因果推斷：原理解析與應(yīng)用實踐

第1章 相關(guān)關(guān)系和因果關(guān)系 1
1.1　相關(guān)關(guān)系 1
1.2　因果關(guān)系 3
1.3　相關(guān)關(guān)系與因果關(guān)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(tǒng)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(tǒng)計學的反證思維：假設(shè)檢驗 16
2.2　總體方差未知的情況 17
2.3　兩類統(tǒng)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(jié)果分析 24
2.5　本章小結(jié) 25
參考文獻 26
第3章 基于設(shè)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法的注意事項 32
3.1.4 DID法案例分析 33
3.2　合成控制法 39
3.2.1 構(gòu)建潛在的合成控制組 40
3.2.2 求解合成控制組的權(quán)重 41
3.2.3 合成控制組的應(yīng)用 42
3.2.4 合成控制法的評價 43
3.2.5 合成控制法案例分析 44
3.3　斷點回歸法 48
3.3.1 設(shè)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(jié)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(shè) 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(shè) 75
3.6　本章小結(jié) 76
參考文獻 77
第4章 基于潛在結(jié)果框架的因果推斷方法 80
4.1　POF 80
4.1.1 POF的基本構(gòu)成元素 80
4.1.2 POF的因果指標 81
4.1.3 POF的運行規(guī)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 基于決策樹的子空間劃分 94
4.3　重加權(quán)的樣本空間 96
4.3.1 逆傾向得分權(quán)重 96
4.3.2 雙魯棒估計方法 97
4.3.3 基于提升方法的泛化傾向得分權(quán)重 98
4.3.4 協(xié)變量均衡傾向得分權(quán)重 100
4.3.5 泛化的協(xié)變量均衡傾向得分權(quán)重 101
4.4　去混雜的表征空間 104
4.4.1 均衡表征學習 104
4.4.2 局部相似表征學習 107
4.5　基于潛在結(jié)果框架的因果推斷方法的綜合試驗 112
4.5.1 數(shù)據(jù)生成 112
4.5.2 對照試驗：估計ATE的常規(guī)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：基于決策樹的子空間劃分 119
4.5.6 試驗四：逆傾向得分權(quán)重 120
4.5.7 試驗五：雙魯棒估計方法 121
4.5.8 試驗六：基于提升方法的泛化傾向得分權(quán)重 122
4.5.9 試驗七：協(xié)變量均衡傾向得分權(quán)重 123
4.5.10 試驗八：泛化的協(xié)變量均衡傾向得分權(quán)重 124
4.5.11 試驗九：均衡表征學習和局部相似表征學習 124
4.5.12 總結(jié) 127
4.6　本章小結(jié) 127
參考文獻 128
第5章 基于結(jié)構(gòu)因果模型的因果推斷方法 132
5.1　因果層級 132
5.2　結(jié)構(gòu)因果模型 134
5.2.1 因果圖 134
5.2.2 因果圖的基本節(jié)點結(jié)構(gòu) 135
5.2.3 因果圖上的概率分布 137
5.2.4 因果圖上結(jié)構(gòu)方程 139
5.2.5 結(jié)構(gòu)因果模型小結(jié) 141
5.3　干預(yù)推斷 142
5.3.1 后門調(diào)整 142
5.3.2 前門調(diào)整 143
5.3.3 do演算 144
5.4　干預(yù)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(yù)測 184
5.6　本章小結(jié) 186
參考文獻 186