Causal Inference: What If
此词条由因果科学读书会词条梳理志愿者雨轩翻译审校，未经专家审核，带来阅读不便，请见谅。
概要及简介
这本书描述了各种数据分析方法，以估计在一组特定的假设下，当数据被收集到人口中的每个个体时，利益的因果效应。这本书的一个关键信息是，因果推断不能简化为数据分析的食谱集合。
本书按难度递增分为三个部分:第一部分是关于没有模型的因果推断(即，因果效应的非参数识别)，第二部分是关于有模型的因果推断(即，用参数模型估计因果效应)，第三部分是关于从复杂纵向数据进行因果推断(即，时变处理的因果效应估计)。
在整本书中穿插了诸多精细点和技术点，阐述了在把本书中提到的某些主题。“精细点”面向所有读者，“技术点”面向经过中级统计培训的读者。这本书描述了各种数据分析方法，以估计在一组特定的假设下，当数据被收集到人口中的每个个体时，利益的因果效应。这本书的一个关键信息是，因果推断不能简化为数据分析的集合。
作者信息
米盖尔.赫尔南是西班牙裔美国流行病学家。他是哈佛大学陈曾熙公共卫生学院CAUSALab研究小组的主任以及生物统计学和流行病学教授，也是哈佛-麻省理工医疗科技学院健康科学与技术项目的教员。
赫尔南进行研究以了解哪些方法可以改善人类健康。他与来自多个国家的合作者一起设计了医疗保健数据库、流行病学研究和随机试验的分析。他是全球高被引科学家[1]。他的免费 edX 课程《因果图》[2]已经有超过 50,000 人注册。他与詹姆斯·罗宾斯合着的著作《因果推理：假设》，也可在线免费获得，并广泛用于研究人员的培训。
埃尔南是Epidemiology（期刊）的名誉编辑，也是Biometrics（期刊）、American Journal of Epidemiology和Journal of the American Statistical Association 的前副主编。他曾是美国食品和药物管理局的特别政府雇员，并曾在美国国家科学院、工程院和医学院的多个委员会任职。
詹姆斯·罗宾斯是一位流行病学家和生物统计学家，他以推进从复杂的观察性研究和随机试验中得出因果推论的方法而闻名，特别是那些治疗随时间变化的试验。他是2013年内森曼特尔统计和流行病学终身成就奖的获得者。
他于 1976 年毕业于圣路易斯华盛顿大学的医学专业。他目前是哈佛大学陈曾熙公共卫生学院的Mitchell L. 和 Robin LaFoley Dong 流行病学教授。他在学术期刊上发表了100 多篇论文，是ISI高被引研究员。[3]
目录
一、没有模型的因果推断
1：因果效应的定义
2：随机实验
3：观察研究
4：效应修正
5：交互
6：因果效应的图形表示
7：混淆
8：选择偏差
9：测量偏差
10：随机可变性
二、基于模型的因果推理
11：为什么使用模型?
12：IP加权和边际结构模型
13：标准化与参数g-公式
14：结构嵌套模型的g-估计
15：结果回归和倾向得分
16：工具变量估计
17：因果生存分析
18：因果推断的变量选择
三、从复杂的纵向数据进行因果推断
19：时变处理
20：实验组-混淆因素反馈
21：G-方法的时变处理
22：目标试验模拟
本书数据和代码[4]
参考资料
- ↑ Web of Science Highly Cited Researchers
- ↑ edX Causal Diagrams course
- ↑ James Robins — Mitchell L. and Robin LaFoley Dong Professor of Epidemiology. Harvard School of Public Health (Accessed 15 March 2008).
- ↑ https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
编辑推荐
书籍推荐
因果推断领域新书（附PDF）：Causal Inference: What If | 集智俱乐部
在2020年末，由哈佛大学公共卫生学院的 Miguel Hernan 与 Jamie Robins 教授合作完成的因果推断领域的新书 Causal Inference: What If，更是详细全面地阐述了因果推断领域的基本概念与背后的理论基础。可以通过该链接扫码下载
文章总结
因果推断：如果_完整版_2021.04.22.pdf (strikinglycdn.com)
本书由芝加哥大学研究院罗家俊博士翻译为中文，可供参考
相关路径
- 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。
- 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。
- 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）。