- 综合排序
- 最热优先
- 最新优先
- 来自专栏文渊之博
因果推断
前言 Judea Pearl是图灵奖得主，因果推断的奠基人之一。 由于阅读的论文中涉及到反事实推断中Total Effect(TE), Natural Direct Effect(NDE), Total Indirect Effect(TIE)等概念，涉及到反事实推断方法的核心 因此，估计自然直接因果效应是很重要的。 在估计自然直接因果效应的时候，需要使病人维持服药前的阿司匹林服用量，这种限制并不是do算子可以描述的，而是在不干预阿司匹林用量的情况下，断开了服药和阿司匹林服用量之间的因果路径。 ∗,x;Y)(13)(14) 在线性系统中，有： TE(x,x∗;Y)=NDE(x,x∗;Y)+NIE(x,x∗;Y)(15) 要特别注意，上式只适用于线性模型，另一篇最新的文章给出了定量分析，详见【因果推断论文
90031编辑于 2023-03-19 - 来自专栏数据派THU
因果推断入门：为什么需要因果推断？
有了因果关系，这就不是悖论了。 1.2 因果推断的应用 因果推断对科学来说是至关重要的，因为我们经常想提出因果要求，而不仅仅是关联性要求。 ITE 是我们在因果推断中关心的一个主要指标。例如，在上面的情景 2 中，你会选择养狗，因为养狗对你的幸福感的因果效应是正的：。 相反，在情景 1 中，你可能会选择不养狗，因为养狗对你的幸福没有因果效应：。 2.2 因果推断中的基本问题 因果推断中的基本问题是，如果通过缺失数据来得到因果效应。 这个问题是因果推断所特有的，因为在因果推断中，我们关心的是如何提出因果 claim，而这些 claim 是以 potential outcome 来界定的。 由于因果推断的基本问题，导致有些缺失数据。表中所有的？都表示我们没有观察到这个结果。
2.6K24编辑于 2022-09-14 - 来自专栏技术学习笔记
因果推断框架
处理效应：在处理状态和对照状态下潜在结果的差异，是一个变量（干预/处理）对另一个变量（结果或输出）的因果影响。 核心框架因果推断主要分为两个框架模型：结构因果模型和潜在结果模型。 结构因果模型结构因果模型（Structure Causal Model）：该框架核心是在一个已知的因果图中去做推断，其中因果图一般由专家知识定义，用DAG有向无环图表示，其中顶点代表变量，边代表因果关系 一个对应的衍生技术是因果发现（Causal Discovery）：基于条件独立性检测和现有的数据去定义因果图，使用现有的变量去频繁地做条件独立性等一系列的独立性判断来组合定义因果图，这是一个NP问题，可能会出现组合爆炸的问题 该框架不需要明确所有变量的因果结构，无需完整的因果图，只需要知道其中一个关注变量对于输出是否有因果影响。该框架强调随机化实验，通过随机化帮助消除干扰因素的影响。
57131编辑于 2024-10-02 - 来自专栏技术学习笔记
因果推断概览
背景介绍 因果推断(Causal Inference)：是关联分析的一种统计方法，在较大系统内部，试图指定/干预 “因” 而观测影响/改变 “果”的过程，推断变量之间的因果关系。 因果推断不仅关注事物之间的关联性，还会更进一步探究该关联是否具有可从因到果的推断关系。因果推断在生物医学、经济管理和社会科学有广泛应用。 估计偏差 因果推断是估计变量之间的因果关系，本质是找到变量两者间的因果路径，同时剔除两者间的非因果关系路径。但由于现实场景的复杂性，会存在各种偏差。 总结 本文针对因果推荐进行概述，阐述因果推断的定义，是一种推断变量之间的因果关系的统计分析方法。介绍了辛普森悖论，反映了变量关联分析时存在偏差陷阱。 清华大学崔鹏：因果启发的学习、推断和决策 因果推断常用计量方法图解与概览 图形的逻辑力量：因果图的概念及其应用 因果推断实用计量方法 A Survey on Causal Inference
1.1K11编辑于 2024-10-22 - 来自专栏数据派THU
因果推断的未来
