iv估计法

是趣木木呀：

== 读书会介绍 ==
[[因果科学社区]]

“因果”并不是一个新概念，而是一个已经在多个学科中使用了数十年的分析技术。第三季读书会，我们需要回顾数十年来在社会学、经济学、医学、生物学等多个领域中，都是使用了什么样的因果模型、以什么样的范式、解决了什么样的问题。我们还要尝试进行对比和创新，看能否以现在的眼光，用其他的模型，为这些研究提供新的解决思路。

第三季因果科学与Causal AI读书会，将主要结合因果推断的潜在结果（Potential Outcomes）框架展开讨论，并尝试在不同领域尝试建立与SCM的对应关系。

分享主要按照'''「理论学习」+「案例研讨」'''的模式进行展开：

第一个模块为「理论学习」模块，这部分将参考W. Imbens和B. Rubin的著作Causal Inference for Statistics, Social, and Biomedical Sciences以及A. Hernan和M. Robins的Causal Inference: What if进行分享，将重点介绍潜在结果框架，包括但不限于实验性研究和观察性研究中的重要方法以及更稳健的因果效应估计方法。

第二个模块为「案例研讨」模块，将围绕目前在不同领域学术界和业界面临的重要问题，研讨包括但不限于计量经济学、推荐系统、精准医疗、计算社会科学、推荐系统、智能运维等学科典型的因果相关分析的研究实例。对这些研究进行复现。我们也将尝试提供相关代码示例，对这些研究进行复现，帮助大家在自己的研究中快速开始部署结合因果的算法。

详情可了解[https://swarma.org/?p=29052 因果+X：解决多学科领域的因果问题 | 因果科学读书会第三季启动]

== 项目目标 ==

* 梳理因果科学领域的重要知识概念，为初学者提供更好的认知地图
* 促进因果科学领域的概念统一和对齐

== 项目背景 ==
因果科学在国内越来越受到大家的关注，很多的科研工作者都投身于这个方向的科研探索，也有越来越多的学生和老师对这个内容感兴趣，希望可以梳理出这个领域的核心概念，让大家能更好的学习，并且达成统一的共识，更好的推送因果科学的发展。

===词条来源===
该项目的词条来源由因果科学读书会的发起人李奉治、李昊轩等人提供。
==志愿者任务领取词库==
{| class="wikitable mw-collapsible" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |词条
!类型
! scope="col" style="width:20%" |认领人
! scope="col" style="width:25%;" |拟完成时间
|-
|[[Peter Spirtes]]
|人物
|郑雨嘉
|
|-
|[[Causation, Prediction, and Search]]
|书籍
|
|
|-
|[[Bernhard Schölkopf]]
|人物
|英铄
|
|-
|[[Judea Pearl]]
|人物
|袁冰
|
|-
|[[Causal Inference for Statistics, Social, and Biomedical Sciences]]
|书籍
|朱淑媛
|
|-
|[[Causality: Model, Reasoning, and Inference]]
|书籍
|周浩杰
|
|-
|[[Elements of Causal Inference: Foundations and Learning Algorithms]]
|书籍
|于沂渭
|
|-
|[[Causal Inference: What If]]
|书籍
|雨轩
|
|-
|[[因果发现]]
|概念
|郑雨嘉
|
|}
书籍自建词条可参考[https://wiki.swarma.org/index.php/%E8%87%AA%E5%A4%8D%E5%88%B6%E8%87%AA%E5%8A%A8%E6%9C%BA%E7%90%86%E8%AE%BA_Theory_of_Self-reproducing_Automata 自复制自动机理论 Theory of Self-reproducing Automata]

所包含内容应当涵盖以下内容：

1、内容介绍（概述书籍主体思想及在所属领域的意义）

2、基本信息（包含书名、作者、编者、译者）

3、作者介绍（包含姓名、领域贡献）

4、内容目录（包含各部分标题）

5、内容摘要（包含目录所述各部分摘要）

6、资源获取（包含下载链接）

7、相关wiki（包含相关核心概念wiki链接）

8、编者推荐（包含相关书评与文章）

8.1 豆瓣书评

8.2 集智相关文章

人物自建词条可参考[[罗伯特·梅]] [[梅拉妮·米歇尔Melanie Mitchell]]

