集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织 - 用户贡献 [zh-cn]

Elements of Causal Inference: Foundations and Learning Algorithms

2022-06-19T14:16:58Z

于沂渭：/* 编者推荐 */

[[文件:《Elements of Causal Inference- Foundations and Learning Algorithms》.jpg|缩略图|MElements of Causal Inference Foundations and Learning Algorithms]]
=内容简介-英文=
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.
The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.

=内容简介-中文=
《因果推理：基础与学习算法》从概率统计的角度入手，分析了因果推理的假设，揭示这些假设所暗示的因果推理和学目的。本书分别论述了变量和多变量情况下的因果模型、学习因果模型及其与机器学关系，讨论了因果推理隐藏变量有关的问题、时间系列的因果分析。《因果推理：基础与学习算法》可作为高等院校人工智能和计算机科学等相关专业高年级本科生和硕士研究生的教材，也可供研究机器学习、因果推理的技术人员参考。
[[文件:《因果推理：基础与学习算法》.jpg|缩略图|因果推理：基础与学习算法]]

=基本信息=
书名：Elements of Causal Inference: Foundations and Learning Algorithms

作者：Jonas Peters/Dominik Janzing/Bernhard Schölkopf

中文翻译版：因果推理基础与学习算法

译者: 李小和 / 卢胜男 / 程建国

=作者介绍=
'''Jonas Peters'''

Jonas Peters是哥本哈根大学数学科学系的统计学教授。此前，他曾担任图宾根马克斯-普朗克智能系统研究所的组长和苏黎世联邦理工学院统计研讨会的玛丽居里研究员。他在海德堡大学和剑桥大学学习数学，并在 MPI 和 ETH 联合获得博士学位。他感兴趣的是从不同类型的数据中推断因果关系，以及建立对分布变化具有鲁棒性的统计方法。在他的研究中，乔纳斯试图将理论、方法和应用结合起来。他的工作涉及计算统计、因果推理、图形模型、独立性测试或高维统计等领域。

'''Dominik Janzing'''
Dominik Janzing是位于德国图宾根的马克思·普朗克智能系统研究所的高级研究科学家，现在致力于从统计数据进行因果推理和新的因果推理规则的基础。

'''Bernhard Schölkopf'''
Bernhard Schölkopf是位于德国图宾根的马克思·普朗克智能系统研究所所长。他是《用核函数学习》(2002)的合著者，也是《核函数方法的进展:支持向量学习》(1998)、《大边缘分类器的进展》(2000)和《计算生物学中的核函数方法》(2004)的共同编辑。他还是苏黎世联邦理工学院的附属教授，蒂宾根大学和柏林工业大学的名誉教授，以及欧洲学习与智能系统实验室(ELLIS) 的主席。

=内容目录=
前言

符号和术语

第1章统计和因果模型

1.1 概率论与统计学

1.2 学习理论

1.3 因果建模和学习

1.4 实例

1.4.1 模式识别

1.4.2 基因干扰

第2章因果推断假设

2.1 独立机制原则

2.2 历史记录

2.3 因果模型的物理结构

2.3.1 时间的作用

2.3.2 物理定律

2.3.3 循环赋值

2.3.4 干预的可行性

2.3.5 原因和机制的独立性以及时间的热力学之箭

第3章原因-效果模型

3.1 结构因果模型

3.2 干预

3.3 反事实

3.4 结构因果模型的标准表示

3.5 问题

第4章学习原因-效果模型

4.1 结构可识别性

4.1.1 为什么需要额外的假设

4.1.2 假设类型的概述

4.1.3 非高斯加性噪声的线性模型

4.1.4 非线性加性噪声模型

4.1.5 离散加性噪声模型

4.1.6 后非线性模型

4.1.7 信息-几何因果推断

4.1.8 Trace方法

4.1.9 以算法信息理论为可能的基础

4.2 结构识别方法

4.2.1 加性噪声模型

4.2.2 信息几何因果推断

4.2.3 Trace方法

4.2.4 监督学习方法

4.3 问题

第5章与机器学联系1

5.1 半监督学习

5.1.1 半监督学习和因果方向

5.1.2 关于半监督学习在因果方向上的注释

5.2 协变量偏移

5.3 问题

第6章多变量因果模型

6.1 图的术语

6.2 结构因果模型

6.3 干预

6.4 反事实

6.5 马尔可夫性、忠实性和因果小性

6.5.1 马尔可夫性

6.5.2 因果图模型

6.5.3 忠实性和因果小性

6.6 通过协变量调整计算干预分布

6.7 do-calculus

6.8 因果模型的等价性和可证伪性

6.9 潜在的结果

6.9.1 定义与实例

6.9.2 潜在的结果与结构因果模型之间的关系

6.10 单一对象的广义结构因果模型

6.11 条件算法独立性

6.12 问题

第7章学习多变量因果模型

7.1 结构可识别性

7.1.1 忠实性

7.1.2 加性噪声模型

7.1.3 具有等误差方差的线性高斯模型

7.1.4 线性非高斯无环模型

7.1.5 非线性高斯加性噪声模型

7.1.6 观测数据和实验数据

7.2 结构识别方法

7.2.1 基于独立的方法

7.2.2 基于分数的方法

7.2.3 加性噪声模型

7.2.4 已知因果次序

7.2.5 观测数据与实验数据

7.3 问题

第8章与机器学联系2

8.1 半同胞回归

8.2 因果推断与场景强化学习

8.2.1 逆概率加权

8.2.2 场景强化学习

8.2.3 21点（Blackjack）中的状态简化

8.2.4 改进广告布置的加权

8.3 域适应

8.4 问题

第9章隐藏变量

9.1 干预充分性

9.2 Simpson悖论

9.3 工具变量

9.4 条件独立性和图表示

9.4.1 图

9.4.2 快速因果推断

9.5 条件独立性之外的约束

9.5.1 Verma约束

9.5.2 不等式约束

9.5.3 基于协方差的约束

9.5.4 附加噪声模型

9.5.5 检测低复杂度混杂因子

9.5.6 不同的环境

9.6 问题

第10章时间序列

10.1 基础和术语

10.2 结构因果模型和干预

10.2.1 下采样

10.3 学习因果时间序列模型

10.3.1 马尔可夫条件和忠实性

10.3.2 一些不要求忠实性的因果结论

10.3.3 Granger因果关系

10.3.4 具有受限函数类的模型

10.3.5 频谱独立准则

10.4 动态因果建模

10.5 问题

附录

附录A 一些概率与统计学基础知识

A.1 基本定义

A.2 独立性以及条件独立性测试

A.3 函数类的容量

附录B 因果次序和邻接矩阵

附录C 证明

C.1 定理4.2的证明

C.2 命题6.3的证明

C.3 备注6.6的证明

C.4 命题6.13的证明

C.5 命题6.14的证明

C.6 命题6.36的证明

C.7 命题8的证明

C.8 命题9的证明

C.9 命题7.1的证明

C.10 命题7.4的证明

C.11 命题8.1的证明

C.12 命题8.2的证明

C.13 命题9.3的证明

C.14 命题10.3的证明

C.15 定理10.4的证明

参考文献

=资源获取=
*[https://library.oapen.org/bitstream/id/056a11be-ce3a-44b9-8987-a6c68fce8d9b/11283.pdf 《Elements of Causal Inference: Foundations and Learning Algorithms》]
=相关wiki=
*[[因果推断 Causal inference]]
*[[因果涌现 Causal Emergence]]
*[[因果科学社区]]
=编者推荐=
===豆瓣书评[https://book.douban.com/subject/27088754/]===
“又是一本当年自己没看懂觉得很无聊现在发现是神作的书……” ——'''一般翼赞员'''

“主要就介绍作者们这几年发的论文工作，除此以外的部分就是宽泛的文献综述了。没太多细节。” ——'''周末'''

===Goodreads书评[https://www.goodreads.com/book/show/34889379-elements-of-causal-inference?from_search=true&from_srp=true&qid=iaibbz7Qht&rank=1]===

“This book provides a nice introduction into today's causal inference research. For a person like me who is vaguely interested in the topic, but 1) find classical writings like Pearl's to be difficult to understand because they are not written in the language of modern statistics & machine learning, and 2) want to get an overview of today's rapid & diverse research on the topic, this book is a perfect fit. Authors explain key ideas of causal inference in modern terminologies of machine learning, and I found it much more readable than others. They also cover a wide spectrum of ongoing approaches and issues in the field, and make insightful connections between them. Since the book covers so many topics, however, most topics are only sketchily touched, and technical proofs are mostly left out. Moreover, authors concentrate mostly on theoretical issues (ex: identifiability) and applications to real-world problems are only occasionally discussed. This book only serves as a starting point, and you need to follow references to really understand any topic; I expected deeper and gentler dive, at least for key concepts. I also found latter half of the book to be not as carefully written as in the beginning; so many parentheses and hyphens, which are quite distracting.” ——'''Hyokun Yun'''

“After reading "The Book of Why", I was looking for a more technical introduction to causality. Since by background in machine learning using kernel methods, this book co-authored by Bernhard Schölkopf seemed a good start.Though I skimmed through the latter chapters, the beginning gives a good introduction to the different types of causality and which assumptions that have to be made. I especially liked the chapters drawing links between causality and topics like transfer learning and domain adaptation!” ——'''Michiel'''[[File:因果推断.png|400px|right|thumb|[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]]]
===集智俱乐部读书会推荐===
====[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]====
大数据时代的下一场变革——因果革命正在酝酿之中，通过融合因果推理和机器学习而构建出来的Causal AI系统，有望奠定强人工智能的基石。集智俱乐部联合北京智源人工智能研究院，邀请了一批对因果科学与Casual AI感兴趣的研究者，开展为期2-3个月的系列线上读书会，研读经典和前沿论文，并尝试集体撰写一部书籍。
===集智俱乐部相关文章===
====[https://swarma.org/?p=27204 图模型与因果推理基础- SCM框架和Do-Calculus]====
:本文主要串讲了Pearl因果识别框架的基础知识，包括图模型、结构因果模型的范式，三种识别策略，以及如何运用do- calculus的三种规则来进行因果识别。本篇内容整理自因果科学读书会第一季。
====[https://swarma.org/?p=34072 第二种想象力：社会科学中的因果推断]====
:本文中南京大学陈云松教授从“因果”和“数据”两个维度，用因果推断、大数据和机器学习等方面的系列研究案例，阐释第二种想象力的八类思维面向。
====[https://pattern.swarma.org/article/145 因果科学的学习路线图]====
:本文主要根据对因果推断引擎的介绍，为关注因果科学领域的初学者提供了完整的学习路径
----本中文词条由因果读书会词条梳理志愿者[[用户:于沂渭|一尾鱼]]编辑，未经专家审核，带来阅读不便，请见谅。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

文件:《因果推理：基础与学习算法》.jpg

2022-06-19T14:16:09Z

于沂渭：

2022-06-19T14:11:28Z

于沂渭：

Elements of Causal Inference: Foundations and Learning Algorithms

2022-06-19T14:10:57Z

于沂渭：

[[文件:Elements of Causal Inference Foundations and Learning Algorithms|缩略图|Elements of Causal Inference Foundations and Learning Algorithms]]
=内容简介-英文=
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.
The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.

