因果論：模型、推理和推斷（原書第2版）

《因果論：模型、推理和推斷（原書第2版）》是2022年機械工業出版社出版的圖書。

基本介紹

• 中文名：因果論：模型、推理和推斷（原書第2版）
• 出版時間：2022年5月1日
• 出版社：機械工業出版社
• ISBN：9787111701392

內容簡介

本書全面闡述了現代因果關係分析，展示了因果關係如何從一個模糊的概念發展成為一套數學理論，並廣泛用於統計學、人工智慧、經濟學、哲學、認知科學、衛生科學和社會學等領域。本書提出了一個全面的因果關係理論，它統一了因果關係的機率、操作、反事實和結構方法，並提供了簡單的數學工具來研究因果關係和統計關聯之間的關係。本書通過融合領域知識、常識約束、文化傳承的概念等來補充數據信息，為基於統計的機器學習中遇到的基本問題提供了科學的解決方案。

圖書目錄

中文版序

推薦者序

譯者序

我為什麼寫這本書：回顧與期望

第2版前言

第1版前言

第1章　機率、圖及因果模型1

1.1　機率論概述1

1.1.1　為什麼學習機率1

1.1.2　機率論的基本概念2

1.1.3　預測支持與診斷支持結合7

1.1.4　隨機變數與期望8

1.1.5　條件獨立與圖11

1.2　圖與機率12

1.2.1　圖的符號與術語12

1.2.2　貝葉斯網路13

1.2.3　d-分離準則17

1.2.4　貝葉斯網路推斷20

1.3　因果貝葉斯網路22

1.3.1　用於干預諭言的因果網路23

1.3.2　因果關係及其穩定性25

1.4　函式因果模型27

1.4.1　結構方程28

1.4.2　因果模型中的機率預測31

1.4.3　函式模型中的干預與因果效應33

1.4.4　函式模型中的反事實34

1.5　因果與統計術語40

第2章　因果關係推斷理論43

2.1　簡介：基本直覺44

2.2　因果發現框架46

2.3　模型偏好（奧卡姆剃刀原則）47

2.4　穩定分布51

2.5　獲取DAG結構52

2.6　重建潛在結構54

2.7　因果關係推斷的局部準則57

2.8　非時間因果與統計時間61

2.9　結論63

2.9.1　關於極小性、馬爾可夫性和穩定性64

第3章　因果圖與因果效應識別69

3.1　簡介70

3.2　馬爾可夫模型中的干預72

3.2.1　作為干預模型的圖72

3.2.2　干預作為變數75

3.2.3　計算干預效應76

3.2.4　因果量值的識別81

3.3　控制混雜偏差83

3.3.1　後門準則83

3.3.2　前門準則86

3.3.3　實例：吸菸與基因型理論88

3.4　干預的計算90

3.4.1　符號預備90

3.4.2　推斷規則90

3.4.3　因果效應的符號推導：一個實例92

3.4.4　基於替代試驗的因果推斷94

3.5　可識別性的圖模型檢驗95

3.5.1　識別模型97

3.5.2　非識別模型99

3.6　討論100

3.6.1　要求與擴展100

3.6.2　圖作為一種數學語言102

3.6.3　從圖轉換到潛在結果104

3.6.4　與Robins的G-估計的關係108

第4章　行動、計畫和直接效應114

4.1　簡介115

4.1.1　行動、動作和機率115

4.1.2　決策分析中的行動118

4.1.3　行動和反事實120

4.2　條件行動與隨機策略121

4.3　什麼時候行動的結果是可識別的122

4.3.1　基於圖的識別條件122

4.3.2　識別效率124

4.3.3　對控制問題解析解的推導126

4.3.4　總結126

4.4　動態計畫的可識別性127

4.4.1　動機127

4.4.2　識別計畫：符號和假設129

4.4.3　識別計畫：序貫後門準則130

4.4.4　識別計畫：計算流程133

4.5　直接效應和間接效應136

4.5.1　直接效應與總效應136

4.5.2　直接效應、定義和識別137

4.5.3　案例:大學錄取中的性別歧視問題138