所包含内容应当涵盖以下内容：

1、基本信息（即简历卡）

2、成长经历（以求学经历、职业生涯为主）

3、研究领域

4、就职企业、机构或者院校

5、主要文章及著作（描述所著文章及书籍的要旨与意义）

6、研究动向

7、学术家族树

7.1 博士生导师

7.2 学生

8、合作者（研究团队的合作者（除学生与导师））

9、近期报道

10、相关链接（包含个人wiki、采访、谷歌学术个人主页等）

11、参考文献（包含所著文章标题）

12、编者推荐（包含相关书评与文章）
== 负责人审核词库 ==
{| class="wikitable" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |词条
! scope="col" style="width:20%" |审核反馈
! scope="col" style="width:25%;" |完成时间
|-
|[[Guido Imbens]]
!
!
|-
|[[干预]]
!
!
|}
==编辑排版词库==
{| class="wikitable" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |词条
! scope="col" style="width:20%" |认领人
! scope="col" style="width:25%" |认领时间
! scope="col" style="width:25%;" |完成时间
|-
|[[断点回归]]
|薄荷
|2022.04.23
|2022.04.23
|-
|[[合成对照]]
|薄荷
|2022.04.23
|2022.04.23
|-
|[[Sander Greenland]]
|
|
|
|-
|[[Tyler VanderWeele]]
|
|
|
|-
|[[Miguel Hernán]]
|
|
|
|-
|[[Donald Rubin]]
|
|
|
|-
|[[Elias Bareinboim]]
|
|
|
|-
|[[Counterfactuals and causal inference]]
|
|
|
|-
|[[双重差分]]
|薄荷
|2022.05.14
|2022.05.14
|-
|[https://wiki.swarma.org/index.php/%E6%97%A0%E6%B7%B7%E6%B7%86%E6%80%A7_Unconfoundedness 无混淆性 Uncondoundedness]
|薄荷
|2022.05.14
|2022.05.14
|-
|[[主分层]]
|薄荷
|2022.05.14
|2022.05.14
|-
|[[辛普森悖论]]
|薄荷
|2022.05.14
|2022.05.14
|-
|[[Susan Athey]]
|
|
|
|-
|[[James Robins]]
|
|
|
|-
|[[Causal Inference in Statistics: A Primer]]
|
|
|
|-
|[[The Book of Why]]
|
|
|
|-
|[[潜在结果]]
|
|
|
|-
|[[因果之梯]]
|
|
|
|-
|[[因果推断引擎]]
|
|
|
|-
|[[链接合，叉接合，对撞接合]]
|
|
|
|}
==专家审核词库==
[[逆概率加权]]

[[Clark Glymour]]