=内容简介-中文=
《因果推理：基础与学习算法》从概率统计的角度入手，分析了因果推理的假设，揭示这些假设所暗示的因果推理和学目的。本书分别论述了变量和多变量情况下的因果模型、学习因果模型及其与机器学关系，讨论了因果推理隐藏变量有关的问题、时间系列的因果分析。《因果推理：基础与学习算法》可作为高等院校人工智能和计算机科学等相关专业高年级本科生和硕士研究生的教材，也可供研究机器学习、因果推理的技术人员参考。

=基本信息=
书名：Elements of Causal Inference: Foundations and Learning Algorithms

作者：Jonas Peters/Dominik Janzing/Bernhard Schölkopf

中文翻译版：因果推理基础与学习算法

译者: 李小和 / 卢胜男 / 程建国

=作者介绍=
'''Jonas Peters'''

Jonas Peters是哥本哈根大学数学科学系的统计学教授。此前，他曾担任图宾根马克斯-普朗克智能系统研究所的组长和苏黎世联邦理工学院统计研讨会的玛丽居里研究员。他在海德堡大学和剑桥大学学习数学，并在 MPI 和 ETH 联合获得博士学位。他感兴趣的是从不同类型的数据中推断因果关系，以及建立对分布变化具有鲁棒性的统计方法。在他的研究中，乔纳斯试图将理论、方法和应用结合起来。他的工作涉及计算统计、因果推理、图形模型、独立性测试或高维统计等领域。

'''Dominik Janzing'''
Dominik Janzing是位于德国图宾根的马克思·普朗克智能系统研究所的高级研究科学家，现在致力于从统计数据进行因果推理和新的因果推理规则的基础。

'''Bernhard Schölkopf'''
Bernhard Schölkopf是位于德国图宾根的马克思·普朗克智能系统研究所所长。他是《用核函数学习》(2002)的合著者，也是《核函数方法的进展:支持向量学习》(1998)、《大边缘分类器的进展》(2000)和《计算生物学中的核函数方法》(2004)的共同编辑。他还是苏黎世联邦理工学院的附属教授，蒂宾根大学和柏林工业大学的名誉教授，以及欧洲学习与智能系统实验室(ELLIS) 的主席。

=内容目录=
前言

符号和术语

第1章统计和因果模型

1.1 概率论与统计学

1.2 学习理论

1.3 因果建模和学习

1.4 实例

1.4.1 模式识别

1.4.2 基因干扰

第2章因果推断假设

2.1 独立机制原则

2.2 历史记录

2.3 因果模型的物理结构

2.3.1 时间的作用

2.3.2 物理定律

2.3.3 循环赋值

2.3.4 干预的可行性

2.3.5 原因和机制的独立性以及时间的热力学之箭

第3章原因-效果模型

3.1 结构因果模型

3.2 干预

3.3 反事实

3.4 结构因果模型的标准表示

3.5 问题

第4章学习原因-效果模型

4.1 结构可识别性

4.1.1 为什么需要额外的假设

4.1.2 假设类型的概述

4.1.3 非高斯加性噪声的线性模型

4.1.4 非线性加性噪声模型

4.1.5 离散加性噪声模型

4.1.6 后非线性模型

4.1.7 信息-几何因果推断

4.1.8 Trace方法

4.1.9 以算法信息理论为可能的基础

4.2 结构识别方法

4.2.1 加性噪声模型

4.2.2 信息几何因果推断

4.2.3 Trace方法

4.2.4 监督学习方法

4.3 问题

第5章与机器学联系1

5.1 半监督学习

5.1.1 半监督学习和因果方向

5.1.2 关于半监督学习在因果方向上的注释

5.2 协变量偏移

5.3 问题

第6章多变量因果模型

6.1 图的术语

6.2 结构因果模型

6.3 干预

6.4 反事实

6.5 马尔可夫性、忠实性和因果小性

6.5.1 马尔可夫性

6.5.2 因果图模型

6.5.3 忠实性和因果小性

6.6 通过协变量调整计算干预分布

6.7 do-calculus

6.8 因果模型的等价性和可证伪性

6.9 潜在的结果

6.9.1 定义与实例

6.9.2 潜在的结果与结构因果模型之间的关系

6.10 单一对象的广义结构因果模型

6.11 条件算法独立性

6.12 问题

第7章学习多变量因果模型

7.1 结构可识别性

7.1.1 忠实性

7.1.2 加性噪声模型

7.1.3 具有等误差方差的线性高斯模型

7.1.4 线性非高斯无环模型

7.1.5 非线性高斯加性噪声模型

7.1.6 观测数据和实验数据

7.2 结构识别方法

7.2.1 基于独立的方法

7.2.2 基于分数的方法

7.2.3 加性噪声模型

7.2.4 已知因果次序

7.2.5 观测数据与实验数据

7.3 问题

第8章与机器学联系2

8.1 半同胞回归

8.2 因果推断与场景强化学习

8.2.1 逆概率加权

8.2.2 场景强化学习

8.2.3 21点（Blackjack）中的状态简化

8.2.4 改进广告布置的加权

8.3 域适应

8.4 问题

第9章隐藏变量

9.1 干预充分性

9.2 Simpson悖论

9.3 工具变量

9.4 条件独立性和图表示

9.4.1 图

9.4.2 快速因果推断

9.5 条件独立性之外的约束

9.5.1 Verma约束

9.5.2 不等式约束

9.5.3 基于协方差的约束

9.5.4 附加噪声模型

9.5.5 检测低复杂度混杂因子

9.5.6 不同的环境

9.6 问题

第10章时间序列

10.1 基础和术语

10.2 结构因果模型和干预

10.2.1 下采样

10.3 学习因果时间序列模型

10.3.1 马尔可夫条件和忠实性

10.3.2 一些不要求忠实性的因果结论

10.3.3 Granger因果关系

10.3.4 具有受限函数类的模型

10.3.5 频谱独立准则

10.4 动态因果建模

10.5 问题

附录

附录A 一些概率与统计学基础知识

A.1 基本定义

A.2 独立性以及条件独立性测试

A.3 函数类的容量

附录B 因果次序和邻接矩阵

附录C 证明

C.1 定理4.2的证明

C.2 命题6.3的证明

C.3 备注6.6的证明

C.4 命题6.13的证明

C.5 命题6.14的证明

C.6 命题6.36的证明

C.7 命题8的证明

C.8 命题9的证明

C.9 命题7.1的证明

C.10 命题7.4的证明

C.11 命题8.1的证明

C.12 命题8.2的证明

C.13 命题9.3的证明

C.14 命题10.3的证明

C.15 定理10.4的证明

参考文献

=资源获取=
*[https://library.oapen.org/bitstream/id/056a11be-ce3a-44b9-8987-a6c68fce8d9b/11283.pdf 《Elements of Causal Inference: Foundations and Learning Algorithms》]
=相关wiki=
*[[因果推断 Causal inference]]
*[[因果涌现 Causal Emergence]]
*[[因果科学社区]]
=编者推荐=
===豆瓣书评[https://book.douban.com/subject/27088754/]===
“又是一本当年自己没看懂觉得很无聊现在发现是神作的书……” ——'''一般翼赞员'''

“主要就介绍作者们这几年发的论文工作，除此以外的部分就是宽泛的文献综述了。没太多细节。” ——'''周末'''

===Goodreads书评[https://www.goodreads.com/book/show/34889379-elements-of-causal-inference?from_search=true&from_srp=true&qid=iaibbz7Qht&rank=1]===

“This book provides a nice introduction into today's causal inference research. For a person like me who is vaguely interested in the topic, but 1) find classical writings like Pearl's to be difficult to understand because they are not written in the language of modern statistics & machine learning, and 2) want to get an overview of today's rapid & diverse research on the topic, this book is a perfect fit. Authors explain key ideas of causal inference in modern terminologies of machine learning, and I found it much more readable than others. They also cover a wide spectrum of ongoing approaches and issues in the field, and make insightful connections between them. Since the book covers so many topics, however, most topics are only sketchily touched, and technical proofs are mostly left out. Moreover, authors concentrate mostly on theoretical issues (ex: identifiability) and applications to real-world problems are only occasionally discussed. This book only serves as a starting point, and you need to follow references to really understand any topic; I expected deeper and gentler dive, at least for key concepts. I also found latter half of the book to be not as carefully written as in the beginning; so many parentheses and hyphens, which are quite distracting.” ——'''Hyokun Yun'''

“After reading "The Book of Why", I was looking for a more technical introduction to causality. Since by background in machine learning using kernel methods, this book co-authored by Bernhard Schölkopf seemed a good start.Though I skimmed through the latter chapters, the beginning gives a good introduction to the different types of causality and which assumptions that have to be made. I especially liked the chapters drawing links between causality and topics like transfer learning and domain adaptation!” ——'''Michiel'''[[File:因果推断.png|400px|right|thumb|[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]]]
===集智俱乐部读书会推荐===
====[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]====
大数据时代的下一场变革——因果革命正在酝酿之中，通过融合因果推理和机器学习而构建出来的Causal AI系统，有望奠定强人工智能的基石。集智俱乐部联合北京智源人工智能研究院，邀请了一批对因果科学与Casual AI感兴趣的研究者，开展为期2-3个月的系列线上读书会，研读经典和前沿论文，并尝试集体撰写一部书籍。
===集智俱乐部相关文章===
====[https://swarma.org/?p=27204 图模型与因果推理基础- SCM框架和Do-Calculus]====
:本文主要串讲了Pearl因果识别框架的基础知识，包括图模型、结构因果模型的范式，三种识别策略，以及如何运用do- calculus的三种规则来进行因果识别。本篇内容整理自因果科学读书会第一季。
====[https://swarma.org/?p=34072 第二种想象力：社会科学中的因果推断]====
:本文中南京大学陈云松教授从“因果”和“数据”两个维度，用因果推断、大数据和机器学习等方面的系列研究案例，阐释第二种想象力的八类思维面向。
====[https://pattern.swarma.org/article/145 因果科学的学习路线图]====
:本文主要根据对因果推断引擎的介绍，为关注因果科学领域的初学者提供了完整的学习路径
----本中文词条由因果读书会词条梳理志愿者[[用户:于沂渭|一尾鱼]]编辑，未经专家审核，带来阅读不便，请见谅。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

Elements of Causal Inference: Foundations and Learning Algorithms

2022-06-19T14:09:43Z

于沂渭：/* 编者推荐 */

[[文件:《Elements of Causal Inference: Foundations and Learning Algorithms》.jpg|缩略图|《Elements of Causal Inference: Foundations and Learning Algorithms》]]
=内容简介-英文=
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.
The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.

