更改

==调整目的： 因果效应估计==  

==调整目的： 因果效应估计==  

我们期望在给定如下因果图的情况下，判断治疗变量 T 对结果变量 Y 的因果效应  $P(Y| do(t))$，其中 W 是一个未观测的混淆变量，M 是中介变量。（注意：我们现在观测不到W，无法进行后门调整）

我们期望在给定如下因果图的情况下，判断治疗变量 T 对结果变量 Y 的因果效应  <math> P(y|do(t)）</math>，其中 W 是一个未观测的混淆变量，M 是中介变量。（注意：我们现在观测不到W，无法进行后门调整）

[[文件:Front door.png|缩略图|229x229像素|前门调整]]

[[文件:Front door.png|缩略图|229x229像素|前门调整]]

主要步骤如下<ref>https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf</ref>：

主要步骤如下<ref>https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf</ref>：

# 估计T对M的因果效应

#'''估计T对M的因果效应'''<math> P(m|do(t)）</math> ，由于T-W-Y-M 这条路径被 [[阻断]] （见 [[D-分离]])  <math> P(m|do(t)）=P(m|t)</math>

# 估计M对Y的因果效应

#'''估计M对Y的因果效应'''<math> P(y|do(m)）</math>, 由于 T 阻断了[[后门路径]] M<-T<-W ->Y, 根据[[后门调整]] 我们可以轻松得到<math> P(y|do(m)）= \sum_t P(y|m,t) P(t)</math>

# 结合以上两种因果效应

#结合以上两种因果效应

==前门准则==

==前门准则==

==例子==

==例子==