== 因果扑克牌 ==
{| class="wikitable"
|+

!词条主页面
!
!词条重定向页面
!
|-
|♠黑桃Spade
|
|
|
|-
|#REDIRECT[[潜在结果|<nowiki>[[潜在结果</nowiki>]]]]
|A
|[[YG1-SA]]
|
|-
|#REDIRECT[[[[处理（干预）效应]][[无混淆性 Unconfoundedness|<nowiki>]</nowiki>]]]
|2
|[[YG1-S2]]
|
|-
|#REDIRECT[[[[无混淆性 Unconfoundedness|<nowiki>无混淆性 Unconfoundedness]</nowiki>]]]
|3
|[[YG1-S3]]
|
|-
|#REDIRECT[[[[中介分析|倾向评分]][[中介分析|<nowiki>]]</nowiki>]]
|4
|[[YG1-S4]]
|缺乏编者推荐-未过编辑
|-
|#REDIRECT[[[[中介分析|工具变量]][[中介分析|<nowiki>]]</nowiki>]]
|5
|[[YG1-S5]]
|缺乏编者推荐-未过编辑
|-
|#REDIRECT[[[[中介分析|<nowiki>中介分析]]</nowiki>]]
|6
|[[YG1-S6]]
|
|-
|#REDIRECT[[[[中介分析|主分层]][[中介分析|<nowiki>]]</nowiki>]]
|7
|[[YG1-S7]]
|
|-
|#REDIRECT [[[[重随机化 Rerandomization]]]]
|8
|[[YG1-S8]]
|补充内容，缺乏编者推荐-未过编辑
|-
|#REDIRECT[[[[Causal Inference: What If|<nowiki>Causal Inference: What If]</nowiki>]]]
|9
|[[YG1-S9]]
|缺乏编者推荐-未过编辑
|-
|#REDIRECT[[[[Causal Inference for Statistics, Social, and Biomedical Sciences|<nowiki>Causal Inference for Statistics, Social, and Biomedical Sciences]]</nowiki>]]
|T
|[[YG1-ST]]
|缺乏编者推荐-未过编辑
|-
|#REDIRECT[[[[Susan Athey|<nowiki>Susan Athey]]</nowiki>]]
|J
|[[YG1-SJ]]
|缺乏编者推荐-未过编辑**
|-
|#REDIRECT[[[[Miguel Hernán|<nowiki>Miguel Hernán]]</nowiki>]]
|Q
|[[YG1-SQ]]
|缺乏编者推荐-未过编辑**
|-
|#REDIRECT[[[[Donald Rubin|<nowiki>Donald Rubin]]</nowiki>]]
|K
|[[YG1-SK]]
|
|-
|♣梅花Club
|
|
|
|-
|#REDIRECT[[[[随机对照试验|<nowiki>随机对照试验]]</nowiki>]]
|A
|[[YG1-CA]]
|
|-
|#REDIRECT[[[[回归分析]][[中介分析|<nowiki>]]</nowiki>]]
|2
|[[YG1-C2]]
|
|-
|#REDIRECT[[[[中介分析|<nowiki>逆概率加权]]</nowiki>]]
|3
|[[YG1-C3]]
|
|-
|#REDIRECT[[[[中介分析|<nowiki>双稳健]]</nowiki>]]
|4
|[[YG1-C4]]
|未完成-缺乏编者推荐-未过编辑**
|-
|#REDIRECT[[[[中介分析|<nowiki>匹配]]</nowiki>]]
|5
|[[YG1-C5]]
|补充内容
|-
|#REDIRECT[[[[中介分析|<nowiki>断点回归]]</nowiki>]]
|6
|[[YG1-C6]]
|
|-
|#REDIRECT[[[[中介分析|<nowiki>双重差分]]</nowiki>]]
|7
|[[YG1-C7]]
|
|-
|#REDIRECT[[[[合成对照|<nowiki>合成对照]]</nowiki>]]
|8
|[[YG1-C8]]
|添加相关超链
|-
|#REDIRECT[[[[中介分析|<nowiki>Counterfactuals and causal inference]]</nowiki>]]
|9
|[[YG1-C9]]
|缺乏编者推荐-未过编辑
|-
|#REDIRECT[[[[中介分析|<nowiki>Causation, Prediction, and Search]]</nowiki>]]
|T
|[[YG1-CT]]
|未完成
|-
|#REDIRECT[[[[中介分析|<nowiki>Sander Greenland]</nowiki>]]
|J
|[[YG1-CJ]]
|缺乏编者推荐-未过编辑**
|-
|#REDIRECT[[[[Tyler VanderWeele]][[中介分析|<nowiki>]]</nowiki>]]
|Q
|[[YG1-CQ]]
|缺乏编者推荐-未过编辑**
|-
|#REDIRECT[[Guido Imbens]][[中介分析|<nowiki>]]</nowiki>]]
|K
|[[YG1-CK]]
|缺乏编者推荐-未过编辑**
|-
|♥-Heart
|
|
|
|-
|#REDIRECT[[因果之梯|<nowiki>[[因果之梯</nowiki>]]]]
|A
|[[YG1-HA]]
|
|-
|#REDIRECT[[[[Do演算]]]]
|2
|[[YG1-H2]]
|
|-
|#REDIRECT[[[[D-分离]]]]
|3
|[[YG1-H3]]
|
|-
|#REDIRECT[[[[后门准则]]]]
|4
|[[YG1-H4]]
|*
|-
|#REDIRECT[[[[前门准则]]]]
|5
|[[YG1-H5]]
|*
|-
|#REDIRECT[[[[辛普森悖论]]]]
|6
|[[YG1-H6]]
|https://en.wikipedia.org/wiki/Simpson%27s_paradox
|-
|#REDIRECT[[[[因果科学社区]]]]
|7
|[[YG1-H7]]
|
|-
|#REDIRECT[[[[因果发现]]]]
|8
|[[YG1-H8]]
|待完成
|-
|#REDIRECT[[[[The Book of Why]]]]
|9
|[[YG1-H9]]
|*
|-
|#REDIRECT[[[[Causality: Model, Reasoning, and Inference]]]]
|T
|[[YG1-HT]]
|*
|-
|#REDIRECT[[[[Bernhard Schölkopf]]]]
|J
|[[YG1-HJ]]
|缺乏编者推荐，参考文献-未过编辑**
|-
|#REDIRECT[[[[Elias Bareinboim]]]]
|Q
|[[YG1-HQ]]
|*
|-
|#REDIRECT[[[[Judea Pearl]]]]
|K
|[[YG1-HK]]
|
|-
|♦-diamond
|
|
|
|-
|#REDIRECT[[[[因果推断引擎]]]]
|A
|[[YG1-DA]]
|
|-
|#REDIRECT[[[[有向无环图 Directed acyclic graph]]]]
|2
|[[YG1-D2]]
|
|-
|#REDIRECT[[[[链接合，叉接合，对撞接合]]]]
|3
|[[YG1-D3]]
|
|-
|#REDIRECT[[[[干预]]]]
|4
|[[YG1-D4]]
|
|-
|#REDIRECT[[[[反事实]]]]
|5
|[[YG1-D5]]
|
|-
|#REDIRECT[[[[贝叶斯网络]]]]
|6
|[[YG1-D6]]
|
|-
|#REDIRECT[[[[因果森林 Causal Forest]]]]
|7
|[[YG1-D7]]
|待完成
|-
|#REDIRECT[[[[因果涌现 Causal Emergence]]]]
|8
|[[YG1-D8]]
|
|-
|#REDIRECT[[[[Causal Inference in Statistics: A Primer]]]]
|9
|[[YG1-D9]]
|
|-
|#REDIRECT[[[[Elements of Causal Inference: Foundations and Learning Algorithms]]]]
|T
|[[YG1-DT]]
|
|-
|#REDIRECT[[[[Peter Spirtes]]]]
|J
|[[YG1-DJ]]
|*
|-
|#REDIRECT[[[[James Robins]]]]
|Q
|[[YG1-DQ]]
|
|-
|#REDIRECT[[[[Yoshua Bengio]]]]
|K
|[[YG1-DK]]
|*
|-
|#REDIRECT[[[[潜在结果模型]]]]
|小王
|[[YG1-1]]
|
|-
|#REDIRECT[[[[Yoshua Bengio|结构因果模型]]]]
|大王
|[[YG1-2]]
|
|-
|#REDIRECT[[[[因果科学扑克牌项目记录]]]]
|
|[[YG1-3]]
|
|}
黑桃S