=内容简介-中文=
《因果推理：基础与学习算法》从概率统计的角度入手，分析了因果推理的假设，揭示这些假设所暗示的因果推理和学目的。本书分别论述了变量和多变量情况下的因果模型、学习因果模型及其与机器学关系，讨论了因果推理隐藏变量有关的问题、时间系列的因果分析。《因果推理：基础与学习算法》可作为高等院校人工智能和计算机科学等相关专业高年级本科生和硕士研究生的教材，也可供研究机器学习、因果推理的技术人员参考。

=基本信息=
书名：Elements of Causal Inference: Foundations and Learning Algorithms

作者：Jonas Peters/Dominik Janzing/Bernhard Schölkopf

中文翻译版：因果推理基础与学习算法

译者: 李小和 / 卢胜男 / 程建国

=作者介绍=
'''Jonas Peters'''

Jonas Peters是哥本哈根大学数学科学系的统计学教授。此前，他曾担任图宾根马克斯-普朗克智能系统研究所的组长和苏黎世联邦理工学院统计研讨会的玛丽居里研究员。他在海德堡大学和剑桥大学学习数学，并在 MPI 和 ETH 联合获得博士学位。他感兴趣的是从不同类型的数据中推断因果关系，以及建立对分布变化具有鲁棒性的统计方法。在他的研究中，乔纳斯试图将理论、方法和应用结合起来。他的工作涉及计算统计、因果推理、图形模型、独立性测试或高维统计等领域。

'''Dominik Janzing'''
Dominik Janzing是位于德国图宾根的马克思·普朗克智能系统研究所的高级研究科学家，现在致力于从统计数据进行因果推理和新的因果推理规则的基础。

'''Bernhard Schölkopf'''
Bernhard Schölkopf是位于德国图宾根的马克思·普朗克智能系统研究所所长。他是《用核函数学习》(2002)的合著者，也是《核函数方法的进展:支持向量学习》(1998)、《大边缘分类器的进展》(2000)和《计算生物学中的核函数方法》(2004)的共同编辑。他还是苏黎世联邦理工学院的附属教授，蒂宾根大学和柏林工业大学的名誉教授，以及欧洲学习与智能系统实验室(ELLIS) 的主席。

=内容目录=
前言

符号和术语

第1章统计和因果模型

1.1 概率论与统计学

1.2 学习理论

1.3 因果建模和学习

1.4 实例

1.4.1 模式识别

1.4.2 基因干扰

第2章因果推断假设

2.1 独立机制原则

2.2 历史记录

2.3 因果模型的物理结构

2.3.1 时间的作用

2.3.2 物理定律

2.3.3 循环赋值

2.3.4 干预的可行性

2.3.5 原因和机制的独立性以及时间的热力学之箭

第3章原因-效果模型

3.1 结构因果模型

3.2 干预

3.3 反事实

3.4 结构因果模型的标准表示

3.5 问题

第4章学习原因-效果模型

4.1 结构可识别性

4.1.1 为什么需要额外的假设

4.1.2 假设类型的概述

4.1.3 非高斯加性噪声的线性模型

4.1.4 非线性加性噪声模型

4.1.5 离散加性噪声模型

4.1.6 后非线性模型

4.1.7 信息-几何因果推断

4.1.8 Trace方法

4.1.9 以算法信息理论为可能的基础

4.2 结构识别方法

4.2.1 加性噪声模型

4.2.2 信息几何因果推断

4.2.3 Trace方法

4.2.4 监督学习方法

4.3 问题

第5章与机器学联系1

5.1 半监督学习

5.1.1 半监督学习和因果方向

5.1.2 关于半监督学习在因果方向上的注释

5.2 协变量偏移

5.3 问题

第6章多变量因果模型

6.1 图的术语

6.2 结构因果模型

6.3 干预

6.4 反事实

6.5 马尔可夫性、忠实性和因果小性

6.5.1 马尔可夫性

6.5.2 因果图模型

6.5.3 忠实性和因果小性

6.6 通过协变量调整计算干预分布

6.7 do-calculus

6.8 因果模型的等价性和可证伪性

6.9 潜在的结果

6.9.1 定义与实例

6.9.2 潜在的结果与结构因果模型之间的关系

6.10 单一对象的广义结构因果模型

6.11 条件算法独立性

6.12 问题

第7章学习多变量因果模型

7.1 结构可识别性

7.1.1 忠实性

7.1.2 加性噪声模型

7.1.3 具有等误差方差的线性高斯模型

7.1.4 线性非高斯无环模型

7.1.5 非线性高斯加性噪声模型

7.1.6 观测数据和实验数据

7.2 结构识别方法

7.2.1 基于独立的方法

7.2.2 基于分数的方法

7.2.3 加性噪声模型

7.2.4 已知因果次序

7.2.5 观测数据与实验数据

7.3 问题

第8章与机器学联系2

8.1 半同胞回归

8.2 因果推断与场景强化学习

8.2.1 逆概率加权

8.2.2 场景强化学习

8.2.3 21点（Blackjack）中的状态简化

8.2.4 改进广告布置的加权

8.3 域适应

8.4 问题

第9章隐藏变量

9.1 干预充分性

9.2 Simpson悖论

9.3 工具变量

9.4 条件独立性和图表示

9.4.1 图

9.4.2 快速因果推断

9.5 条件独立性之外的约束

9.5.1 Verma约束

9.5.2 不等式约束

9.5.3 基于协方差的约束

9.5.4 附加噪声模型

9.5.5 检测低复杂度混杂因子

9.5.6 不同的环境

9.6 问题

第10章时间序列

10.1 基础和术语

10.2 结构因果模型和干预

10.2.1 下采样

10.3 学习因果时间序列模型

10.3.1 马尔可夫条件和忠实性

10.3.2 一些不要求忠实性的因果结论

10.3.3 Granger因果关系

10.3.4 具有受限函数类的模型

10.3.5 频谱独立准则

10.4 动态因果建模

10.5 问题

附录

附录A 一些概率与统计学基础知识

A.1 基本定义

A.2 独立性以及条件独立性测试

A.3 函数类的容量

附录B 因果次序和邻接矩阵

附录C 证明

C.1 定理4.2的证明

C.2 命题6.3的证明

C.3 备注6.6的证明

C.4 命题6.13的证明

C.5 命题6.14的证明

C.6 命题6.36的证明

C.7 命题8的证明

C.8 命题9的证明

C.9 命题7.1的证明

C.10 命题7.4的证明

C.11 命题8.1的证明

C.12 命题8.2的证明

C.13 命题9.3的证明

C.14 命题10.3的证明

C.15 定理10.4的证明

参考文献

=资源获取=
*[https://library.oapen.org/bitstream/id/056a11be-ce3a-44b9-8987-a6c68fce8d9b/11283.pdf 《Elements of Causal Inference: Foundations and Learning Algorithms》]
=相关wiki=
*[[因果推断 Causal inference]]
*[[因果涌现 Causal Emergence]]
*[[因果科学社区]]
=编者推荐=
===豆瓣书评[https://book.douban.com/subject/27088754/]===
“又是一本当年自己没看懂觉得很无聊现在发现是神作的书……” ——'''一般翼赞员'''

“主要就介绍作者们这几年发的论文工作，除此以外的部分就是宽泛的文献综述了。没太多细节。” ——'''周末'''

===Goodreads书评[https://www.goodreads.com/book/show/34889379-elements-of-causal-inference?from_search=true&from_srp=true&qid=iaibbz7Qht&rank=1]===

“This book provides a nice introduction into today's causal inference research. For a person like me who is vaguely interested in the topic, but 1) find classical writings like Pearl's to be difficult to understand because they are not written in the language of modern statistics & machine learning, and 2) want to get an overview of today's rapid & diverse research on the topic, this book is a perfect fit. Authors explain key ideas of causal inference in modern terminologies of machine learning, and I found it much more readable than others. They also cover a wide spectrum of ongoing approaches and issues in the field, and make insightful connections between them. Since the book covers so many topics, however, most topics are only sketchily touched, and technical proofs are mostly left out. Moreover, authors concentrate mostly on theoretical issues (ex: identifiability) and applications to real-world problems are only occasionally discussed. This book only serves as a starting point, and you need to follow references to really understand any topic; I expected deeper and gentler dive, at least for key concepts. I also found latter half of the book to be not as carefully written as in the beginning; so many parentheses and hyphens, which are quite distracting.” ——'''Hyokun Yun'''

“After reading "The Book of Why", I was looking for a more technical introduction to causality. Since by background in machine learning using kernel methods, this book co-authored by Bernhard Schölkopf seemed a good start.Though I skimmed through the latter chapters, the beginning gives a good introduction to the different types of causality and which assumptions that have to be made. I especially liked the chapters drawing links between causality and topics like transfer learning and domain adaptation!” ——'''Michiel'''[[File:因果推断.png|400px|right|thumb|[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]]]
===集智俱乐部读书会推荐===
====[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]====
大数据时代的下一场变革——因果革命正在酝酿之中，通过融合因果推理和机器学习而构建出来的Causal AI系统，有望奠定强人工智能的基石。集智俱乐部联合北京智源人工智能研究院，邀请了一批对因果科学与Casual AI感兴趣的研究者，开展为期2-3个月的系列线上读书会，研读经典和前沿论文，并尝试集体撰写一部书籍。
===集智俱乐部相关文章===
====[https://swarma.org/?p=27204 图模型与因果推理基础- SCM框架和Do-Calculus]====
:本文主要串讲了Pearl因果识别框架的基础知识，包括图模型、结构因果模型的范式，三种识别策略，以及如何运用do- calculus的三种规则来进行因果识别。本篇内容整理自因果科学读书会第一季。
====[https://swarma.org/?p=34072 第二种想象力：社会科学中的因果推断]====
:本文中南京大学陈云松教授从“因果”和“数据”两个维度，用因果推断、大数据和机器学习等方面的系列研究案例，阐释第二种想象力的八类思维面向。
====[https://pattern.swarma.org/article/145 因果科学的学习路线图]====
:本文主要根据对因果推断引擎的介绍，为关注因果科学领域的初学者提供了完整的学习路径
----本中文词条由因果读书会词条梳理志愿者[[用户:于沂渭|一尾鱼]]编辑，未经专家审核，带来阅读不便，请见谅。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

Elements of Causal Inference: Foundations and Learning Algorithms

2022-06-19T13:57:50Z

于沂渭：/* 内容目录 */

[[文件:《Elements of Causal Inference: Foundations and Learning Algorithms》.jpg|缩略图|《Elements of Causal Inference: Foundations and Learning Algorithms》]]
=内容简介-英文=
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.
The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.

=内容简介-中文=
《因果推理：基础与学习算法》从概率统计的角度入手，分析了因果推理的假设，揭示这些假设所暗示的因果推理和学目的。本书分别论述了变量和多变量情况下的因果模型、学习因果模型及其与机器学关系，讨论了因果推理隐藏变量有关的问题、时间系列的因果分析。《因果推理：基础与学习算法》可作为高等院校人工智能和计算机科学等相关专业高年级本科生和硕士研究生的教材，也可供研究机器学习、因果推理的技术人员参考。

=基本信息=
书名：Elements of Causal Inference: Foundations and Learning Algorithms

作者：Jonas Peters/Dominik Janzing/Bernhard Schölkopf

中文翻译版：因果推理基础与学习算法

译者: 李小和 / 卢胜男 / 程建国

=作者介绍=
'''Jonas Peters'''

Jonas Peters是哥本哈根大学数学科学系的统计学教授。此前，他曾担任图宾根马克斯-普朗克智能系统研究所的组长和苏黎世联邦理工学院统计研讨会的玛丽居里研究员。他在海德堡大学和剑桥大学学习数学，并在 MPI 和 ETH 联合获得博士学位。他感兴趣的是从不同类型的数据中推断因果关系，以及建立对分布变化具有鲁棒性的统计方法。在他的研究中，乔纳斯试图将理论、方法和应用结合起来。他的工作涉及计算统计、因果推理、图形模型、独立性测试或高维统计等领域。

'''Dominik Janzing'''
Dominik Janzing是位于德国图宾根的马克思·普朗克智能系统研究所的高级研究科学家，现在致力于从统计数据进行因果推理和新的因果推理规则的基础。

'''Bernhard Schölkopf'''
Bernhard Schölkopf是位于德国图宾根的马克思·普朗克智能系统研究所所长。他是《用核函数学习》(2002)的合著者，也是《核函数方法的进展:支持向量学习》(1998)、《大边缘分类器的进展》(2000)和《计算生物学中的核函数方法》(2004)的共同编辑。他还是苏黎世联邦理工学院的附属教授，蒂宾根大学和柏林工业大学的名誉教授，以及欧洲学习与智能系统实验室(ELLIS) 的主席。

