316
个编辑
更改
跳到导航
跳到搜索
第70行：
第70行： − + − ====[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。+ + + + + + + + + + + + + + + + + + + + + + + + +
→集智课程
==编者推荐==
==编者推荐==
===集智课程===
===课程推荐===
* [https://campus.swarma.org/mobile/course/4101/study 因果推断在医学、药学、生物学中的应用 | 因果科学第三季第七期]
这个视频内容来自集智俱乐部读书会因果科学读书会第三季内容的分享， 主题是”因果推断在医学、药学、生物学中的应用“，由北京大学数学科学学院统计学2018级博士生邓宇昊分享。本
次分享关注因果推断框架在近二十年的两项重要进展：主分层（principal stratification）和再随机化（rerandomization）。
1.主分层。主分层的思路是根据处理后、结局前的潜在中间变量对总体进行分层，由于潜在中间变量（潜在结果）不受处理分配的影响，因此主层可被看作是处理前的基线协变量。主分层通常被
应用于两个场景中：非依从和死亡截断，尽管也存在其他场景。
2.再随机化。当面临不合适的随机分配时，Fisher建议进行再随机化。Morgan和Rubin首次对再随机化进行了正规的数学描述，其基本思路是：预先指定某种衡量协变量在不同处理组之间分布是
否平衡的准则，不采纳那些协变量不平衡的随机分配，而是一直进行随机化，直到获得协变量平衡的随机分配为止。Morgan和Rubin建议使用处理组和对照组协变量均值的平方马氏距离作为准
则，只接受平方马氏距离小于某个阈值的随机分配。他们还指出，通过再随机化，可以实现平均因果作用估计的方差下降。
===文章总结===
* [https://www.math.pku.edu.cn/teachers/yaoy/math112230/lecture10_DingP_causal091101.pdf 因果推断简介|丁鹏]
北京大学数学科学学院概率统计系的丁鹏老师在因果推断一文中第四章第一节详细介绍了主分层与工具变量
=== 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=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [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。
----
----