红桃H

方块D

梅花C

<nowiki>#REDIRECT [[目标词条]]</nowiki>

红桃方块

图片命名

Counterfactuals and causal inference

2022-07-10T14:55:42Z

是趣木木呀：

== 内容简介 ==
在这本经过全面修订和扩充的《反事实和因果推断》第二版中，以社会、人口和健康科学领域的实例介绍了观察数据分析中反事实方法的基本特征。首先介绍了使用潜在结果模型和因果图的替代估计技术；之后从潜在结果的角度介绍了匹配和回归等调节技术。对于因果暴露的重要决定因素无法观测到的研究场景，则介绍替代技术，如工具变量估计器、纵向方法和通过因果机制进行估计。全书强调了因果效应异质性的重要性，并讨论了通过机制进行深度因果解释的必要性。

== 目录 ==
第一部分社会科学中的因果和经验研究

第一章介绍

第二部分反事实、潜在结果和因果图

第二章反事实和潜在结果模型

第三章因果图

第三部分条件在观测变量上阻断后门路径来估计因果作用

第四章因果暴露的模型和条件估计的可识别性准测

第五章因果作用的匹配估计

第六章因果作用的回归估计

第七章因果作用的加权回归估计

第四部分当后门条件无效时估计因果作用

第八章自选择、异质性和因果图

第九章因果作用的工具变量估计

第十章机制和因果解释

第十一章重复观测和因果作用估计

第五部分当因果作用不可被观测变量点识别时的估计

第十二章分布假设、集合可识别性和敏感性分析

第六部分结论

第十三章反事实和观察性社会科学经验研究的未来

== 作者信息 ==
斯蒂芬·摩根是约翰霍普金斯大学的彭博社会学和教育学杰出教授。他曾是Jan Rock Zubrow '77社会科学教授和康奈尔大学不平等研究中心主任。他目前感兴趣的领域包括社会分层、教育社会学和量化方法。他曾出版《在承诺的边缘：美国的教育成就和种族》(2005年)，并作为编辑出版了《社会研究因果分析手册》(2013年)。

