电子工业出版社-网上书店

本书全面介绍了最新的因果推断方法，并以实践应用为辅，方便读者理解。本书化繁为简，层层深入地引导读者了解因果推断方法发展的历程和现状。通过本书，读者可以获得关于因果推断方法的全局视角。本书共5章，以递进的方式展开对因果推断方法的介绍。第1章从广泛熟悉的相关关系出发，通过介绍相关关系与因果关系的联系与区别过渡到对因果关系的探索。在明确因果关系概念的基础上，第2章主要介绍洞察因果关系的金标准：随机对照试验。基于随机对照试验的原理和不同的应用场景，本书将因果推断方法分为3类：基于设计思想的因果推断方法、基于潜在结果框架的因果推断方法和基于结构因果模型的因果推断方法。第3章～第5章分别对这3类方法进一步详细分类，并进行解析。同时，这3类方法的应用场景也呈现递进的关系。本书适合有一定统计知识背景的读者，特别是希望深入研究因果推断方法并将其应用于各领域实践的相关研究者。同时，本书也适合对因果推断方法感兴趣的在校学生和业界工作人员。

第1章  相关关系和因果关系	1
1.1　相关关系	1
1.2　因果关系	3
1.3　相关关系与因果关系之间的迷雾	6
1.3.1  混杂	6
1.3.2  样本的选择性偏差	7
1.4　因果推断方法	9
1.4.1  符号和表示工具	9
1.4.2  本书涉及的因果推断方法	10
参考文献	12
第2章  随机对照试验	14
2.1　随机对照试验的统计学原理	14
2.1.1  基本概念	14
2.1.2  随机对照试验的核心思想	15
2.1.3  统计学的反证思维：假设检验	16
2.2　总体方差未知的情况	17
2.3　两类统计错误	19
2.4　随机对照试验流程	21
2.4.1  最小样本容量	22
2.4.2  试验结果分析	24
2.5　本章小结	25
参考文献	26
第3章  基于设计思想的因果推断方法	28
3.1　双重差分法	28
3.1.1  DID模型的原理	29
3.1.2  DID模型的有效性检验	30
3.1.3  DID法的注意事项	32
3.1.4  DID法案例分析	33
3.2　合成控制法	39
3.2.1  构建潜在的合成控制组	40
3.2.2  求解合成控制组的权重	41
3.2.3  合成控制组的应用	42
3.2.4  合成控制法的评价	43
3.2.5  合成控制法案例分析	44
3.3　断点回归法	48
3.3.1  设计原理	49
3.3.2  确定分组变量和断点	49
3.3.3  精确断点与模糊断点	51
3.3.4  断点回归法的有效性检验	52
3.3.5  断点回归法的结果分析	52
3.3.6  断点回归法的评价	53
3.3.7  断点回归法案例分析	54
3.4　工具变量法	61
3.4.1  工具变量的定义	61
3.4.2  工具变量的前提假设	62
3.4.3  工具变量的有效性	63
3.4.4  工具变量的实践方式	64
3.4.5  工具变量法案例分析	66
3.5　主分层法	72
3.5.1  随机对照试验中的不依从问题	72
3.5.2  主分层法的原理	73
3.5.3  主分层法的前提假设	75
3.6　本章小结	76
参考文献	77
第4章  基于潜在结果框架的因果推断方法	80
4.1　POF	80
4.1.1  POF的基本构成元素	80
4.1.2  POF的因果指标	81
4.1.3  POF的运行规则	82
4.2　均衡的样本子空间	88
4.2.1  分层方法	88
4.2.2  匹配方法	90
4.2.3  基于决策树的子空间划分	94
4.3　重加权的样本空间	96
4.3.1  逆倾向得分权重	96
4.3.2  双鲁棒估计方法	97
4.3.3  基于提升方法的泛化倾向得分权重	98
4.3.4  协变量均衡倾向得分权重	100
4.3.5  泛化的协变量均衡倾向得分权重	101
4.4　去混杂的表征空间	104
4.4.1  均衡表征学习	104
4.4.2  局部相似表征学习	107
4.5　基于潜在结果框架的因果推断方法的综合试验	112
4.5.1  数据生成	112
4.5.2  对照试验：估计ATE的常规方法	114
4.5.3  试验一：分层方法	115
4.5.4  试验二：匹配方法	117
4.5.5  试验三：基于决策树的子空间划分	119
4.5.6  试验四：逆倾向得分权重	120
4.5.7  试验五：双鲁棒估计方法	121
4.5.8  试验六：基于提升方法的泛化倾向得分权重	122
4.5.9  试验七：协变量均衡倾向得分权重	123
4.5.10  试验八：泛化的协变量均衡倾向得分权重	124
4.5.11  试验九：均衡表征学习和局部相似表征学习	124
4.5.12  总结	127
4.6　本章小结	127
参考文献	128
第5章  基于结构因果模型的因果推断方法	132
5.1　因果层级	132
5.2　结构因果模型	134
5.2.1  因果图	134
5.2.2  因果图的基本节点结构	135
5.2.3  因果图上的概率分布	137
5.2.4  因果图上结构方程	139
5.2.5  结构因果模型小结	141
5.3　干预推断	142
5.3.1  后门调整	142
5.3.2  前门调整	143
5.3.3  do演算	144
5.4　干预的可识别性和识别算法	147
5.4.1  基本概念和定义	147
5.4.2  Px(v)的可识别性	150
5.4.3  Px(s)的可识别性	163
5.4.4  Pt(s)的可识别性	179
5.4.5  半马尔可夫模型向马尔可夫模型的进化	183
5.5　反事实预测	184
5.6　本章小结	186
参考文献	186