=内容目录=
前言

符号和术语

第1章统计和因果模型

1.1 概率论与统计学

1.2 学习理论

1.3 因果建模和学习

1.4 实例

1.4.1 模式识别

1.4.2 基因干扰

第2章因果推断假设

2.1 独立机制原则

2.2 历史记录

2.3 因果模型的物理结构

2.3.1 时间的作用

2.3.2 物理定律

2.3.3 循环赋值

2.3.4 干预的可行性

2.3.5 原因和机制的独立性以及时间的热力学之箭

第3章原因-效果模型

3.1 结构因果模型

3.2 干预

3.3 反事实

3.4 结构因果模型的标准表示

3.5 问题

第4章学习原因-效果模型

4.1 结构可识别性

4.1.1 为什么需要额外的假设

4.1.2 假设类型的概述

4.1.3 非高斯加性噪声的线性模型

4.1.4 非线性加性噪声模型

4.1.5 离散加性噪声模型

4.1.6 后非线性模型

4.1.7 信息-几何因果推断

4.1.8 Trace方法

4.1.9 以算法信息理论为可能的基础

4.2 结构识别方法

4.2.1 加性噪声模型

4.2.2 信息几何因果推断

4.2.3 Trace方法

4.2.4 监督学习方法

4.3 问题

第5章与机器学联系1

5.1 半监督学习

5.1.1 半监督学习和因果方向

5.1.2 关于半监督学习在因果方向上的注释

5.2 协变量偏移

5.3 问题

第6章多变量因果模型

6.1 图的术语

6.2 结构因果模型

6.3 干预

6.4 反事实

6.5 马尔可夫性、忠实性和因果小性

6.5.1 马尔可夫性

6.5.2 因果图模型

6.5.3 忠实性和因果小性

6.6 通过协变量调整计算干预分布

6.7 do-calculus

6.8 因果模型的等价性和可证伪性

6.9 潜在的结果

6.9.1 定义与实例

6.9.2 潜在的结果与结构因果模型之间的关系

6.10 单一对象的广义结构因果模型

6.11 条件算法独立性

6.12 问题

第7章学习多变量因果模型

7.1 结构可识别性

7.1.1 忠实性

7.1.2 加性噪声模型

7.1.3 具有等误差方差的线性高斯模型

7.1.4 线性非高斯无环模型

7.1.5 非线性高斯加性噪声模型

7.1.6 观测数据和实验数据

7.2 结构识别方法

7.2.1 基于独立的方法

7.2.2 基于分数的方法

7.2.3 加性噪声模型

7.2.4 已知因果次序

7.2.5 观测数据与实验数据

7.3 问题

第8章与机器学联系2

8.1 半同胞回归

8.2 因果推断与场景强化学习

8.2.1 逆概率加权

8.2.2 场景强化学习

8.2.3 21点（Blackjack）中的状态简化

8.2.4 改进广告布置的加权

8.3 域适应

8.4 问题

第9章隐藏变量

9.1 干预充分性

9.2 Simpson悖论

9.3 工具变量

9.4 条件独立性和图表示

9.4.1 图

9.4.2 快速因果推断

9.5 条件独立性之外的约束

9.5.1 Verma约束

9.5.2 不等式约束

9.5.3 基于协方差的约束

9.5.4 附加噪声模型

9.5.5 检测低复杂度混杂因子

9.5.6 不同的环境

9.6 问题

第10章时间序列

10.1 基础和术语

10.2 结构因果模型和干预

10.2.1 下采样

10.3 学习因果时间序列模型

10.3.1 马尔可夫条件和忠实性

10.3.2 一些不要求忠实性的因果结论

10.3.3 Granger因果关系

10.3.4 具有受限函数类的模型

10.3.5 频谱独立准则

10.4 动态因果建模

10.5 问题

附录

附录A 一些概率与统计学基础知识

A.1 基本定义

A.2 独立性以及条件独立性测试

A.3 函数类的容量

附录B 因果次序和邻接矩阵

附录C 证明

C.1 定理4.2的证明

C.2 命题6.3的证明

C.3 备注6.6的证明

C.4 命题6.13的证明

C.5 命题6.14的证明

C.6 命题6.36的证明

C.7 命题8的证明

C.8 命题9的证明

C.9 命题7.1的证明

C.10 命题7.4的证明

C.11 命题8.1的证明

C.12 命题8.2的证明

C.13 命题9.3的证明

C.14 命题10.3的证明

C.15 定理10.4的证明

参考文献

=资源获取=
*[https://library.oapen.org/bitstream/id/056a11be-ce3a-44b9-8987-a6c68fce8d9b/11283.pdf 《Elements of Causal Inference: Foundations and Learning Algorithms》]
=相关wiki=
*[[因果推断 Causal inference]]
*[[因果涌现 Causal Emergence]]
*[[因果科学社区]]
=编者推荐=
===豆瓣书评===
====[https://book.douban.com/review/14067788/ 一次减法带来的科学革命]====
“一直都不太看好所谓的归因分析, 也不太理解为什么归因分析会作为图灵奖评审标准. 归因分析其实就是概率减法而已, 这是个再简单不过的概念.归因分析近年来受到了互联网公司的关注. Uber 就是其中之一.理论科学有的时候只要稍稍有一些创新概念, 就会带来应用领域的革命, 所以不要放过自己每一次的灵光一现.” ——Hao
===Goodreads书评===
“I read this book because I was so impressed with the importance of causal inferencing from data, as Pearl has developed it, in his more popular book, "The Book of Why". But that book didn't present enough detail for me to actually apply causal analysis to my own data. I hoped that a self-styled "Primer" would fill that gap.

Unfortunately, this book did not help......” ——James Foster

“......So yes, I guess I'm drinking the Pearl Kool-aid. This book deserves such praise in my opinion, though, for having the informative lack of fluff of a textbook without the soporific dryness of one” ——Anthony DiGiovanni[[File:因果推断.png|400px|right|thumb|[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]]]
===集智俱乐部读书会推荐===
====[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]====
大数据时代的下一场变革——因果革命正在酝酿之中，通过融合因果推理和机器学习而构建出来的Causal AI系统，有望奠定强人工智能的基石。集智俱乐部联合北京智源人工智能研究院，邀请了一批对因果科学与Casual AI感兴趣的研究者，开展为期2-3个月的系列线上读书会，研读经典和前沿论文，并尝试集体撰写一部书籍。
===集智俱乐部相关文章===
====[https://swarma.org/?p=27204 图模型与因果推理基础- SCM框架和Do-Calculus]====
:本文主要串讲了Pearl因果识别框架的基础知识，包括图模型、结构因果模型的范式，三种识别策略，以及如何运用do- calculus的三种规则来进行因果识别。本篇内容整理自因果科学读书会第一季。
====[https://swarma.org/?p=34072 第二种想象力：社会科学中的因果推断]====
:本文中南京大学陈云松教授从“因果”和“数据”两个维度，用因果推断、大数据和机器学习等方面的系列研究案例，阐释第二种想象力的八类思维面向。
====[https://pattern.swarma.org/article/145 因果科学的学习路线图]====
:本文主要根据对因果推断引擎的介绍，为关注因果科学领域的初学者提供了完整的学习路径
----本中文词条由因果读书会词条梳理志愿者[[用户:于沂渭|一尾鱼]]编辑，未经专家审核，带来阅读不便，请见谅。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

Elements of Causal Inference: Foundations and Learning Algorithms

2022-06-19T13:54:26Z

于沂渭：/* 内容简介-英文 */

[[文件:《Elements of Causal Inference: Foundations and Learning Algorithms》.jpg|缩略图|《Elements of Causal Inference: Foundations and Learning Algorithms》]]
=内容简介-英文=
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.
The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.

=内容简介-中文=
《因果推理：基础与学习算法》从概率统计的角度入手，分析了因果推理的假设，揭示这些假设所暗示的因果推理和学目的。本书分别论述了变量和多变量情况下的因果模型、学习因果模型及其与机器学关系，讨论了因果推理隐藏变量有关的问题、时间系列的因果分析。《因果推理：基础与学习算法》可作为高等院校人工智能和计算机科学等相关专业高年级本科生和硕士研究生的教材，也可供研究机器学习、因果推理的技术人员参考。

=基本信息=
书名：Elements of Causal Inference: Foundations and Learning Algorithms

作者：Jonas Peters/Dominik Janzing/Bernhard Schölkopf

中文翻译版：因果推理基础与学习算法

译者: 李小和 / 卢胜男 / 程建国

=作者介绍=
'''Jonas Peters'''

Jonas Peters是哥本哈根大学数学科学系的统计学教授。此前，他曾担任图宾根马克斯-普朗克智能系统研究所的组长和苏黎世联邦理工学院统计研讨会的玛丽居里研究员。他在海德堡大学和剑桥大学学习数学，并在 MPI 和 ETH 联合获得博士学位。他感兴趣的是从不同类型的数据中推断因果关系，以及建立对分布变化具有鲁棒性的统计方法。在他的研究中，乔纳斯试图将理论、方法和应用结合起来。他的工作涉及计算统计、因果推理、图形模型、独立性测试或高维统计等领域。

'''Dominik Janzing'''
Dominik Janzing是位于德国图宾根的马克思·普朗克智能系统研究所的高级研究科学家，现在致力于从统计数据进行因果推理和新的因果推理规则的基础。

'''Bernhard Schölkopf'''
Bernhard Schölkopf是位于德国图宾根的马克思·普朗克智能系统研究所所长。他是《用核函数学习》(2002)的合著者，也是《核函数方法的进展:支持向量学习》(1998)、《大边缘分类器的进展》(2000)和《计算生物学中的核函数方法》(2004)的共同编辑。他还是苏黎世联邦理工学院的附属教授，蒂宾根大学和柏林工业大学的名誉教授，以及欧洲学习与智能系统实验室(ELLIS) 的主席。

