案例分析

3.4.4　工具变量的实践方式

3.4.3　工具变量的有效性

3.4.2　工具变量的前提假设

3.4.1　工具变量的定义

3.4　工具变量法

3.3.7　断点回归法案例分析

3.3.6　断点回归法的评价

3.3.5　断点回归法的结果分析

3.3.4　断点回归法的有效性检验

3.3.3　精确断点与模糊断点

3.3.2　确定分组变量和断点

3.3.1　设计原理

3.3　断点回归法

3.2.5　合成控制法案例分析

3.2.4　合成控制法的评价

3.2.3　合成控制组的应用

3.2.2　求解合成控制组的权重

3.2.1　构建潜在的合成控制组

3.2　合成控制法

3.1.4　DID法案例分析

3.1.3　DID法的注意事项

3.1.2　DID模型的有效性检验

3.1.1　DID模型的原理

3.1　双重差分法

第3章　基于设计思想的因果推断方法

参考文献

2.5　本章小结

2.4.2　试验结果分析

2.4.1　最小样本容量

2.4　随机对照试验流程

2.3　两类统计错误

2.2　总体方差未知的情况

2.1.3　统计学的反证思维：假设检验

2.1.2　随机对照试验的核心思想

2.1.1　基本概念

2.1　随机对照试验的统计学原理

第2章　随机对照试验

参考文献

1.4.2　本书涉及的因果推断方法

1.4.1　符号和表示工具

1.4　因果推断方法

1.3.2　样本的选择性偏差

1.3.1　混杂

1.3　相关关系与因果关系之间的迷雾

1.2　因果关系

1.1　相关关系

第1章　相关关系和因果关系

前言

内容简介

作者介绍

版权信息

封面

封面

版权信息

作者介绍

内容简介

前言

第1章　相关关系和因果关系

1.1　相关关系

1.2　因果关系

1.3　相关关系与因果关系之间的迷雾

1.3.1　混杂

1.3.2　样本的选择性偏差

1.4　因果推断方法

1.4.1　符号和表示工具

1.4.2　本书涉及的因果推断方法

参考文献

第2章　随机对照试验

2.1　随机对照试验的统计学原理

2.1.1　基本概念

2.1.2　随机对照试验的核心思想

2.1.3　统计学的反证思维：假设检验

2.2　总体方差未知的情况

2.3　两类统计错误

2.4　随机对照试验流程

2.4.1　最小样本容量

2.4.2　试验结果分析

2.5　本章小结

参考文献

第3章　基于设计思想的因果推断方法

3.1　双重差分法

3.1.1　DID模型的原理

3.1.2　DID模型的有效性检验

3.1.3　DID法的注意事项

3.1.4　DID法案例分析

3.2　合成控制法

3.2.1　构建潜在的合成控制组

3.2.2　求解合成控制组的权重

3.2.3　合成控制组的应用

3.2.4　合成控制法的评价

3.2.5　合成控制法案例分析

3.3　断点回归法

3.3.1　设计原理

3.3.2　确定分组变量和断点

3.3.3　精确断点与模糊断点

3.3.4　断点回归法的有效性检验

3.3.5　断点回归法的结果分析

3.3.6　断点回归法的评价

3.3.7　断点回归法案例分析

3.4　工具变量法

3.4.1　工具变量的定义

3.4.2　工具变量的前提假设

3.4.3　工具变量的有效性

3.4.4　工具变量的实践方式

3.4.5　工具变量法案例分析

3.5　主分层法

3.5.1　随机对照试验中的不依从问题

3.5.2　主分层法的原理

3.5.3　主分层法的前提假设

3.6　本章小结

参考文献

第4章　基于潜在结果框架的因果推断方法

4.1　POF

4.1.1　POF的基本构成元素

4.1.2　POF的因果指标

4.1.3　POF的运行规则

4.2　均衡的样本子空间

4.2.1　分层方法

4.2.2　匹配方法

4.2.3　基于决策树的子空间划分

4.3　重加权的样本空间

4.3.1　逆倾向得分权重

4.3.2　双鲁棒估计方法

4.3.3　基于提升方法的泛化倾向得分权重

4.3.4　协变量均衡倾向得分权重

4.3.5　泛化的协变量均衡倾向得分权重

4.4　去混杂的表征空间

4.4.1　均衡表征学习

4.4.2　局部相似表征学习

4.5　基于潜在结果框架的因果推断方法的综合试验

4.5.1　数据生成

4.5.2　对照试验：估计ATE的常规方法

4.5.3　试验一：分层方法

4.5.4　试验二：匹配方法

4.5.5　试验三：基于决策树的子空间划分

4.5.6　试验四：逆倾向得分权重方法

4.5.7　试验五：双鲁棒估计方法

4.5.8　试验六：基于提升方法的泛化倾向得分权重方法

4.5.9　试验七：协变量均衡倾向得分权重方法

4.5.10　试验八：泛化的协变量均衡倾向得分权重方法

4.5.11　试验九：均衡表征学习和局部相似表征学习

4.5.12　总结

4.6　本章小结

参考文献

第5章　基于结构因果模型的因果推断方法

5.1　因果层级

5.2　结构因果模型

5.2.1　因果图

5.2.2　因果图的基本节点结构

5.2.3　因果图上的概率分布

5.2.4　因果图上的结构方程

5.2.5　结构因果模型小结

5.3　干预推断

5.3.1　后门调整

5.3.2　前门调整

5.3.3　do演算

5.4　干预的可识别性和识别算法

5.4.1　基本概念和定义

5.4.2　Px（v）的可识别性

5.4.3　Px（s）的可识别性

5.4.4　Pt（s）的可识别性

5.4.5　半马尔可夫模型向马尔可夫模型的进化

5.5　反事实预测

5.6　本章小结