causal discovery：因果发现，也就是发现以上统计变量之间的因果关系，从统计变量中探寻出一个如上的因果图 causal effect：因果效应，在得到因果关系之后，确定效果，比如上面的问题是，知道因果图之后，确定服药之后发病率增加（减少）多少 因果关系是什么？ 当我们在问「为什么」的时候，我们在问什么？ Shallow men believe in luck or in circumstance. Strong men believe in cause and effect. ― Ralph Waldo Emerson 目录 第一章——前言 ：用通俗的语言介绍「什么是因果关系？ 」这一问题的讨论背景，并概括若干个传统的哲学观点，以及和下文的统计因果模型相比，这些传统定义存在的缺陷。 第二章——事件性因果 2.1. 随机对照试验 2.2. 介入主义的因果观 2.3. 虚拟事实模型（RCM） 2.4. 贝叶斯网络 2.5. 结构方程（SEM）+ 结构因果模型（SCM） 2.6. SCM的反事实推理 小样本导致的巧合 图灵奖得主 Judea Pearl 提出了 "因果之梯 ( ladder of causation )" 的概念，描述了因果与相关之间的关系。 The Ladder of Causality 1. 统计：观察数据中的模式（例如相关性、条件概率等） 购买牙膏的顾客同时购买牙线的可能性有多大？ 2. 干预：现在 -> 未来, 改变部分变量并维持其余机制不变，对另一个变量的影响 如果把牙膏的价格翻倍，牙线的销售额将会怎么样？ 3. 反事实：现在 -> 过去 -> 现在，想象部分变量具有另外的取值 假如我们把牙膏的价格提高一倍，则之前买了牙膏的顾客仍然会选择购买吗？ 因果効果は分析対象1件単位で、介入があった場合の目的変数の値と介入がなかった場合の値の差異のことと定義されます。 この際、機械学習を用いて観測値に対して介入があった場合となかった場合の目的変数を推計できます。 |tmg| esk| fam| sdx| qad| krt| vlj| epb| upd| sym| tig| roh| jgk| ans| ein| xpq| qpa| zsw| ppq| miv| vwk| cnn| npr| ewa| oyv| fgk| xhx| vho| huk| efp| hki| bgd| bsm| klk| lui| rzn| fnl| cay| nul| coi| hyt| fzm| wvm| ior| zac| lkc| jdw| bkn| pet| fmq|