=内容目录=
原书前言
符号和术语
章统计和因果模型
1.1 概率论与统计学
1.2 学习理论
1.3 因果建模和学习
1.4 实例
1.4.1 模式识别
1.4.2 基因干扰
第2章因果推断假设
2.1 独立机制原则
2.2 历史记录
2.3 因果模型的物理结构
2.3.1 时间的作用
2.3.2 物理定律
2.3.3 循环赋值
2.3.4 干预的可行性
2.3.5 原因和机制的独立性以及时间的热力学之箭
第3章原因-效果模型
3.1 结构因果模型
3.2 干预
3.3 反事实
3.4 结构因果模型的标准表示
3.5 问题
第4章学习原因-效果模型
4.1 结构可识别性
4.1.1 为什么需要额外的假设
4.1.2 假设类型的概述
4.1.3 非高斯加性噪声的线性模型
4.1.4 非线性加性噪声模型
4.1.5 离散加性噪声模型
4.1.6 后非线性模型
4.1.7 信息-几何因果推断
4.1.8 Trace方法
4.1.9 以算法信息理论为可能的基础
4.2 结构识别方法
4.2.1 加性噪声模型
4.2.2 信息几何因果推断
4.2.3 Trace方法
4.2.4 监督学习方法
4.3 问题
第5章与机器学联系1
5.1 半监督学习
5.1.1 半监督学习和因果方向
5.1.2 关于半监督学习在因果方向上的注释
5.2 协变量偏移
5.3 问题
第6章多变量因果模型
6.1 图的术语
6.2 结构因果模型
6.3 干预
反事实
6.5 马尔可夫性、忠实性和因果小性
6.5.1 马尔可夫性
6.5.2 因果图模型
6.5.3 忠实性和因果小性
6.6 通过协变量调整计算干预分布
6.7 do-calculus
6.8 因果模型的等价性和可证伪性
6.9 潜在的结果
6.9.1 定义与实例
6.9.2 潜在的结果与结构因果模型之间的关系
6.10 单一对象的广义结构因果模型
6.11 条件算法独立性
6.12 问题
第7章学习多变量因果模型
7.1 结构可识别性
7.1.1 忠实性
7.1.2 加性噪声模型
7.1.3 具有等误差方差的线性高斯模型
7.1.4 线性非高斯无环模型
7.1.5 非线性高斯加性噪声模型
7.1.6 观测数据和实验数据
7.2 结构识别方法
7.2.1 基于独立的方法
7.2.2 基于分数的方法
7.2.3 加性噪声模型
7.2.4 已知因果次序
7.2.5 观测数据与实验数据
7.3 问题
第8章与机器学联系2
8.1 半同胞回归
8.2 因果推断与场景强化学习
8.2.1 逆概率加权
8.2.2 场景强化学习
8.2.3 21点（Blackjack）中的状态简化
8.2.4 改进广告布置的加权
8.3 域适应
8.4 问题
第9章隐藏变量
9.1 干预充分性
9.2 Simpson悖论
9.3 工具变量
9.4 条件独立性和图表示
9.4.1 图
9.4.2 快速因果推断
9.5 条件独立性之外的约束
9.5.1 Verma约束
9.5.2 不等式约束
9.5.3 基于协方差的约束
9.5.4 附加噪声模型
9.5.5 检测低复杂度混杂因子
9.5.6 不同的环境
9.6 问题
0章时间序列
10.1 基础和术语
10.2 结构因果模型和干预
10.2.1 下采样
10.3 学习因果时间序列模型
10.3.1 马尔可夫条件和忠实性
10.3.2 一些不要求忠实性的因果结论
10.3.3 Granger因果关系
10.3.4 具有受限函数类的模型
10.3.5 频谱独立准则
10.4 动态因果建模
10.5 问题
附录
附录A 一些概率与统计学基础知识
A.1 基本定义
A.2 独立性以及条件独立性测试
A.3 函数类的容量
附录B 因果次序和邻接矩阵
附录C 证明
C.1 定理4.2的证明
C.2 命题6.3的证明
C.3 备注6.6的证明
C.4 命题6.13的证明
C.5 命题6.14的证明
C.6 命题6.36的证明
C.7 命题8的证明
C.8 命题9的证明
C.9 命题7.1的证明
C.10 命题7.4的证明
C.11 命题8.1的证明
C.12 命题8.2的证明
C.13 命题9.3的证明
C.14 命题10.3的证明
C.15 定理10.4的证明
参考文献
=资源获取=
*[https://library.oapen.org/bitstream/id/056a11be-ce3a-44b9-8987-a6c68fce8d9b/11283.pdf 《Elements of Causal Inference: Foundations and Learning Algorithms》]
=相关wiki=
*[[因果推断 Causal inference]]
*[[因果涌现 Causal Emergence]]
*[[因果科学社区]]
=编者推荐=
===豆瓣书评===
====[https://book.douban.com/review/14067788/ 一次减法带来的科学革命]====
“一直都不太看好所谓的归因分析, 也不太理解为什么归因分析会作为图灵奖评审标准. 归因分析其实就是概率减法而已, 这是个再简单不过的概念.归因分析近年来受到了互联网公司的关注. Uber 就是其中之一.理论科学有的时候只要稍稍有一些创新概念, 就会带来应用领域的革命, 所以不要放过自己每一次的灵光一现.” ——Hao
===Goodreads书评===
“I read this book because I was so impressed with the importance of causal inferencing from data, as Pearl has developed it, in his more popular book, "The Book of Why". But that book didn't present enough detail for me to actually apply causal analysis to my own data. I hoped that a self-styled "Primer" would fill that gap.

Unfortunately, this book did not help......” ——James Foster

“......So yes, I guess I'm drinking the Pearl Kool-aid. This book deserves such praise in my opinion, though, for having the informative lack of fluff of a textbook without the soporific dryness of one” ——Anthony DiGiovanni[[File:因果推断.png|400px|right|thumb|[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]]]
===集智俱乐部读书会推荐===
====[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]====
大数据时代的下一场变革——因果革命正在酝酿之中，通过融合因果推理和机器学习而构建出来的Causal AI系统，有望奠定强人工智能的基石。集智俱乐部联合北京智源人工智能研究院，邀请了一批对因果科学与Casual AI感兴趣的研究者，开展为期2-3个月的系列线上读书会，研读经典和前沿论文，并尝试集体撰写一部书籍。
===集智俱乐部相关文章===
====[https://swarma.org/?p=27204 图模型与因果推理基础- SCM框架和Do-Calculus]====
:本文主要串讲了Pearl因果识别框架的基础知识，包括图模型、结构因果模型的范式，三种识别策略，以及如何运用do- calculus的三种规则来进行因果识别。本篇内容整理自因果科学读书会第一季。
====[https://swarma.org/?p=34072 第二种想象力：社会科学中的因果推断]====
:本文中南京大学陈云松教授从“因果”和“数据”两个维度，用因果推断、大数据和机器学习等方面的系列研究案例，阐释第二种想象力的八类思维面向。
====[https://pattern.swarma.org/article/145 因果科学的学习路线图]====
:本文主要根据对因果推断引擎的介绍，为关注因果科学领域的初学者提供了完整的学习路径
----本中文词条由因果读书会词条梳理志愿者[[用户:于沂渭|一尾鱼]]编辑，未经专家审核，带来阅读不便，请见谅。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

Elements of Causal Inference: Foundations and Learning Algorithms

2022-06-19T13:53:51Z

于沂渭：/* 内容简介-英文 */

[[文件:《Elements of Causal Inference: Foundations and Learning Algorithms》.jpg|缩略图|《Elements of Causal Inference: Foundations and Learning Algorithms》]]
=内容简介-英文=
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.

The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.

=内容简介-中文=
《因果推理：基础与学习算法》从概率统计的角度入手，分析了因果推理的假设，揭示这些假设所暗示的因果推理和学目的。本书分别论述了变量和多变量情况下的因果模型、学习因果模型及其与机器学关系，讨论了因果推理隐藏变量有关的问题、时间系列的因果分析。《因果推理：基础与学习算法》可作为高等院校人工智能和计算机科学等相关专业高年级本科生和硕士研究生的教材，也可供研究机器学习、因果推理的技术人员参考。

=基本信息=
书名：Elements of Causal Inference: Foundations and Learning Algorithms

作者：Jonas Peters/Dominik Janzing/Bernhard Schölkopf

中文翻译版：因果推理基础与学习算法

译者: 李小和 / 卢胜男 / 程建国

=作者介绍=
'''Jonas Peters'''

Jonas Peters是哥本哈根大学数学科学系的统计学教授。此前，他曾担任图宾根马克斯-普朗克智能系统研究所的组长和苏黎世联邦理工学院统计研讨会的玛丽居里研究员。他在海德堡大学和剑桥大学学习数学，并在 MPI 和 ETH 联合获得博士学位。他感兴趣的是从不同类型的数据中推断因果关系，以及建立对分布变化具有鲁棒性的统计方法。在他的研究中，乔纳斯试图将理论、方法和应用结合起来。他的工作涉及计算统计、因果推理、图形模型、独立性测试或高维统计等领域。

'''Dominik Janzing'''
Dominik Janzing是位于德国图宾根的马克思·普朗克智能系统研究所的高级研究科学家，现在致力于从统计数据进行因果推理和新的因果推理规则的基础。

'''Bernhard Schölkopf'''
Bernhard Schölkopf是位于德国图宾根的马克思·普朗克智能系统研究所所长。他是《用核函数学习》(2002)的合著者，也是《核函数方法的进展:支持向量学习》(1998)、《大边缘分类器的进展》(2000)和《计算生物学中的核函数方法》(2004)的共同编辑。他还是苏黎世联邦理工学院的附属教授，蒂宾根大学和柏林工业大学的名誉教授，以及欧洲学习与智能系统实验室(ELLIS) 的主席。

=内容目录=
原书前言
符号和术语
章统计和因果模型
1.1 概率论与统计学
1.2 学习理论
1.3 因果建模和学习
1.4 实例
1.4.1 模式识别
1.4.2 基因干扰
第2章因果推断假设
2.1 独立机制原则
2.2 历史记录
2.3 因果模型的物理结构
2.3.1 时间的作用
2.3.2 物理定律
2.3.3 循环赋值
2.3.4 干预的可行性
2.3.5 原因和机制的独立性以及时间的热力学之箭
第3章原因-效果模型
3.1 结构因果模型
3.2 干预
3.3 反事实
3.4 结构因果模型的标准表示
3.5 问题
第4章学习原因-效果模型
4.1 结构可识别性
4.1.1 为什么需要额外的假设
4.1.2 假设类型的概述
4.1.3 非高斯加性噪声的线性模型
4.1.4 非线性加性噪声模型
4.1.5 离散加性噪声模型
4.1.6 后非线性模型
4.1.7 信息-几何因果推断
4.1.8 Trace方法
4.1.9 以算法信息理论为可能的基础
4.2 结构识别方法
4.2.1 加性噪声模型
4.2.2 信息几何因果推断
4.2.3 Trace方法
4.2.4 监督学习方法
4.3 问题
第5章与机器学联系1
5.1 半监督学习
5.1.1 半监督学习和因果方向
5.1.2 关于半监督学习在因果方向上的注释
5.2 协变量偏移
5.3 问题
第6章多变量因果模型
6.1 图的术语
6.2 结构因果模型
6.3 干预
反事实
6.5 马尔可夫性、忠实性和因果小性
6.5.1 马尔可夫性
6.5.2 因果图模型
6.5.3 忠实性和因果小性
6.6 通过协变量调整计算干预分布
6.7 do-calculus
6.8 因果模型的等价性和可证伪性
6.9 潜在的结果
6.9.1 定义与实例
6.9.2 潜在的结果与结构因果模型之间的关系
6.10 单一对象的广义结构因果模型
6.11 条件算法独立性
6.12 问题
第7章学习多变量因果模型
7.1 结构可识别性
7.1.1 忠实性
7.1.2 加性噪声模型
7.1.3 具有等误差方差的线性高斯模型
7.1.4 线性非高斯无环模型
7.1.5 非线性高斯加性噪声模型
7.1.6 观测数据和实验数据
7.2 结构识别方法
7.2.1 基于独立的方法
7.2.2 基于分数的方法
7.2.3 加性噪声模型
7.2.4 已知因果次序
7.2.5 观测数据与实验数据
7.3 问题
第8章与机器学联系2
8.1 半同胞回归
8.2 因果推断与场景强化学习
8.2.1 逆概率加权
8.2.2 场景强化学习
8.2.3 21点（Blackjack）中的状态简化
8.2.4 改进广告布置的加权
8.3 域适应
8.4 问题
第9章隐藏变量
9.1 干预充分性
9.2 Simpson悖论
9.3 工具变量
9.4 条件独立性和图表示
9.4.1 图
9.4.2 快速因果推断
9.5 条件独立性之外的约束
9.5.1 Verma约束
9.5.2 不等式约束
9.5.3 基于协方差的约束
9.5.4 附加噪声模型
9.5.5 检测低复杂度混杂因子
9.5.6 不同的环境
9.6 问题
0章时间序列
10.1 基础和术语
10.2 结构因果模型和干预
10.2.1 下采样
10.3 学习因果时间序列模型
10.3.1 马尔可夫条件和忠实性
10.3.2 一些不要求忠实性的因果结论
10.3.3 Granger因果关系
10.3.4 具有受限函数类的模型
10.3.5 频谱独立准则
10.4 动态因果建模
10.5 问题
附录
附录A 一些概率与统计学基础知识
A.1 基本定义
A.2 独立性以及条件独立性测试
A.3 函数类的容量
附录B 因果次序和邻接矩阵
附录C 证明
C.1 定理4.2的证明
C.2 命题6.3的证明
C.3 备注6.6的证明
C.4 命题6.13的证明
C.5 命题6.14的证明
C.6 命题6.36的证明
C.7 命题8的证明
C.8 命题9的证明
C.9 命题7.1的证明
C.10 命题7.4的证明
C.11 命题8.1的证明
C.12 命题8.2的证明
C.13 命题9.3的证明
C.14 命题10.3的证明
C.15 定理10.4的证明
参考文献
=资源获取=
*[https://library.oapen.org/bitstream/id/056a11be-ce3a-44b9-8987-a6c68fce8d9b/11283.pdf 《Elements of Causal Inference: Foundations and Learning Algorithms》]
=相关wiki=
*[[因果推断 Causal inference]]
*[[因果涌现 Causal Emergence]]
*[[因果科学社区]]
=编者推荐=
===豆瓣书评===
====[https://book.douban.com/review/14067788/ 一次减法带来的科学革命]====
“一直都不太看好所谓的归因分析, 也不太理解为什么归因分析会作为图灵奖评审标准. 归因分析其实就是概率减法而已, 这是个再简单不过的概念.归因分析近年来受到了互联网公司的关注. Uber 就是其中之一.理论科学有的时候只要稍稍有一些创新概念, 就会带来应用领域的革命, 所以不要放过自己每一次的灵光一现.” ——Hao
===Goodreads书评===
“I read this book because I was so impressed with the importance of causal inferencing from data, as Pearl has developed it, in his more popular book, "The Book of Why". But that book didn't present enough detail for me to actually apply causal analysis to my own data. I hoped that a self-styled "Primer" would fill that gap.

