因果推断:基于图模型分析:based on graphical model analysis

前言
第1章绪论1
11辛普森悖论1
12相关性与因果关系5
13变量之间的关系9
14本书主要内容及安排11
第2章数学基础13
21随机变量和随机事件13
211随机变量13
212随机事件14
22概率及其计算16
221概率与条件概率16
222概率分布19
223概率的计算公式19
23独立性22
24贝叶斯公式及其应用25
25随机变量的数字特征30
26回归33
261一元线性回归33
262多元线性回归35
27因果关系的表示：图模型与结构
因果模型37
271因果关系的概念37
272图模型38
273结构因果模型40
274图模型和结构因果模型的
比较41
28因子分解42
281图模型的马尔可夫性43
282因子分解表达式44
29图模型结构的程序实现46
291R软件的安装46
292DAGitty包的安装与
加载48
293图模型的生成50
第3章图模型分析55
31基本图模型结构的分析55
311链式结构56
312分叉结构57
313对撞结构59
32d划分66
321d划分的概念66
322d划分的判断70
323d划分变量集合搜索73
33图模型与概率分布78
34图模型分析的程序实现80
第4章干预分析89
41因果效应的调整表达式计算89
411混杂偏差89
412干预的数学表达90
413通过调整表达式计算
因果效应92
414调整变量的设计96
42后门准则与前门准则101
421后门准则101
422前门准则107
43多变量干预和特定变量
取值干预112
431多变量干预112
432特定变量取值时的干预
分析115
433条件干预118
44直接因果效应与间接因果效应119
45因果效应的估计125
451反概率权重法125
452倾向值评分匹配法129
46线性系统中的因果推断133
461线性系统因果推断分析的
特点133
462路径系数及其在因果推断
分析中的应用137
463线性系统中路径系数的
计算141
47工具变量150
48干预分析的程序实现154
481获取调整变量集合154
482通过倾向值评分匹配
计算ACE158
第5章反事实分析及其应用164
51反事实概念的引入及表达
符号164
52反事实分析的基本方法168
521反事实假设与结构因果
模型修改168
522反事实分析的基本法则171
53反事实分析计算173
531外生变量取值与个体173
532确定性反事实分析175
533概率性反事实分析177
534反事实分析中概率计算的
一般化方法182
54反事实符号表达式与do算子符号
表达式的对比185
55基于图模型的反事实分析191
56SCM参数未知及线性环境下的
反事实分析195
561SCM参数未知条件下的反
事实分析195
562线性模型在给定事实条件下
的反事实分析198
57中介分析201
571自然直接效应和自然间接
效应的定义202
572自然直接效应和自然间接
效应的计算204
58反事实的应用205
第6章因果关系概率分析211
61因果关系概率的定义211
62因果关系概率的性质214
63必要性概率与充分性概率的
量化计算216
631外生性与单调性216
632在外生性条件下PN、PS和
PNS的计算219
633在外生性和单调性条件下
PN、PS和PNS的计算221
634在不具有外生性但具有单调性
条件下PN、PS和PNS的
计算222
635在外生性和单调性都不成立
条件下PN、PS和PNS的
计算226
64因果关系概率的应用228
第7章复杂条件下因果效应的
计算23871非理想依从条件下因果效应的
计算238
711研究模型假设238
712一般条件下平均因果
效应的计算239
713附加假设条件下平均因果
效应的计算243
72已干预条件下因果效应的计算246
721ETT的计算247
722增量干预的计算249
723非理想依从条件下ETT的
计算251
73复杂图模型条件下因果效应的
计算253
731do算子推理法则253
732do算子推理法则应用
示例254
733因果效应的可识别性257
734试验中干预变量的替代
设计262
74非理想数据采集条件下因果
效应的计算265
第8章图模型结构的学习270
81图模型结构学习算法概述270
811图模型结构学习的过程270
812图模型结构学习的假设271
82图模型结构学习算法的分类及基于
评分的学习算法简介272
83基于约束的算法273
831独立性测试273
832IC算法简介277
833IC算法的具体实现过程278
834其他基于约束的算法282
84图模型结构学习的程序实现283
841pcalg包的安装283
842图模型结构的学习284
843因果效应计算293
第9章因果推断的应用299
91因果推断在推荐系统中的应用299
92因果推断在强化学习中的应用306
921多臂赌博机问题场景307
922基于因果推断的多臂赌博机
问题分析309
923基于因果推断的多臂赌博机
问题算法改进311
924基于因果推断的多臂赌博机
问题算法改进效果313
参考文献315