2,367
个编辑
更改
跳到导航
跳到搜索
第61行：
第61行： − + + + + + + + + + + + + + + + + − ===[https://campus.swarma.org/course/2030 潜结果框架下的因果效应 ]===+ + + + + + + + + + + + + + + + − +
→相关课程
== 相关课程==
== 相关课程==
===[https://campus.swarma.org/course/1958 图模型与因果推理基础]===
===书籍推荐===
[[File:统计因果推理入门.jpg|200px|thumb|right|《统计因果推理入门》封面|链接=https://wiki.swarma.org/index.php%3Ftitle=%E6%96%87%E4%BB%B6:%E7%BB%9F%E8%AE%A1%E5%9B%A0%E6%9E%9C%E6%8E%A8%E7%90%86%E5%85%A5%E9%97%A8.jpg]]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%BB%9F%E8%AE%A1%E5%9B%A0%E6%9E%9C%E6%8E%A8%E7%90%86%E5%85%A5%E9%97%A8 统计因果推理入门] 对应英文[https://wiki.swarma.org/index.php%3Ftitle=Causal_Inference_in_Statistics:_A_Primer Causal Inference in Statistics: A Primer]
关于因果的讨论很多，但是许多入门的教材只是为没有统计学基础的读者介绍如何使用统计学技术处理因果性问题，而没有讨论因果模型和因果参数，本书希望协助具有基础统计学知识的教师和学生应对几乎在所有自然科学和社会科学非试验研究中存在的因果性问题。本书聚焦于用简单和自然的方法定义因果参数，并且说明在观察研究中，哪些假设对于估计参数是必要的。我们也证明这些假设可以用显而易见的数学形式描述出来，也可以用简单的数学工具将这些假设转化为量化的因果关系，如治疗效果和政策干预，以确定其可检测的内在关系。
*[https://wiki.swarma.org/index.php%3Ftitle=Counterfactuals_and_Causal_Inference:_Methods_and_Principles_for_Social_Research Counterfactuals and Causal Inference: Methods and Principles for Social Research]
===课程推荐===
*[https://campus.swarma.org/course/2526 两套因果框架深度剖析：潜在结果模型与结构因果模型]
::这个视频内容来自[https://wiki.swarma.org/index.php%3Ftitle=%E9%9B%86%E6%99%BA%E4%BF%B1%E4%B9%90%E9%83%A8%E8%AF%BB%E4%B9%A6%E4%BC%9A 集智俱乐部读书会]-因果科学与Causal AI读书会第二季内容的分享，由英国剑桥大学及其学习组博士陆超超详细的阐述了潜在结果模型和结果因果模型，并介绍了两个框架的相互转化规律。
::1. 讲述因果推断的两大框架：潜在结果模型和结构因果模型，讨论他们各自的优缺点以及他们之间的联系，详细介绍他们之间的转化规律。
*[https://www.bilibili.com/video/BV1NJ411w7ms?from=search&seid=15960075946481426104 Average Effect of Treatment on the Treated (ATT) 实验组的平均干预效应/匹配方法]
::B站搬运的杜克大学社会科学研究中心的分享视频，介绍了在使用匹配方法时会涉及到的ATT、CATE、ATE的方法。
* [https://campus.swarma.org/course/1958 图模型与因果推理基础]
因果科学成为了“科学”，并在近期正蓬勃发展，这离不开其具有了形式化的定义。在该课程中，将介绍因果科学中的图模型，以及如何在图模型中使用前门调整、后门调整、工具变量、Do-演算等干预的工具，并介绍可识别性等基础概念。
因果科学成为了“科学”，并在近期正蓬勃发展，这离不开其具有了形式化的定义。在该课程中，将介绍因果科学中的图模型，以及如何在图模型中使用前门调整、后门调整、工具变量、Do-演算等干预的工具，并介绍可识别性等基础概念。
* [https://campus.swarma.org/course/2030 潜结果框架下的因果效应]
什么是因果呢？“因”其实就是引起某种现象发生的原因，而“果”就是某种现象发生后产生的结果。因果问题在我们日常生活中十分常见，但是不管是传统的统计学还是当下很火的大数据、机器学习，更多的是解决相关性的问题。因果问题存在于很多领域，如医疗健康、经济、政治科学、数字营销等。该课程是由浙江大学助理教授况琨讲授的，主要回答以下一些重要的问题：因果性与相关性的区别是什么？相关性有哪几种来源？如何评估因果效应？有哪些常用且前沿的方法？
什么是因果呢？“因”其实就是引起某种现象发生的原因，而“果”就是某种现象发生后产生的结果。因果问题在我们日常生活中十分常见，但是不管是传统的统计学还是当下很火的大数据、机器学习，更多的是解决相关性的问题。因果问题存在于很多领域，如医疗健康、经济、政治科学、数字营销等。该课程是由浙江大学助理教授况琨讲授的，主要回答以下一些重要的问题：因果性与相关性的区别是什么？相关性有哪几种来源？如何评估因果效应？有哪些常用且前沿的方法？
===文章总结===
*[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]
*知乎上RandomWalk总结的关于因果推断之Potential Outcome Framework的内容，其中提到因果退镀and额目标就是从观测数据中估计treatment effect。
*Mesonychid在自己的个人主页上分享的关于[https://hanyuz1996.github.io/2017/08/30/Donald-Rubin/ Donald-Rubin潜在结果模型]的解释。
*Yishi Lin在自己的个人主页上分享的关于因果推断的一些介绍[https://dango.rocks/blog/2019/01/08/Causal-Inference-Introduction1/ 因果推断漫谈（一）：掀开 “因果推断” 的面纱]
===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）。
----
----
本中文词条由[[用户:shlay|shlay]]用户参与编译，[[用户:PengWu|PengWu]]参与审校，[[用户:思无涯咿呀咿呀|思无涯咿呀咿呀]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。
本中文词条由[[用户:shlay|shlay]]用户参与编译，[[用户:PengWu|PengWu]]参与审校，[[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。'''
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''