Unfortunately, this book did not help......” ——James Foster

“......So yes, I guess I'm drinking the Pearl Kool-aid. This book deserves such praise in my opinion, though, for having the informative lack of fluff of a textbook without the soporific dryness of one” ——Anthony DiGiovanni[[File:因果推断.png|400px|right|thumb|[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]]]
===集智俱乐部读书会推荐===
====[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]====
大数据时代的下一场变革——因果革命正在酝酿之中，通过融合因果推理和机器学习而构建出来的Causal AI系统，有望奠定强人工智能的基石。集智俱乐部联合北京智源人工智能研究院，邀请了一批对因果科学与Casual AI感兴趣的研究者，开展为期2-3个月的系列线上读书会，研读经典和前沿论文，并尝试集体撰写一部书籍。
===集智俱乐部相关文章===
====[https://swarma.org/?p=27204 图模型与因果推理基础- SCM框架和Do-Calculus]====
:本文主要串讲了Pearl因果识别框架的基础知识，包括图模型、结构因果模型的范式，三种识别策略，以及如何运用do- calculus的三种规则来进行因果识别。本篇内容整理自因果科学读书会第一季。
====[https://swarma.org/?p=34072 第二种想象力：社会科学中的因果推断]====
:本文中南京大学陈云松教授从“因果”和“数据”两个维度，用因果推断、大数据和机器学习等方面的系列研究案例，阐释第二种想象力的八类思维面向。
====[https://pattern.swarma.org/article/145 因果科学的学习路线图]====
:本文主要根据对因果推断引擎的介绍，为关注因果科学领域的初学者提供了完整的学习路径
----本中文词条由因果读书会词条梳理志愿者[[用户:于沂渭|一尾鱼]]编辑，未经专家审核，带来阅读不便，请见谅。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

Elements of Causal Inference: Foundations and Learning Algorithms

2022-06-19T13:53:25Z

于沂渭：/* 作者介绍 */

[[文件:《Elements of Causal Inference: Foundations and Learning Algorithms》.jpg|缩略图|《Elements of Causal Inference: Foundations and Learning Algorithms》]]
=内容简介-英文=
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.

The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.
=内容简介-中文=
《因果推理：基础与学习算法》从概率统计的角度入手，分析了因果推理的假设，揭示这些假设所暗示的因果推理和学目的。本书分别论述了变量和多变量情况下的因果模型、学习因果模型及其与机器学关系，讨论了因果推理隐藏变量有关的问题、时间系列的因果分析。《因果推理：基础与学习算法》可作为高等院校人工智能和计算机科学等相关专业高年级本科生和硕士研究生的教材，也可供研究机器学习、因果推理的技术人员参考。

=基本信息=
书名：Elements of Causal Inference: Foundations and Learning Algorithms

作者：Jonas Peters/Dominik Janzing/Bernhard Schölkopf

中文翻译版：因果推理基础与学习算法

译者: 李小和 / 卢胜男 / 程建国

=作者介绍=
'''Jonas Peters'''

Jonas Peters是哥本哈根大学数学科学系的统计学教授。此前，他曾担任图宾根马克斯-普朗克智能系统研究所的组长和苏黎世联邦理工学院统计研讨会的玛丽居里研究员。他在海德堡大学和剑桥大学学习数学，并在 MPI 和 ETH 联合获得博士学位。他感兴趣的是从不同类型的数据中推断因果关系，以及建立对分布变化具有鲁棒性的统计方法。在他的研究中，乔纳斯试图将理论、方法和应用结合起来。他的工作涉及计算统计、因果推理、图形模型、独立性测试或高维统计等领域。

'''Dominik Janzing'''
Dominik Janzing是位于德国图宾根的马克思·普朗克智能系统研究所的高级研究科学家，现在致力于从统计数据进行因果推理和新的因果推理规则的基础。

'''Bernhard Schölkopf'''
Bernhard Schölkopf是位于德国图宾根的马克思·普朗克智能系统研究所所长。他是《用核函数学习》(2002)的合著者，也是《核函数方法的进展:支持向量学习》(1998)、《大边缘分类器的进展》(2000)和《计算生物学中的核函数方法》(2004)的共同编辑。他还是苏黎世联邦理工学院的附属教授，蒂宾根大学和柏林工业大学的名誉教授，以及欧洲学习与智能系统实验室(ELLIS) 的主席。

=内容目录=
原书前言
符号和术语
章统计和因果模型
1.1 概率论与统计学
1.2 学习理论
1.3 因果建模和学习
1.4 实例
1.4.1 模式识别
1.4.2 基因干扰
第2章因果推断假设
2.1 独立机制原则
2.2 历史记录
2.3 因果模型的物理结构
2.3.1 时间的作用
2.3.2 物理定律
2.3.3 循环赋值
2.3.4 干预的可行性
2.3.5 原因和机制的独立性以及时间的热力学之箭
第3章原因-效果模型
3.1 结构因果模型
3.2 干预
3.3 反事实
3.4 结构因果模型的标准表示
3.5 问题
第4章学习原因-效果模型
4.1 结构可识别性
4.1.1 为什么需要额外的假设
4.1.2 假设类型的概述
4.1.3 非高斯加性噪声的线性模型
4.1.4 非线性加性噪声模型
4.1.5 离散加性噪声模型
4.1.6 后非线性模型
4.1.7 信息-几何因果推断
4.1.8 Trace方法
4.1.9 以算法信息理论为可能的基础
4.2 结构识别方法
4.2.1 加性噪声模型
4.2.2 信息几何因果推断
4.2.3 Trace方法
4.2.4 监督学习方法
4.3 问题
第5章与机器学联系1
5.1 半监督学习
5.1.1 半监督学习和因果方向
5.1.2 关于半监督学习在因果方向上的注释
5.2 协变量偏移
5.3 问题
第6章多变量因果模型
6.1 图的术语
6.2 结构因果模型
6.3 干预
反事实
6.5 马尔可夫性、忠实性和因果小性
6.5.1 马尔可夫性
6.5.2 因果图模型
6.5.3 忠实性和因果小性
6.6 通过协变量调整计算干预分布
6.7 do-calculus
6.8 因果模型的等价性和可证伪性
6.9 潜在的结果
6.9.1 定义与实例
6.9.2 潜在的结果与结构因果模型之间的关系
6.10 单一对象的广义结构因果模型
6.11 条件算法独立性
6.12 问题
第7章学习多变量因果模型
7.1 结构可识别性
7.1.1 忠实性
7.1.2 加性噪声模型
7.1.3 具有等误差方差的线性高斯模型
7.1.4 线性非高斯无环模型
7.1.5 非线性高斯加性噪声模型
7.1.6 观测数据和实验数据
7.2 结构识别方法
7.2.1 基于独立的方法
7.2.2 基于分数的方法
7.2.3 加性噪声模型
7.2.4 已知因果次序
7.2.5 观测数据与实验数据
7.3 问题
第8章与机器学联系2
8.1 半同胞回归
8.2 因果推断与场景强化学习
8.2.1 逆概率加权
8.2.2 场景强化学习
8.2.3 21点（Blackjack）中的状态简化
8.2.4 改进广告布置的加权
8.3 域适应
8.4 问题
第9章隐藏变量
9.1 干预充分性
9.2 Simpson悖论
9.3 工具变量
9.4 条件独立性和图表示
9.4.1 图
9.4.2 快速因果推断
9.5 条件独立性之外的约束
9.5.1 Verma约束
9.5.2 不等式约束
9.5.3 基于协方差的约束
9.5.4 附加噪声模型
9.5.5 检测低复杂度混杂因子
9.5.6 不同的环境
9.6 问题
0章时间序列
10.1 基础和术语
10.2 结构因果模型和干预
10.2.1 下采样
10.3 学习因果时间序列模型
10.3.1 马尔可夫条件和忠实性
10.3.2 一些不要求忠实性的因果结论
10.3.3 Granger因果关系
10.3.4 具有受限函数类的模型
10.3.5 频谱独立准则
10.4 动态因果建模
10.5 问题
附录
附录A 一些概率与统计学基础知识
A.1 基本定义
A.2 独立性以及条件独立性测试
A.3 函数类的容量
附录B 因果次序和邻接矩阵
附录C 证明
C.1 定理4.2的证明
C.2 命题6.3的证明
C.3 备注6.6的证明
C.4 命题6.13的证明
C.5 命题6.14的证明
C.6 命题6.36的证明
C.7 命题8的证明
C.8 命题9的证明
C.9 命题7.1的证明
C.10 命题7.4的证明
C.11 命题8.1的证明
C.12 命题8.2的证明
C.13 命题9.3的证明
C.14 命题10.3的证明
C.15 定理10.4的证明
参考文献
=资源获取=
*[https://library.oapen.org/bitstream/id/056a11be-ce3a-44b9-8987-a6c68fce8d9b/11283.pdf 《Elements of Causal Inference: Foundations and Learning Algorithms》]
=相关wiki=
*[[因果推断 Causal inference]]
*[[因果涌现 Causal Emergence]]
*[[因果科学社区]]
=编者推荐=
===豆瓣书评===
====[https://book.douban.com/review/14067788/ 一次减法带来的科学革命]====
“一直都不太看好所谓的归因分析, 也不太理解为什么归因分析会作为图灵奖评审标准. 归因分析其实就是概率减法而已, 这是个再简单不过的概念.归因分析近年来受到了互联网公司的关注. Uber 就是其中之一.理论科学有的时候只要稍稍有一些创新概念, 就会带来应用领域的革命, 所以不要放过自己每一次的灵光一现.” ——Hao
===Goodreads书评===
“I read this book because I was so impressed with the importance of causal inferencing from data, as Pearl has developed it, in his more popular book, "The Book of Why". But that book didn't present enough detail for me to actually apply causal analysis to my own data. I hoped that a self-styled "Primer" would fill that gap.

