Counterfactuals and causal inference

来自集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织
是趣木木呀讨论 | 贡献2022年7月10日 (日) 22:55的版本
(差异) ←上一版本 | 最后版本 (差异) | 下一版本→ (差异)
跳到导航 跳到搜索

内容简介

在这本经过全面修订和扩充的《反事实和因果推断》第二版中,以社会、人口和健康科学领域的实例介绍了观察数据分析中反事实方法的基本特征。首先介绍了使用潜在结果模型和因果图的替代估计技术;之后从潜在结果的角度介绍了匹配和回归等调节技术。对于因果暴露的重要决定因素无法观测到的研究场景,则介绍替代技术,如工具变量估计器、纵向方法和通过因果机制进行估计。全书强调了因果效应异质性的重要性,并讨论了通过机制进行深度因果解释的必要性。

目录

第一部分 社会科学中的因果和经验研究

第一章 介绍

第二部分 反事实、潜在结果和因果图

第二章 反事实和潜在结果模型

第三章 因果图

第三部分 条件在观测变量上阻断后门路径来估计因果作用

第四章 因果暴露的模型和条件估计的可识别性准测

第五章 因果作用的匹配估计

第六章 因果作用的回归估计

第七章 因果作用的加权回归估计

第四部分 当后门条件无效时估计因果作用

第八章 自选择、异质性和因果图

第九章 因果作用的工具变量估计

第十章 机制和因果解释

第十一章 重复观测和因果作用估计

第五部分 当因果作用不可被观测变量点识别时的估计

第十二章 分布假设、集合可识别性和敏感性分析

第六部分 结论

第十三章 反事实和观察性社会科学经验研究的未来

作者信息

斯蒂芬·摩根是约翰霍普金斯大学的彭博社会学和教育学杰出教授。他曾是Jan Rock Zubrow '77社会科学教授和康奈尔大学不平等研究中心主任。他目前感兴趣的领域包括社会分层、教育社会学和量化方法。他曾出版《在承诺的边缘:美国的教育成就和种族》(2005年),并作为编辑出版了《社会研究因果分析手册》(2013年)。

克里斯托弗·温希普是哈佛大学肯尼迪政府学院迪克·蒂什曼社会学教授和高级教师。在1992年来到哈佛之前,他是西北大学的社会学和统计学教授,并礼聘为经济学教授。他的研究重点是因果推断的统计模型,最近的研究是机制和内生选择、波士顿的黑人神职人员如何与警察合作减少青少年暴力、教育对心智能力的影响、实用主义作为行动理论的基础、认知心理学的进步对社会学的影响、以及个人如何理解正义的社会学方法。自1995年以来,他一直担任《社会学方法和研究》的编辑。

学术特点和学术价值

本书详细地介绍了社会科学领域中的因果推断问题,涵盖了“反事实”的介绍、因果作用的估计方法。本书的第一部分和第二部分从因果推断的基本定义入手,强调了在经验研究中使用因果推断手段的重要性,并把因果图作为一种直观的分析手段。第三部分介绍了常规条件下的因果作用估计方法,第四部分介绍了非一般(特殊)条件下的因果作用估计方法,第五部分介绍了无法识别因果作用时的分析方法。

从统计学研究者的视角看,这本书很好地强调了因果作用的可识别性问题,因果作用估计的经典方法都有涉猎,指向因果推断研究和应用的前沿。本书深入浅出,内容恢弘,有大量的介绍性内容,适合统计学、计量经济学、社会科学等领域的研究人员阅读。

编者推荐

集智学园课程推荐

图灵奖得主朱迪亚·珀尔教授认为,当下正在进行一场改变数据科学的新革命 ”因果革命“。它以科学为中心,涉及从数据到政策、可解释性、机制的泛化,再到一些社会科学中的归因和公平性问题,甚至哲学中的创造性和自由意志 。本季读书会以Elements of Causal Inference一书为线索,主要展现因果科学在机器学习各个方向上的影响,包括强化学习、迁移学习、表示学习等等,并分享在工业界的部分应用成果。本季读书会梳理了因果科学的核心内容,理解它如何改变数据科学,助力 AI 系统超越曲线拟合和获得回答因果问题的能力。

因果推断与机器学习领域的结合已经吸引了越来越多来自学界业界的关注。第一季读书会主要关注了因果科学在机器学习方向上的前沿应用,为深入探讨、普及推广因果科学议题,第二季读书会着力于实操性、基础性,带领大家精读因果科学方向两本非常受广泛认可的入门教材:Causal inference in statistics: A primer和Elements of causal inference: foundations and learning algorithms。读书会以直播讨论为主,结合习题交流、夜谈、编程实践、前沿讲座等多类型内容,主要面向有机器学习背景、希望深入学习因果科学基础知识和重要模型方法、寻求解决相关研究问题的研究人员。

“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。

文章推荐

推荐系统中的因果学习:基础、估计、预测和挑战

丁鹏:多角度回顾因果推断的模型方法

一作解读DeepMind最新论文:连接图神经网络与结构因果模型丨周五直播

福利 | 因果推断会是下一个AI热潮吗?Judea Pearl《因果论》重磅上市!

因果科学入门读什么书?Y. Bengio博士候选人的研读路径推荐

前沿综述:因果推断与因果性学习研究进展

因果表征学习最新综述:连接因果科学和机器学习的桥梁

历时3个月,全球32位讲者,共同讲述因果科学与Causal AI的全景框架!

崔鹏:稳定学习——挖掘因果推理和机器学习的共同基础

因果科学:连接统计学、机器学习与自动推理的新兴交叉领域

因果观念新革命?万字长文,解读复杂系统背后的暗因果

周晓华:因果推断的数学基础和在医学中的应用

相关路径