克里斯托弗·温希普是哈佛大学肯尼迪政府学院迪克·蒂什曼社会学教授和高级教师。在1992年来到哈佛之前，他是西北大学的社会学和统计学教授，并礼聘为经济学教授。他的研究重点是因果推断的统计模型，最近的研究是机制和内生选择、波士顿的黑人神职人员如何与警察合作减少青少年暴力、教育对心智能力的影响、实用主义作为行动理论的基础、认知心理学的进步对社会学的影响、以及个人如何理解正义的社会学方法。自1995年以来，他一直担任《社会学方法和研究》的编辑。

== 学术特点和学术价值 ==
本书详细地介绍了社会科学领域中的因果推断问题，涵盖了“反事实”的介绍、因果作用的估计方法。本书的第一部分和第二部分从因果推断的基本定义入手，强调了在经验研究中使用因果推断手段的重要性，并把因果图作为一种直观的分析手段。第三部分介绍了常规条件下的因果作用估计方法，第四部分介绍了非一般（特殊）条件下的因果作用估计方法，第五部分介绍了无法识别因果作用时的分析方法。

从统计学研究者的视角看，这本书很好地强调了因果作用的可识别性问题，因果作用估计的经典方法都有涉猎，指向因果推断研究和应用的前沿。本书深入浅出，内容恢弘，有大量的介绍性内容，适合统计学、计量经济学、社会科学等领域的研究人员阅读。

==编者推荐==
===集智学园课程推荐===
*[https://campus.swarma.org/course/1798 因果科学与 Causal AI 系列读书会]
图灵奖得主朱迪亚·珀尔教授认为，当下正在进行一场改变数据科学的新革命 ”因果革命“。它以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的归因和公平性问题，甚至哲学中的创造性和自由意志。本季读书会以Elements of Causal Inference一书为线索，主要展现因果科学在机器学习各个方向上的影响，包括强化学习、迁移学习、表示学习等等，并分享在工业界的部分应用成果。本季读书会梳理了因果科学的核心内容，理解它如何改变数据科学，助力 AI 系统超越曲线拟合和获得回答因果问题的能力。
*[https://campus.swarma.org/course/2460 因果科学与Causal AI读书会第二季]
因果推断与机器学习领域的结合已经吸引了越来越多来自学界业界的关注。第一季读书会主要关注了因果科学在机器学习方向上的前沿应用，为深入探讨、普及推广因果科学议题，第二季读书会着力于实操性、基础性，带领大家精读因果科学方向两本非常受广泛认可的入门教材：Causal inference in statistics: A primer和Elements of causal inference: foundations and learning algorithms。读书会以直播讨论为主，结合习题交流、夜谈、编程实践、前沿讲座等多类型内容，主要面向有机器学习背景、希望深入学习因果科学基础知识和重要模型方法、寻求解决相关研究问题的研究人员。
*[https://campus.swarma.org/course/3527 因果科学读书会第三季：因果+X]
“因果”并不是一个新概念，而是一个已经在多个学科中使用了数十年的分析技术。通过前两季的分享，我们主要梳理了因果科学在计算机领域的前沿进展。如要融会贯通，我们需要回顾数十年来在社会学、经济学、医学、生物学等多个领域中，都是使用了什么样的因果模型、以什么样的范式、解决了什么样的问题。我们还要尝试进行对比和创新，看能否以现在的眼光，用其他的模型，为这些研究提供新的解决思路。

“因果+X”就是要让因果真正地应用于我们的科学研究中，不管你是来自计算机、数理统计领域，还是社会学、经济学、管理学领域，还是医学、生物学领域，我们希望共同探究出因果研究的范式，真正解决因果的多学科应用问题，乃至解决工业界的问题。
===文章推荐===
[https://swarma.org/?p=33119 推荐系统中的因果学习：基础、估计、预测和挑战]

[https://swarma.org/?p=28539 丁鹏：多角度回顾因果推断的模型方法]

[https://swarma.org/?p=28989 一作解读DeepMind最新论文：连接图神经网络与结构因果模型丨周五直播]

[https://swarma.org/?p=34329 福利 | 因果推断会是下一个AI热潮吗？Judea Pearl《因果论》重磅上市！]

[https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]

[https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]

[https://mp.weixin.qq.com/s/W6PIE211TavEgg_s3adDdg 因果表征学习最新综述：连接因果科学和机器学习的桥梁]

[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]

[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]

[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]

[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]
===相关路径===
*[https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
*[https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
*[https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
*[https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。