Unfortunately, this book did not help......” ——James Foster

“......So yes, I guess I'm drinking the Pearl Kool-aid. This book deserves such praise in my opinion, though, for having the informative lack of fluff of a textbook without the soporific dryness of one” ——Anthony DiGiovanni[[File:因果推断.png|400px|right|thumb|[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]]]
===集智俱乐部读书会推荐===
====[https://campus.swarma.org/course/1798 因果推理与机器学习读书会]====
大数据时代的下一场变革——因果革命正在酝酿之中，通过融合因果推理和机器学习而构建出来的Causal AI系统，有望奠定强人工智能的基石。集智俱乐部联合北京智源人工智能研究院，邀请了一批对因果科学与Casual AI感兴趣的研究者，开展为期2-3个月的系列线上读书会，研读经典和前沿论文，并尝试集体撰写一部书籍。
===集智俱乐部相关文章===
====[https://swarma.org/?p=27204 图模型与因果推理基础- SCM框架和Do-Calculus]====
:本文主要串讲了Pearl因果识别框架的基础知识，包括图模型、结构因果模型的范式，三种识别策略，以及如何运用do- calculus的三种规则来进行因果识别。本篇内容整理自因果科学读书会第一季。
====[https://swarma.org/?p=34072 第二种想象力：社会科学中的因果推断]====
:本文中南京大学陈云松教授从“因果”和“数据”两个维度，用因果推断、大数据和机器学习等方面的系列研究案例，阐释第二种想象力的八类思维面向。
====[https://pattern.swarma.org/article/145 因果科学的学习路线图]====
:本文主要根据对因果推断引擎的介绍，为关注因果科学领域的初学者提供了完整的学习路径
----本中文词条由因果读书会词条梳理志愿者[[用户:于沂渭|一尾鱼]]编辑，未经专家审核，带来阅读不便，请见谅。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

2022-05-05T14:15:35Z

于沂渭：/* 编者推荐 */

= 内容简介 =
因果性是理解和应用数据的核心，如果无法从数据中获知因果关系，则甚至无法回答诸如“治疗方案对患者有益还是有害”这类基本问题。虽然现在有很多关于数据分析统计方法的教科书，但到目前为止还没有适合初学者水平的书，介绍如何从数据中快速梳理因果信息的各种方法。

本书弥补了这种缺憾。书中使用简单的实例与朴实的语言介绍了如何定义因果关系，在各种情形下估计因果参数所必需的假设，如何数学化地表示这些假设，这些假设是否有可检测的蕴涵，如何预测干预的效应，以及如何进行反事实推理等。这些都是有兴趣用统计方法回答因果问题的读者需要掌握的基本工具。

= 基本信息 =
书名：Causal Inference in Statistics: A Primer

作者：Judea Pearl/Madelyn Glymour/Nicholas P. Jewell

中文翻译版：统计因果推理入门

译者: 杨矫云 / 安宁 / 李廉
[[文件:Causal Inference in Statistics A Primer.png|缩略图|《Causal Inference in Statistics A Primer》]]
[[文件:《统计因果推理入门》.jpg|缩略图|《统计因果推理入门》]]

= 作者介绍 =
'''Judea Pearl'''是美国加利福尼亚大学洛杉矶分校计算机科学和统计学的教授，他是认知系统实验室负责人，从事人工智能、因果推理和科学哲学的研究。Pearl 是《因果推理期刊》的联合创始人和编辑，著有三本关于推理领域的里程碑式著作。他的著作《因果关系：模型、推理和推断》（剑桥出版社，2000，2009）介绍了现代因果分析中使用的许多方法。该书获得了伦敦经济学院拉卡托斯奖（ Lakatos Award），并被超过13000篇科学出版物引用。Pearl 是美国国家科学院院士、美国国家工程院院士、美国人工智能协会的创始会士。由于对概率和因果推理的基础性贡献，Pearl 囊获了包括以色列理工学院的哈维奖（Harvey Prize）和 ACM 图灵奖在内的众多奖项。

'''Madelyn Glymour'''是卡内基-梅隆大学的数据分析师、加利福尼亚大学洛杉矶分校认知系统实验室的科学作家和编辑。研究兴趣在因果发现以及能够让广大读者理解复杂概念所蕴含的艺术。

'''Nicholas P. Jewell'''是加利福尼亚大学伯克利分校生物统计学和统计学教授。自从1981年进入伯克利分校后，先后担任多个学术和行政职务，特别是1994-2000年间担任了副教务长。他还曾在爱丁堡大学、牛津大学、伦敦卫生与热带医学院以及京都大学担任学术职务。2007年，他在意大贝拉吉奥洛克菲勒基金研究中心做访问学者。Jewell 是美国统计协会、数理统计研究所和美国科学促进协会（AAAS）会士。曾经获得斯内德克奖和哈佛大学统计科学马文·泽伦领导奖。Jewell 目前是《美国统计协会会刊：理论与方法》杂志编辑、美国科学促进会统计学分会的主席。他的研究重点是把统计方法应用到传染病和慢性病流行病学、药物安全性评估、比较分析和人权领域。

= 内容目录 =
Preface xi

1 Preliminaries: Statistical and Causal Models 1

1.1 Why Study Causation 1

1.2 Simpson’s Paradox 2

1.3 Probability and Statistics 9

1.3.1 Variables 10

1.3.2 Events 11

1.3.3 Conditional probability 11

1.3.4 Independence 13

1.3.5 Probability distributions 14

1.3.6 The law of total probability 15

1.3.7 Using Bayes’ rule 18

1.3.8 Expected values 22

1.3.9 Variance and covariance 24

1.3.10 Regression 27

1.3.11 Multiple regression 31

1.4 Graphs 33

1.5 Structural Causal Models 36

1.5.1 Modeling causal assumptions 36

1.5.2 Product decomposition 40

2 Graphical Models and Their Applications 47

2.1 Connecting Models to Data 47

2.2 Chains and Forks 48

2.3 Colliders 55

2.4 ''d''-Separation 62

2.5 Model Testing and Causal Search 66

3 The Effects of Interventions 71

3.1 Interventions 71

3.2 The Adjustment Formula 74

3.2.1 To adjust or not to adjust? 79

3.2.2 Multiple interventions and the truncated product rule 81

3.3 The Back-Door Criterion 82

3.4 The Front-Door Criterion 89

3.5 Conditional Interventions and Covariate-Specific Effects 95

3.6 Inverse Probability Weighing 98

3.7 Mediation 103

3.8 Causal Inference in Linear Systems 107

3.8.1 Structural vs. regression coefficients 110

3.8.2 The causal interpretation of structural coefficients 111

3.8.3 Identifying structural coefficients and causal effect 113

3.8.4 Mediation in linear systems 119

4 Counterfactuals and their Applications 123

4.1 Counterfactuals 123

4.2 Defining and Computing Counterfactuals 126

4.2.1 The structural interpretation of counterfactuals 126

4.2.2 The fundamental law of counterfactuals 130

4.2.3 From population data to individual behavior – an illustration 131

4.2.4 The three steps in computing counterfactuals 133

4.3 Non-Deterministic Counterfactuals 136

4.3.1 Probabilities of counterfactuals 136

4.3.2 The Graphical representation of counterfactuals 141

4.3.3 Counterfactuals in experimental settings 144

4.3.4 Counterfactuals in linear models 147

4.4 Practical uses of counterfactuals 149

4.4.1 Recruitment to a program 149

4.4.2 Additive interventions 152

4.4.3 Personal decision making 155

4.4.4 Sex discrimination in hiring 158

4.4.5 Mediation and path-disabling interventions 159

4.5 Mathematical Tool Kits for Attribution and Mediation 161

4.5.1 A tool kit for attribution and probabilities of causation 162

4.5.2 A tool kit for mediation 167

References 176

= 资源获取 =
* [http://bayes.cs.ucla.edu/PRIMER/pearl-etal-2016-primer-errata-pages-april2021.pdf 《Causal Inference in Statistics: A Primer》原著勘误版本]

= 相关wiki =
= 编者推荐 =

===豆瓣书评===
====[https://book.douban.com/review/14067788/ 一次减法带来的科学革命]====
“一直都不太看好所谓的归因分析, 也不太理解为什么归因分析会作为图灵奖评审标准. 归因分析其实就是概率减法而已, 这是个再简单不过的概念.归因分析近年来受到了互联网公司的关注. Uber 就是其中之一.理论科学有的时候只要稍稍有一些创新概念, 就会带来应用领域的革命, 所以不要放过自己每一次的灵光一现.” ——Hao

===Goodreads书评===
“I read this book because I was so impressed with the importance of causal inferencing from data, as Pearl has developed it, in his more popular book, "The Book of Why". But that book didn't present enough detail for me to actually apply causal analysis to my own data. I hoped that a self-styled "Primer" would fill that gap.

Unfortunately, this book did not help......” ——James Foster

===集智相关文章===

在人工智能盛行的今天，当绝大多数人仅对“奇巧淫技”感兴趣的时候，集智俱乐部重新编辑推出冯·诺依曼自动机理论这系列文章，这是著名人工智能先驱Arthur Burks整理的冯·诺依曼的手稿《自复制自动机理论》的第一部分，该部分详细论述了思考自复制自动机的动机与意义。该文后经由集智俱乐部资深粉丝“东方和尚”翻译成中文，并由张江注释后奉献给广大读者。希望通过溯本清源，我们能够重新追溯冯·诺依曼的思考轨迹，从全新的视角审视人造机器的生命本质。
[[File:大数之道.jpeg|400px|right|thumb|[https://swarma.org/?p=3723 《自复制自动机理论》集智解读]]]
====[https://swarma.org/?p=3723 冯·诺依曼的遗产：寻找人工生命的理论根源]====
:《自复制自动机理论》前言1：冯·诺依曼在计算机方面的工作
====[https://swarma.org/?p=3678 冯·诺依曼：探寻计算的“原力”]====
:《自复制自动机理论》前言2：冯·诺依曼的自动机理论
====[https://swarma.org/?p=3652 神经网络与图灵机的复杂度博弈]====
:《自复制自动机理论》第一堂课：一般意义的计算机
====[https://swarma.org/?p=3633 人工智能如何掷骰子——三种概率理论]====
:《自复制自动机理论》第二堂课：控制与信息理论
====[https://swarma.org/?p=3145 信息的统计理论：复杂度阈值与概率论中“漏洞”]====
:《自复制自动机理论》第三堂课：信息的统计理论
====[https://swarma.org/?p=3216 大数之道——人脑与电脑的对比]====
:《自复制自动机理论》第四堂课：大数之道
====[https://swarma.org/?p=3128 自指机器的奥秘]====
:《自复制自动机理论》第五堂课：复杂自动机的一些考量——关于层次与进化的问题　

　　

----
本中文词条由[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

[[category:人工智能]]
[[category:复杂系统]]
[[category:自动机]]

Causal Inference in Statistics: A Primer

2022-05-05T14:12:15Z

于沂渭：/* 编者推荐 */

= 内容简介 =
因果性是理解和应用数据的核心，如果无法从数据中获知因果关系，则甚至无法回答诸如“治疗方案对患者有益还是有害”这类基本问题。虽然现在有很多关于数据分析统计方法的教科书，但到目前为止还没有适合初学者水平的书，介绍如何从数据中快速梳理因果信息的各种方法。

本书弥补了这种缺憾。书中使用简单的实例与朴实的语言介绍了如何定义因果关系，在各种情形下估计因果参数所必需的假设，如何数学化地表示这些假设，这些假设是否有可检测的蕴涵，如何预测干预的效应，以及如何进行反事实推理等。这些都是有兴趣用统计方法回答因果问题的读者需要掌握的基本工具。

= 基本信息 =
书名：Causal Inference in Statistics: A Primer

作者：Judea Pearl/Madelyn Glymour/Nicholas P. Jewell

中文翻译版：统计因果推理入门

译者: 杨矫云 / 安宁 / 李廉
[[文件:Causal Inference in Statistics A Primer.png|缩略图|《Causal Inference in Statistics A Primer》]]
[[文件:《统计因果推理入门》.jpg|缩略图|《统计因果推理入门》]]