4.5.4　自然直接效應141

4.5.5　間接效應與中介公式142

第5章　社會學和經濟學中的因果關係與結構模型144

5.1　簡介145

5.1.1　尋找因果語言145

5.1.2　SEM：它的意義怎么變模糊了146

5.1.3　圖作為一種數學語言150

5.2　圖與模型檢驗151

5.2.1　結構模型的可檢驗性含義152

5.2.2　檢驗可檢驗性156

5.2.3　模型等價性157

5.3　圖與可識別性161

5.3.1　線性模型中的參數識別161

5.3.2　與非參數識別的比較167

5.3.3　因果效應：SEM的干預解釋169

5.4　部分概念基礎172

5.4.1　結構參數真實意味著什麼172

5.4.2　效應分解的解釋177

5.4.3　外生性、超外生性及其他話題178

5.5　結論183

5.6　第2版附言184

5.6.1　計量經濟學的覺醒184

5.6.2　線性模型的識別問題185

5.6.3　因果論斷的魯棒性185

第6章　辛普森悖論、混雜與可壓縮性187

6.1　剖析辛普森悖論188

6.1.1　一個有關悖論的示例188

6.1.2　統計學中苦惱的事情190

6.1.3　因果關係與可交換性192

6.1.4　悖論已解決（或者，人是什麼類型的機器）195

6.2　為什麼沒有關於混雜的統計檢驗，為什麼許多人認為應該有，為什麼他們是正確的197

6.2.1　簡介197

6.2.2　因果定義和關聯定義199

6.3　關聯性準則如何失效200

6.3.1　憑藉邊緣化使充分性失效200

6.3.2　憑藉封閉世界假定使充分性失效201

6.3.3　憑藉無益代理使必要性失效201

6.3.4　憑藉偶然抵消使必要性失效203

6.4　穩定無偏與偶然無偏204

6.4.1　動機204

6.4.2　形式化定義206

6.4.3　穩定無混雜的運算檢驗207

6.5　混雜、可壓縮性和可交換性208

6.5.1　混雜與可壓縮性208

6.5.2　混雜與混雜因子210

6.5.3　可交換性與混雜結構分析212

6.6　結論215

第7章　結構化反事實的邏輯217

7.1　結構模型語義學218

7.1.1　定義：因果模型、行動與反事實219

7.1.2　評估反事實：確定性分析223

7.1.3　評估反事實：機率分析228

7.1.4　孿生網路法230

7.2　結構模型的套用與解釋231

7.2.1　線性經濟計量模型政策分析：示例231

7.2.2　反事實的實證性內容 234

7.2.3　因果解釋、表達及其理解238

7.2.4　從機制到行動再到因果240

7.2.5　Simon因果順序243

7.3　公理刻畫246

7.3.1　結構反事實的公理246

7.3.2　反事實邏輯中的因果效應：示例249

7.3.3　因果相關性公理252

7.4　基於結構化和相似性的反事實256

7.4.1　與Lewis反事實的關係256

7.4.2　公理系統的比較258

7.4.3　成像與條件260

7.4.4　與Neyman-Rubin框架的關係262

7.4.5　外生性和工具變數：反事實定義和圖模型定義264

7.5　結構因果與機率因果267

7.5.1　對時序的依賴性268

7.5.2　死循環風險269

7.5.3　與孩子們一起挑戰封閉世界假定271

7.5.4　特例因果與一般因果272

7.5.5　總結275

第8章　不完美實驗：邊界效應和反事實277

8.1　簡介278

8.1.1　不完美與間接實驗278

8.1.2　不依從性與治療意願279

8.2　利用工具變數界定因果效應的範圍280

8.2.1　問題的形式化表述：約束最佳化280

8.2.2　正則劃分：有限回響變數的演化282

8.2.3　線性規劃公式284

8.2.4　自然邊界286

8.2.5　對於處理（治療）者的處理效應（ETT）287

8.2.6　示例：消膽胺的作用288

