全新正版因果推断导论9787111731078机械工业出版社

CONTENTS<br />目??录<br />序<br />前言<br />符号表<br />部  因果推断基础<br />章  因果关系推断的基本概念  2<br />1.1  因果关系推断  2<br />1.2  混杂与辛普森悖论  3<br />1.3  随机对照试验  4<br />1.4  数据驱动的因果推断模型  4<br />1.5  图模型  5<br />1.5.1  有向无环图  5<br />1.5.2  优选祖先图  7<br />1.6  贝叶斯网络  11<br />参考文献  15<br />第二部分  Rubin潜在结果<br />模型与因果效应<br />第2章  潜在结果模型与因果效应<br />的概念  18<br />2.1  潜在结果模型的概念  18<br />2.1.1  潜在结果的定义  18<br />2.1.2  潜在结果模型  20<br />2.2  因果效应定义与设  20<br />2.2.1  个体因果效应  20<br />2.2.2  平均因果效应  21<br />2..  异质因果效应  25<br />.  拓展阅读  27<br />参考文献  27<br />第3章  因果效应估计方法  29<br />3.1  匹配方法  29<br />3.1.1  选择协变量  31<br />3.1.2  定义距离度量  31<br />3.1.3  选择匹配算法  34<br />3.1.4  评估匹配算法  39<br />3.2  分层方法  40<br />3.3  重加权方法  42<br />3.3.1  样本重加权  42<br />3.3.2  样本和协变量重加权   46<br />3.4  表示学习方法  49<br />3.4.1  问题转化   49<br />3.4.2  反事实回归方法  50<br />3.4.3  保持个体相似的<br />因果效应估计方法  54<br />3.5  拓展阅读  60<br />参考文献  61<br />第三部分  Pearl因果<br />图模型与方法<br />第4章  干预与因果图模型  64<br />4.1  干预与do演算  64<br />4.2  因果贝叶斯网络模型  65<br />4.2.1  因果贝叶斯网络基础  65<br />4.2.2  因果贝叶斯网络与干预  68<br />4.3  结构因果模型  71<br />4.3.1  结构因果模型的定义  71<br />4.3.2  结构因果模型与干预  72<br />4.4  拓展阅读  73<br />参考文献  73<br />第5章  混杂偏差  75<br />5.1  混杂因子的图形化表示  75<br />5.2  父代因果效应准则  77<br />5.3  后门准则  79<br />5.4  前门准则  81<br />5.5  do演算公理系统  83<br />5.6  拓展阅读  85<br />参考文献  86<br />第6章  选择偏差  87<br />6.1  选择偏差的概念  87<br />6.2  选择偏差的图形化表示  88<br />6.3  选择后门标准  90<br />6.4  拓展阅读  92<br />参考文献  93<br />第7章  反事实推断  95<br />7.1  反事实的定义  95<br />7.2  反事实计算  96<br />7.3  反事实和干预  98<br />7.3.1  反事实与do算子  98<br />7.3.2  后门的反事实解释  100<br />7.4  反事实与潜在结果  102<br />7.5  反事实与决策  104<br />7.5.1  必要因、充分因和充要因  104<br />7.5.2  参与者处理效应  106<br />7.6  拓展阅读  108<br />参考文献  108<br />第8章  因果中介效应  110<br />8.1  中介效应的基本概念  110<br />8.2  基于线模型的因果中介效应  113<br />8.3  基于反事实的因果中介效应  115<br />8.4  进一步分析  121<br />8.5  拓展阅读  1<br />参考文献  1<br />第9章  工具变量  125<br />9.1  工具变量的概念  125<br />9.1.1  三个基本条件  125<br />9.1.2  工具变量不等式  126<br />9.1.3  同质与单调  127<br />9.2  工具因果效应估计  129<br />9.2.1  二值工具因果效应估计  129<br />9.2.2  连续工具因果效应估计  130<br />9.3  条件工具变量  131<br />9.4  识别工具变量  133<br />9.5  拓展阅读  135<br />参考文献  135<br />第四部分  因果结构学习方法<br />0章  组合优化因果结构学习  138<br />10.1  优化学习  139<br />10.1.1  理论基础  139<br />10.1.2  PC算法  142<br />10.1.3  FCI算法  154<br />10.2  打分优化学习  161<br />10.2.1  基本思路  161<br />10.2.2  评分函数  162<br />10..  经典的打分优化<br />学习算法  165<br />10.3  拓展阅读  168<br />参考文献  168<br />1章  连续优化因果结构<br />学习  171<br />11.1  连续优化方法  171<br />11.1.1  模型构造  171<br />11.1.2  权重邻接矩阵  172<br />11.1.3  数值问题转化    173<br />11.1.4  无环约束方法  174<br />11.1.5  迭代优化  176<br />11.2  从线模型到神经网络  177<br />11.3  用MLP进行DAG学习  179<br />11.3.1  多层感知机  179<br />11.3.2  生成模型构建  180<br />11.3.3  邻接矩阵表示  181<br />11.3.4  训练优化  183<br />11.4  DAG-GNN  183<br />11.4.1  问题转化   184<br />11.4.2  变分自编码器  184<br />11.4.3  模型构造   187<br />11.4.4  离散情形   188<br />11.4.5  无环约束改进   188<br />11.4.6  训练优化  189<br />11.5  对抗优化方法SAM  190<br />11.5.1  生成对抗网络  190<br />11.5.2  深度神经网络拟合<br />因果机制  190<br />11.5.3  学习准则  192<br />11.6  拓展阅读  195<br />参考文献  196<br />2章  局部因果结构学习  198<br />12.1  基于的局部因果结构学习  198<br />12.1.1  局部骨架学习  198<br />12.1.2  局部骨架定向  208<br />12.2  基于打分的局部因果结构学习  210<br />1.  局部到全局的因果<br />结构学习  211<br />1..1  MMHC算法  211<br />1..2  对称校正  212<br />12.4  拓展阅读  213<br />参考文献  214<br />第五部分  因果结构未知情形下的因果效应估计<br />3章  基于CPDAG的因果效应<br />估计  218<br />13.1  基于全局CPDAG的<br />因果效应估计  218<br />13.1.1  A算法思想  218<br />13.1.2  A算法执行  219<br />13.2  基于局部因果结构的<br />因果效应估计  222<br />13.2.1  总效应和直接效应  222<br />13.2.2  等价类与链组件   2<br />13..  基于链组件的全局方法  224<br />13.2.4  基于链组件的局部方法  227<br />13.3  拓展阅读  1<br />参考文献  1

本书以构建因果推断基础知识框架，主要从Rubin因果模型、Pearl因果模型、基于图模型的因果效应计算、因果结构学习、因果机器学习五个篇章为大家介绍智因果推断的基础理论、模型、方法、和前沿应用，学生步入充满趣味与挑战的因果推理领域。

本书是一本系统介绍因果推断的基本概念、理论与方法的参考书，主要特色如下：<br>?从Rubin潜在结果模型开始，系统的介绍了因果推断的基本概念、基本问题和重要设，然后详细介绍了基于Rubin潜在结果模型的经典和代表的因果效应计算方法；<br>?基于Rubin潜在结果模型引入Pearl因果结构模型，比较系统的从图模型的角度详细介绍了Pearl因果推断框架下的do演算、混杂偏差、选择偏差、反事实、中介效应等因果推断的重要概念与理论方法；<br>?从Pearl因果结构模型的角度详细介绍了经典与近期新因果结构学习算法的基本思想和执行过程，以及Pearl因果推断框架在实际数据中的因果效应计算方法。