= 作者介绍 =
'''Judea Pearl'''是美国加利福尼亚大学洛杉矶分校计算机科学和统计学的教授，他是认知系统实验室负责人，从事人工智能、因果推理和科学哲学的研究。Pearl 是《因果推理期刊》的联合创始人和编辑，著有三本关于推理领域的里程碑式著作。他的著作《因果关系：模型、推理和推断》（剑桥出版社，2000，2009）介绍了现代因果分析中使用的许多方法。该书获得了伦敦经济学院拉卡托斯奖（ Lakatos Award），并被超过13000篇科学出版物引用。Pearl 是美国国家科学院院士、美国国家工程院院士、美国人工智能协会的创始会士。由于对概率和因果推理的基础性贡献，Pearl 囊获了包括以色列理工学院的哈维奖（Harvey Prize）和 ACM 图灵奖在内的众多奖项。

'''Madelyn Glymour'''是卡内基-梅隆大学的数据分析师、加利福尼亚大学洛杉矶分校认知系统实验室的科学作家和编辑。研究兴趣在因果发现以及能够让广大读者理解复杂概念所蕴含的艺术。

'''Nicholas P. Jewell'''是加利福尼亚大学伯克利分校生物统计学和统计学教授。自从1981年进入伯克利分校后，先后担任多个学术和行政职务，特别是1994-2000年间担任了副教务长。他还曾在爱丁堡大学、牛津大学、伦敦卫生与热带医学院以及京都大学担任学术职务。2007年，他在意大贝拉吉奥洛克菲勒基金研究中心做访问学者。Jewell 是美国统计协会、数理统计研究所和美国科学促进协会（AAAS）会士。曾经获得斯内德克奖和哈佛大学统计科学马文·泽伦领导奖。Jewell 目前是《美国统计协会会刊：理论与方法》杂志编辑、美国科学促进会统计学分会的主席。他的研究重点是把统计方法应用到传染病和慢性病流行病学、药物安全性评估、比较分析和人权领域。

= 内容目录 =
Preface xi

1 Preliminaries: Statistical and Causal Models 1

1.1 Why Study Causation 1

1.2 Simpson’s Paradox 2

1.3 Probability and Statistics 9

1.3.1 Variables 10

1.3.2 Events 11

1.3.3 Conditional probability 11

1.3.4 Independence 13

1.3.5 Probability distributions 14

1.3.6 The law of total probability 15

1.3.7 Using Bayes’ rule 18

1.3.8 Expected values 22

1.3.9 Variance and covariance 24

1.3.10 Regression 27

1.3.11 Multiple regression 31

1.4 Graphs 33

1.5 Structural Causal Models 36

1.5.1 Modeling causal assumptions 36

1.5.2 Product decomposition 40

2 Graphical Models and Their Applications 47

2.1 Connecting Models to Data 47

2.2 Chains and Forks 48

2.3 Colliders 55

2.4 ''d''-Separation 62

2.5 Model Testing and Causal Search 66

3 The Effects of Interventions 71

3.1 Interventions 71

3.2 The Adjustment Formula 74

3.2.1 To adjust or not to adjust? 79

3.2.2 Multiple interventions and the truncated product rule 81

3.3 The Back-Door Criterion 82

3.4 The Front-Door Criterion 89

3.5 Conditional Interventions and Covariate-Specific Effects 95

3.6 Inverse Probability Weighing 98

3.7 Mediation 103

3.8 Causal Inference in Linear Systems 107

3.8.1 Structural vs. regression coefficients 110

3.8.2 The causal interpretation of structural coefficients 111

3.8.3 Identifying structural coefficients and causal effect 113

3.8.4 Mediation in linear systems 119

4 Counterfactuals and their Applications 123

4.1 Counterfactuals 123

4.2 Defining and Computing Counterfactuals 126

4.2.1 The structural interpretation of counterfactuals 126

4.2.2 The fundamental law of counterfactuals 130

4.2.3 From population data to individual behavior – an illustration 131

4.2.4 The three steps in computing counterfactuals 133

4.3 Non-Deterministic Counterfactuals 136

4.3.1 Probabilities of counterfactuals 136

4.3.2 The Graphical representation of counterfactuals 141

4.3.3 Counterfactuals in experimental settings 144

4.3.4 Counterfactuals in linear models 147

4.4 Practical uses of counterfactuals 149

4.4.1 Recruitment to a program 149

4.4.2 Additive interventions 152

4.4.3 Personal decision making 155

4.4.4 Sex discrimination in hiring 158

4.4.5 Mediation and path-disabling interventions 159

4.5 Mathematical Tool Kits for Attribution and Mediation 161

4.5.1 A tool kit for attribution and probabilities of causation 162

4.5.2 A tool kit for mediation 167

References 176

= 资源获取 =
* [http://bayes.cs.ucla.edu/PRIMER/pearl-etal-2016-primer-errata-pages-april2021.pdf 《Causal Inference in Statistics: A Primer》原著勘误版本]

= 相关wiki =
= 编者推荐 =

===豆瓣书评===
====[https://book.douban.com/review/14067788/ 一次减法带来的科学革命]====
“一直都不太看好所谓的归因分析, 也不太理解为什么归因分析会作为图灵奖评审标准. 归因分析其实就是概率减法而已, 这是个再简单不过的概念.归因分析近年来受到了互联网公司的关注. Uber 就是其中之一.理论科学有的时候只要稍稍有一些创新概念, 就会带来应用领域的革命, 所以不要放过自己每一次的灵光一现.” ——Hao

===Goodreads书评===
====[https://book.douban.com/review/1314955/ 一本被主流遗忘的经典？]====
“In this short book, Pearl gives a broad yet detailed introduction to his flavor of causal inference. That means back-doors and front-doors and graphs as the foundation with potential outcomes and counterfactuals as the fruits to be harvested.

For a scientist, Pearl is an outstandingly good writer. Even his journal articles are readable! His popular book (The Book of Why: The New Science of Cause and Effect) was quite enjoyable and this textbook is concise and clear. I read this book at the same time as I was reading Causal Inference: What If and found that, for the concepts that are covered in both, Pearl's presentation was more clear.

The book has only four chapters. Chapter 1 gives an overview of causal inference and a brief overview of important background from probability theory. Chapter 2 lays out the graphical approach to structural causal models and introduces d-separation. Chapter 3 shows how to connect the graphical models to causal questions, with the central focus being back-door and front-door corrections, including a section on inverse probability weighting and linear models/regression. Chapter 4 expands the computational methods to a wider array of counterfactual questions, ending with extensive examples and explicit formulas for direct and indirect effects under mediation.

The greatest weakness of "The Book of Why" is that the examples are not worked out clearly. After reading it, you are convinced that there is something to this causal inference thing, but you have no intuition as to how to solve even the simplest problem involving confounders or colliders. In that sense, the current book is a worthy sequel. If you follow the equations and exercises (not particularly difficult), you will know how to solve simple causal inference problems.

That raises the question of who this book is intended for. I found the book to be challenging, but not bewildering or unnecessarily complex. I should note that I have a Ph.D. in physics and have worked for several years in something like "data science." In theory the book is intended for undergraduates who are studying "elementary statistics." I guess they would get something out of it, but my guess is that a beginning student would have difficulty appreciating what the relevance of these methods is without familiarity with how things are treated in the absence of them. After all, the math itself is rather simple, comfortably at the level of a precocious undergrad. What makes the subject challenging is understanding how to translate back and forth between assumptions about reality, graphs/equations and numerical estimates.

Unfortunately, there are a large number of typos and other minor errors in the book. He has a corrected pdf on his website if you're interested. Also, the course website is not whatever is written in the text, you need to Google it.

One last point is that there is an ongoing struggle within the causal inference community between Pearl's approach and the Neyman's potential outcomes approach. You'll see it obliquely referenced here, in Hernan's book (from the other side), in sparring journal articles and--of course--on academic Twitter. I kind of wish the argument would be less partisan and more philosophical but I guess even scientists are human beings. To get a sense of what the argument is about, I'd read https://ftp.cs.ucla.edu/pub/stat_ser/...。”——Michael

===集智相关文章===

在人工智能盛行的今天，当绝大多数人仅对“奇巧淫技”感兴趣的时候，集智俱乐部重新编辑推出冯·诺依曼自动机理论这系列文章，这是著名人工智能先驱Arthur Burks整理的冯·诺依曼的手稿《自复制自动机理论》的第一部分，该部分详细论述了思考自复制自动机的动机与意义。该文后经由集智俱乐部资深粉丝“东方和尚”翻译成中文，并由张江注释后奉献给广大读者。希望通过溯本清源，我们能够重新追溯冯·诺依曼的思考轨迹，从全新的视角审视人造机器的生命本质。
[[File:大数之道.jpeg|400px|right|thumb|[https://swarma.org/?p=3723 《自复制自动机理论》集智解读]]]
====[https://swarma.org/?p=3723 冯·诺依曼的遗产：寻找人工生命的理论根源]====
:《自复制自动机理论》前言1：冯·诺依曼在计算机方面的工作
====[https://swarma.org/?p=3678 冯·诺依曼：探寻计算的“原力”]====
:《自复制自动机理论》前言2：冯·诺依曼的自动机理论
====[https://swarma.org/?p=3652 神经网络与图灵机的复杂度博弈]====
:《自复制自动机理论》第一堂课：一般意义的计算机
====[https://swarma.org/?p=3633 人工智能如何掷骰子——三种概率理论]====
:《自复制自动机理论》第二堂课：控制与信息理论
====[https://swarma.org/?p=3145 信息的统计理论：复杂度阈值与概率论中“漏洞”]====
:《自复制自动机理论》第三堂课：信息的统计理论
====[https://swarma.org/?p=3216 大数之道——人脑与电脑的对比]====
:《自复制自动机理论》第四堂课：大数之道
====[https://swarma.org/?p=3128 自指机器的奥秘]====
:《自复制自动机理论》第五堂课：复杂自动机的一些考量——关于层次与进化的问题　

　　

----
本中文词条由[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

[[category:人工智能]]
[[category:复杂系统]]
[[category:自动机]]

Causal Inference in Statistics: A Primer

2022-05-04T18:05:33Z

于沂渭：/* 资源获取 */

Causal Inference in Statistics: A Primer

2022-05-04T18:04:09Z

于沂渭：/* 资源获取 */

Causal Inference in Statistics: A Primer

2022-05-04T17:57:01Z

于沂渭：

Causal Inference in Statistics: A Primer

2022-05-04T17:55:39Z

于沂渭：/* 内容目录 */

Causal Inference in Statistics: A Primer

2022-05-04T17:49:37Z

于沂渭：/* 作者介绍 */

Causal Inference in Statistics: A Primer

2022-05-04T17:48:03Z

于沂渭：/* 基本信息 */

文件:《统计因果推理入门》.jpg

2022-05-04T17:47:14Z

于沂渭：

封面

Causal Inference in Statistics: A Primer

2022-05-04T17:42:24Z

于沂渭：/* 基本信息 */

Causal Inference in Statistics: A Primer

2022-05-04T17:41:44Z

于沂渭：/* 基本信息 */

Causal Inference in Statistics: A Primer

2022-05-04T17:41:14Z

于沂渭：/* 基本信息 */

文件:Causal Inference in Statistics A Primer.png

2022-05-04T17:38:17Z

于沂渭：

图书封面

Causal Inference in Statistics: A Primer

2022-05-04T17:34:47Z

于沂渭：/* 基本信息 */

Causal Inference in Statistics: A Primer

2022-05-04T17:29:56Z

于沂渭：/* 内容简介 */

Causal Inference in Statistics: A Primer

2022-05-04T17:28:45Z

于沂渭：

= 内容简介 =

= 基本信息 =

= 作者介绍 =

= 内容目录 =

= 前言 =