8.3　反事實和法律責任289

8.4　工具變數測試291

8.5　解決不依從性的一種貝葉斯方法293

8.5.1　貝葉斯方法和吉布斯採樣293

8.5.2　樣本量和先驗分布的效應295

8.5.3　從不完全依從的臨床數據中估計因果效應296

8.5.4　特例事件因果關係的貝葉斯估計298

8.6　結論299

第9章　因果關係機率：解釋和識別300

9.1　簡介301

9.2　充分必要原因：識別條件303

9.2.1　定義、符號和基本關係303

9.2.2　外生性下的界限與基本關係306

9.2.3　單調性和外生性下的可識別性309

9.2.4　單調性和非外生性下的可識別性311

9.3　實例與套用314

9.3.1　實例1：公平硬幣下注314

9.3.2　實例2：刑法執行316

9.3.3　實例3：輻射對白血病的影響317

9.3.4　實例4：來自實驗數據和非實驗數據的法律責任320

9.3.5　結果總結321

9.4　非單調模型的可識別性322

9.5　結論325

第10章　實際原因327

10.1　引言：必要因果關係的不充分性328

10.1.1　重新探討特例原因 328

10.1.2　搶占和結構信息的作用329

10.1.3　過度確定和準依賴性331

10.1.4　Mackie的INUS條件332

10.2　產生、依賴和維持334

10.3　因果束和基於維持的因果關係337

10.3.1　因果束：定義及其含義337

10.3.2　實例：從析取式到通用公式340

10.3.3　束、搶占以及特例事件因果關係的機率342

10.3.4　路徑切換因果關係344

10.3.5　時序搶占345

10.4　結論347

第11章　對讀者的回應、闡述和討論351

11.1　因果、統計和圖的術語351

11.1.1　區分因果和統計是必要的嗎351

11.1.2　無須擔心的d-分離（第1章）355

11.2　逆轉統計時間（第2章）358

11.3　估計因果效應359

11.3.1　後門準則背後的直觀理解（第3章）359

11.3.2　揭開神秘的“強可忽略性”362

11.3.3　後門準則的另一種證明365

11.3.4　協變數選擇中的數據與知識368

11.3.5　理解傾向得分370

11.3.6　do-運算元背後的直觀性374

11.3.7　G-估計的有效性374

11.4　策略評估與do-操作376

11.4.1　識別附條件計畫（4.2節）376

11.4.2　間接效應的意義378

11.4.3　do(x)能夠表示實際實驗嗎380

11.4.4　do(x)操作是通用的嗎381

11.4.5　沒有操縱的因果關係384

11.4.6　與Cartwright一起追獵原因385

11.4.7　非模組化的錯覺387

11.5　線性結構模型中的因果分析389

11.5.1　參數識別的一般準則（第5章）389

11.5.2　結構係數的因果解釋390

11.5.3　為SEM（或者SEM救生包）的因果解釋辯護392

11.5.4　今天的經濟學模型在哪裡—與Heckman一起追求原因398

11.5.5　外部變化與外科手術401

11.6　決策與混雜（第6章）405

11.6.1　辛普森悖論與決策樹405

11.6.2　時間信息對於決策樹是充分的嗎407

11.6.3　Lindley關於因果性、決策樹和貝葉斯主義的理解409

11.6.4　為什麼混雜不是一個統計學概念412

11.7　反事實的演算414

11.7.1　線性系統中的反事實414

11.7.2　反事實的意義417

11.7.3　反事實的d-分離420

11.8　工具變數與不依從性421

11.9　更多關於因果關係的機率422

11.9.1　“有罪的機率為1”有可能嗎422

11.9.2　收緊因果關係的機率界限424

後記：因果的藝術與科學427

參考文獻462

索引488