因果推斷導論

CONTENTS
目??錄
推薦序
前言
符號表
第一部分　因果推斷基礎
第1章　因果關系推斷的基本概念　2
1.1　因果關系推斷　2
1.2　混雜與辛普森悖論　3
1.3　隨機對照試驗　4
1.4　數(shù)據(jù)驅(qū)動的因果推斷模型　4
1.5　圖模型　5
1.5.1　有向無環(huán)圖　5
1.5.2　最大祖先圖　7
1.6　貝葉斯網(wǎng)絡　11
參考文獻　15
第二部分　Rubin潛在結(jié)果
模型與因果效應
第2章　潛在結(jié)果模型與因果效應
的概念　18
2.1　潛在結(jié)果模型的概念　18
2.1.1　潛在結(jié)果的定義　18
2.1.2　潛在結(jié)果模型　20
2.2　因果效應定義與假設　20
2.2.1　個體因果效應　20
2.2.2　平均因果效應　21
2.2.3　異質(zhì)性因果效應　25
2.3　拓展閱讀　27
參考文獻　27
第3章　因果效應估計方法　29
3.1　匹配方法　29
3.1.1　選擇協(xié)變量　31
3.1.2　定義距離度量　31
3.1.3　選擇匹配算法　34
3.1.4　評估匹配算法　39
3.2　分層方法　40
3.3　重加權(quán)方法　42
3.3.1　樣本重加權(quán)　42
3.3.2　樣本和協(xié)變量重加權(quán)　 46
3.4　表示學習方法　49
3.4.1　問題轉(zhuǎn)化　 49
3.4.2　反事實回歸方法　50
3.4.3　保持個體相似性的
因果效應估計方法　54
3.5　拓展閱讀　60
參考文獻　61
第三部分　Pearl因果
圖模型與方法
第4章　干預與因果圖模型　64
4.1　干預與do演算　64
4.2　因果貝葉斯網(wǎng)絡模型　65
4.2.1　因果貝葉斯網(wǎng)絡基礎　65
4.2.2　因果貝葉斯網(wǎng)絡與干預　68
4.3　結(jié)構(gòu)因果模型　71
4.3.1　結(jié)構(gòu)因果模型的定義　71
4.3.2　結(jié)構(gòu)因果模型與干預　72
4.4　拓展閱讀　73
參考文獻　73
第5章　混雜偏差　75
5.1　混雜因子的圖形化表示　75
5.2　父代因果效應準則　77
5.3　后門準則　79
5.4　前門準則　81
5.5　do演算公理系統(tǒng)　83
5.6　拓展閱讀　85
參考文獻　86
第6章　選擇偏差　87
6.1　選擇偏差的概念　87
6.2　選擇偏差的圖形化表示　88
6.3　選擇后門標準　90
6.4　拓展閱讀　92
參考文獻　93
第7章　反事實推斷　95
7.1　反事實的定義　95
7.2　反事實計算　96
7.3　反事實和干預　98
7.3.1　反事實與do算子　98
7.3.2　后門的反事實解釋　100
7.4　反事實與潛在結(jié)果　102
7.5　反事實與決策　104
7.5.1　必要因、充分因和充要因　104
7.5.2　參與者處理效應　106
7.6　拓展閱讀　108
參考文獻　108
第8章　因果中介效應　110
8.1　中介效應的基本概念　110
8.2　基于線性模型的因果中介效應　113
8.3　基于反事實的因果中介效應　115
8.4　進一步分析　121
8.5　拓展閱讀　123
參考文獻　123
第9章　工具變量　125
9.1　工具變量的概念　125
9.1.1　三個基本條件　125
9.1.2　工具變量不等式　126
9.1.3　同質(zhì)性與單調(diào)性　127
9.2　工具因果效應估計　129
9.2.1　二值工具因果效應估計　129
9.2.2　連續(xù)工具因果效應估計　130
9.3　條件工具變量　131
9.4　識別工具變量　133
9.5　拓展閱讀　135
參考文獻　135
第四部分　因果結(jié)構(gòu)學習方法
第10章　組合優(yōu)化因果結(jié)構(gòu)學習　138
10.1　限制優(yōu)化學習　139
10.1.1　理論基礎　139
10.1.2　PC算法　142
10.1.3　FCI算法　154
10.2　打分優(yōu)化學習　161
10.2.1　基本思路　161
10.2.2　評分函數(shù)　162
10.2.3　經(jīng)典的打分優(yōu)化
學習算法　165
10.3　拓展閱讀　168
參考文獻　168
第11章　連續(xù)優(yōu)化因果結(jié)構(gòu)
學習　171
11.1　連續(xù)優(yōu)化方法　171
11.1.1　模型構(gòu)造　171
11.1.2　權(quán)重鄰接矩陣　172
11.1.3　數(shù)值問題轉(zhuǎn)化　　173
11.1.4　無環(huán)約束方法　174
11.1.5　迭代優(yōu)化　176
11.2　從線性模型到神經(jīng)網(wǎng)絡　177
11.3　用MLP進行DAG學習　179
11.3.1　多層感知機　179
11.3.2　生成模型構(gòu)建　180
11.3.3　鄰接矩陣表示　181
11.3.4　訓練優(yōu)化　183
11.4　DAG-GNN　183
11.4.1　問題轉(zhuǎn)化　 184
11.4.2　變分自編碼器　184
11.4.3　模型構(gòu)造　 187
11.4.4　離散情形　 188
11.4.5　無環(huán)約束改進　 188
11.4.6　訓練優(yōu)化　189
11.5　對抗優(yōu)化方法SAM　190
11.5.1　生成對抗網(wǎng)絡　190
11.5.2　深度神經(jīng)網(wǎng)絡擬合
因果機制　190
11.5.3　學習準則　192
11.6　拓展閱讀　195
參考文獻　196
第12章　局部因果結(jié)構(gòu)學習　198
12.1　基于限制的局部因果結(jié)構(gòu)學習　198
12.1.1　局部骨架學習　198
12.1.2　局部骨架定向　208
12.2　基于打分的局部因果結(jié)構(gòu)學習　210
12.3　局部到全局的因果
結(jié)構(gòu)學習　211
12.3.1　MMHC算法　211
12.3.2　對稱性校正　212
12.4　拓展閱讀　213
參考文獻　214
第五部分　因果結(jié)構(gòu)未知情形下的因果效應估計
第13章　基于CPDAG的因果效應
估計　218
13.1　基于全局CPDAG的
因果效應估計　218
13.1.1　IDA算法思想　218
13.1.2　IDA算法執(zhí)行　219
13.2　基于局部因果結(jié)構(gòu)的
因果效應估計　222
13.2.1　總效應和直接效應　222
13.2.2　等價類與鏈組件　 223
13.2.3　基于鏈組件的全局方法　224
13.2.4　基于鏈組件的局部方法　227
13.3　拓展閱讀　231
參考文獻　231