这是一本有灵魂的图书。
在本书中，读者不仅可以了解因果推断方法，还可以体会到作者用心将对这些方法的理解灌注在本书的每一个文字之中。这将是一种不一样的体验，阅读有灵魂的图书，你会感受到作者向读者传递的思考和交流。希望每个读者在阅读的过程中体验这种思想的碰撞带来的愉悦感，并且有所收获。关于因果推断的方法有很多，将各种精髓提炼并形成一本图书并不是一件容易的事。作者竭力使本书的内容展开的平滑连贯，对抽象的定义赋予形象的比喻，并对复杂定理和公式进行详细推导，以还原每个方法最原始的构建过程。一旦清楚了本来晦涩难懂的理论的前因后果，就会感到豁然开朗，这一切都是这么自然。下面简要介绍全书主要内容。
本书全面介绍了因果推断方法。因果推断方法的核心目标是明确事物运行之间的因果关系。因果关系是指观测表现背后的本质规律，明确因果关系对理解世界的规律、发挥人的主观能动性去改造世界至关重要。本书从因果推断的随机对照试验出发，由浅入深，向读者展现了一个完整的因果推断世界。在本书中，因果推断方法被划分为3类，分别是基于设计思想、潜在结果框架和结构因果模型，每类均包含若干代表性方法。对于每个方法，本书均按照核心目标、主要思想、原理解析、实践案例的方式展开。通过这个过程，读者不仅可以理解每个方法，还可以获取该方法的实践指南。
明确因果关系是迈向强人工智能的有力手段，近几年，关于因果推断相关理论研究的热度持续攀升。同时，因果推断理论在很多学科开始发挥作用，包括工业界的推荐系统、社会科学领域的政策效应评估、医疗领域的病理分析和理学领域的物理模型搭建等，因果推断理论正全面影响着过去基于相关关系建立的模型。可以预见，因果推断的发展必将推动人工智能领域的进一步发展，使人工智能更好地服务于生产生活。但是，迄今为止，仍没有文献系统地从全局视角来统一总结这些因果推断方法，这并不利于该领域的普及和发展。本书作者希望提供给读者这样一个全面的视角来了解这个领域的发展，同读者一起逐步搭建起一座关于因果推断科学的大厦。另外，作者将本书中涉及的理论对应的实践程序进行了整理，一并在书中予以介绍，以便读者进行理论和实践的结合。这是一本面向对因果推断感兴趣的科普图书。对于想进入因果推断领域却没有头绪的读者，阅读本书将是一个不错的开端。

本书配套资源下载

对不起，暂无音视频资源！

因果推断：原理解析与应用实践