Causal Inference in Statistics: A Primer - 版本历史

2022年5月30日 (一) 13:20 是趣木木呀

2022-05-30T13:20:20Z

于沂渭：/* 编者推荐 */

2022-05-05T15:08:11Z

编者推荐

于沂渭：/* 编者推荐 */

2022-05-05T14:55:29Z

编者推荐

2022年5月5日 (四) 14:51 于沂渭

2022-05-05T14:51:53Z

于沂渭：/* 相关wiki */

2022-05-05T14:51:12Z

于沂渭：/* 编者推荐 */

2022-05-05T14:47:31Z

编者推荐

于沂渭：/* 编者推荐 */

2022-05-05T14:44:33Z

编者推荐

于沂渭：/* 编者推荐 */

2022-05-05T14:38:17Z

编者推荐

于沂渭：/* 编者推荐 */

2022-05-05T14:37:18Z

编者推荐

于沂渭：/* 编者推荐 */

2022-05-05T14:15:35Z

编者推荐

@@ 第17行： / 第17行： @@
 = 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。
+'''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。
+'''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。
+'''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 =
@@ 第188行： / 第188行： @@
 ====[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。

@@ 第194行： / 第194行： @@
 ----
-本中文词条由[[用户:于沂渭|一尾鱼]]编辑，欢迎在讨论页面留言。
+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。'''

@@ 第181行： / 第181行： @@
 ===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://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

@@ 第1行： / 第1行： @@
 = 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。
@@ 第12行： / 第14行： @@
 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》]]
 = 作者介绍 =

←上一版本		2022年5月5日 (四) 14:51的版本
第153行：		第153行：

	= 相关wiki =		= 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 =		= 编者推荐 =

←上一版本		2022年5月5日 (四) 14:47的版本
第168行：		第168行：


		+	[[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。

−	===~~集智相关文章~~===	+	===集智俱乐部相关文章===

	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。		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。

@@ 第178行： / 第178行： @@
 ====[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
-====[https://swarma.org/?p=3652 神经网络与图灵机的复杂度博弈]====
@@ 第198行： / 第189行： @@
 [[category:人工智能]]
-[[category:复杂系统]]
+[[Category:因果推断]][[Category:图形模型]][[Category:回归分析]][[Category:归纳推理]][[Category:统计哲学]]

@@ 第164行： / 第164行： @@
 Unfortunately, this book did not help......”  ——James Foster
@@ 第170行： / 第173行： @@
 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]====
+====[https://swarma.org/?p=27204 图模型与因果推理基础- SCM框架和Do-Calculus]====
-:《自复制自动机理论》前言1：冯·诺依曼在计算机方面的工作
+: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=3678 冯·诺依曼：探寻计算的“原力”]====
+====[https://pattern.swarma.org/article/145 因果科学的学习路线图]====
-:《自复制自动机理论》前言2：冯·诺依曼的自动机理论
+: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
 ====[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
@@ 第190行： / 第193行： @@
 ----
-本中文词条由[[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:一尾鱼|一尾鱼]]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。'''

←上一版本		2022年5月5日 (四) 14:15的版本
第161行：		第161行：

	===Goodreads书评===		===Goodreads书评===
−	~~====[https://book.douban.com/review/1314955/ 一本被主流遗忘的经典？]====~~	+	“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.
−	“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~~

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