前言

因果关系是事物之间的本质关系，在揭示事物的发生机制、指导干预行为等方面具有不可替代的作用。自然科学、人文科学等学科和研究领域需要探索事物之间的因果关系和因果作用，以便更深层次地理解和认知自然现象和社会现象的规律，推动学科和研究领域的发展。例如，在人工智能与计算机科学领域，当前以数据驱动的深度学习技术可以使机器发现数据中的相关关系，但是忽略了数据中固有的因果关系，使得现有机器学习算法在面临数据分布发生变化时表现出泛化能力弱且缺乏可解释性等问题，难以适用于开放、动态、真实的应用场景。图灵奖获得者Judea Pearl教授在其专著《为什么：关于因果关系的新科学》中指出“如果要真正解决科学问题，甚至开发具有真正意义智能的机器，因果关系是必然要迈过的一道坎”。图灵奖得主Yoshua Bengio教授在Nature杂志2019年4月的专访中认为人工智能下一步发展的关键要素是对因果关系的理解。2017年7月，国务院发布的《新一代人工智能发展规划》中明确指出，因果模型是建立新一代人工智能前沿基础理论的重要组成部分。

本书是面向高年级本科生或研究生的因果关系推断的入门参考书，主要介绍数据驱动的因果推断模型，以因果推断中混杂偏差的识别与修正问题为核心内容，首先从Rubin的潜在结果模型框架开始，详细介绍因果推断的基本概念、假设、方法，然后从潜在结果模型引入Pearl的结构因果模型框架。本书以Pearl的结构因果模型框架为主，详细介绍Pearl因果推断框架下的do演算、混杂偏差、选择偏差、反事实、中介效应、因果结构学习方法等基于图模型的因果推断的基本概念、理论、方法。

本书包括13章内容。第1章介绍了因果关系推断的基本概念。第2章和第3章介绍了Rubin的潜在结果模型，包括潜在结果模型的基本概念、假设，以及因果效应估计方法。第4章介绍了Pearl结构因果模型框架下的do演算、因果贝叶斯网络、结构因果模型的基本概念。第5章介绍了混杂偏差的图形化定义与识别、后门准则和前门准则。第6章介绍了图形化定义的选择偏差与计算方法。第7章和第8章分别介绍了反事实和中介效应。第9章介绍了图形化定义的工具变量的基本概念和计算方法。第10～12章介绍了从观测数据中学习因果结构的基本概念与方法。第13章介绍了因果结构未知情形下的因果效应估计方法。