更新时间：2023-11-07 17:37:21
封面
版权信息
作者简介
推荐序
前言
符号表
第一部分 因果推断基础
第1章 因果关系推断的基本概念
1.1 因果关系推断
1.2 混杂与辛普森悖论
1.3 随机对照试验
1.4 数据驱动的因果推断模型
1.5 图模型
1.6 贝叶斯网络
参考文献
第二部分 Rubin潜在结果模型与因果效应
第2章 潜在结果模型与因果效应的概念
2.1 潜在结果模型的概念
2.2 因果效应定义与假设
2.3 拓展阅读
第3章 因果效应估计方法
3.1 匹配方法
3.2 分层方法
3.3 重加权方法
3.4 表示学习方法
3.5 拓展阅读
第三部分 Pearl因果图模型与方法
第4章 干预与因果图模型
4.1 干预与do演算
4.2 因果贝叶斯网络模型
4.3 结构因果模型
4.4 拓展阅读
第5章 混杂偏差
5.1 混杂因子的图形化表示
5.2 父代因果效应准则
5.3 后门准则
5.4 前门准则
5.5 do演算公理系统
5.6 拓展阅读
第6章 选择偏差
6.1 选择偏差的概念
6.2 选择偏差的图形化表示
6.3 选择后门标准
6.4 拓展阅读
第7章 反事实推断
7.1 反事实的定义
7.2 反事实计算
7.3 反事实和干预
7.4 反事实与潜在结果
7.5 反事实与决策
7.6 拓展阅读
第8章 因果中介效应
8.1 中介效应的基本概念
8.2 基于线性模型的因果中介效应
8.3 基于反事实的因果中介效应
8.4 进一步分析
8.5 拓展阅读
第9章 工具变量
9.1 工具变量的概念
9.2 工具因果效应估计
9.3 条件工具变量
9.4 识别工具变量
9.5 拓展阅读
第四部分 因果结构学习方法
第10章 组合优化因果结构学习
10.1 限制优化学习
10.2 打分优化学习
10.3 拓展阅读
第11章 连续优化因果结构学习
11.1 连续优化方法
11.2 从线性模型到神经网络
11.3 用MLP进行DAG学习
11.4 DAG-GNN
11.5 对抗优化方法SAM
11.6 拓展阅读
第12章 局部因果结构学习
12.1 基于限制的局部因果结构学习
12.2 基于打分的局部因果结构学习
12.3 局部到全局的因果结构学习
12.4 拓展阅读
第五部分 因果结构未知情形下的因果效应估计
第13章 基于CPDAG的因果效应估计
13.1 基于全局CPDAG的因果效应估计
13.2 基于局部因果结构的因果效应估计
13.3 拓展阅读
文后
内容简介
封底