来源：因果推断本文约5700字，建议阅读5分钟因果推理方法正在呈指数级增长。 在过去的几十年里，因果推断理论、方法和一系列的应用方面的发展取得了重大的成就。 现代因果推断的基础进展来自于不同的领域，包括流行病学、生物统计学、统计学、计算机科学和经济学。 作为因果推断中心(宾夕法尼亚大学和罗格斯大学的联合伙伴关系)的联合主任，我们自然对因果推断充满热情。令人振奋的是，因果推理方法正在呈指数级增长，在医学、教育、社会学和公共政策领域的应用也在爆炸式增长。 现在还有新成立的因果推断协会(SCI)，它将汇集不同学科的因果研究人员，以促进研究合作并增加培训机会。 03因果机器学习 Causal machine learning 因果推断方法包括研究设计、定义因果估计、确定(因果)假设和统计建模。
71920编辑于 2023-03-29 - 来自专栏信数据得永生
Python 因果推断（下）
3）你能从下表推断出什么？你有什么见解要分享吗？ 5.128 ShreyaSharma NaN 13.158 8.772 4.651 5.128 TaraSingh NaN 14.286 8.065 9.091 4.444 4）你能从下表推断出什么 提出一个可行的研究设计来测丨试以下因果关系： a) 身高和薪水。 b) 身高和自尊心。 c) 自尊心和薪水。 为什么 Bisschop 等人（2017）在引言部分使用“因果”一词，在讨论部分使用“相关”一词？您是否认为 Bisschop 等人（2017）的主要结果是“因果”还是“相关”？请解释。 这三篇论文都使用了实地实验来捕捉因果关系并排除混杂因素。在互联网上搜索并返回一份关于种族歧视的实验论文的参考列表。 2）告诉我一个你热衷的话题。返回一个关于你的话题的实验论文的参考列表。
57710编辑于 2024-01-31 - 来自专栏素质云笔记
因果推断笔记——数据科学领域因果推断案例集锦（九）
因果推断在很多领域都有很有意思的应用，值得收藏。 ，与因果推断的应用 这边主要从经济学以及整体数据驱动视角，来看因果推断如何在数据驱动中进行。 7 阿里飞猪：因果推断在广告算法中的实践 来自文章： 因果推断在阿里飞猪广告算法中的实践 我们通过引入因果推断技术，将广告投放建模为对搜索产品的干预 ( intervention )，直接预测广告投放与否对业务目标产生的 10 快手因果推断与实验设计 参考文章： 快手因果推断与实验设计 在因果推断笔记—— 相关理论：Rubin Potential、Pearl、倾向性得分、与机器学习异同（二） 提到了非常多快手的案例。 10.2 因果推断与机器学习的异同 因果分析的语言，核心在于因果关系的识别，即合理的估计处理前和处理后现有条件期望的差异，也可以是一种处理缺失数据的问题，在因果推断上我们非常关心的是如何准确的估计结果以及结果的方差
6.4K33编辑于 2021-12-07 - 来自专栏信数据得永生
Python 因果推断（上）
BY-NC-SA 4.0 作者：Vitor Kamada 电子邮件：econometrics.methods@gmail.com 最后更新日期：2020 年 8 月 15 日 这本书是使用 Python 进行因果推断的实用指南 宣称因果关系的最严格方式。 调查、人口普查、直接从现实中提取的观察数据不能用来建立因果关系。它可能有助于捕捉关联，但不能证明因果关系。 形式上，我们可以写出下面的因果模型。这 3 行是等价的。 在这种假设情况下，您能从土耳其的选举中推断出什么？在这种情况下运行回归离散度存在问题吗？如果有，您可以采取什么措施来解决问题？ = 'line', yref= 'paper', y0 = 0, y1 = 1, xref= 'x', x0 = 0, x1 = 0)]) fig.show() 4）为不熟悉因果推断的机器学习专家解释下面的图形 我们如何找出是否有因果效应的证据，还是仅仅是相关性？
97911编辑于 2024-01-31 - 来自专栏CreateAMind
假设稳健的因果推断
Assumption-robust Causal Inference 假设稳健的因果推断 https://arxiv.org/pdf/2505.08729 摘要 在观察性因果推断中，常遇到多个看似同样合理的调整集 1.3 相关工作 1.3.1 移动目标（Moving the goalpost） 在因果推断中，为应对可识别性问题而将估计与推断的目标转向某个子总体或重加权总体的做法并不罕见。 1.3.2 重加权方法 重加权方法长期以来在因果推断中占据核心地位，有助于结果在不同总体间的推广并提升稳健性。 我们的方法与此类视角相契合并加以拓展：它旨在应对“哪个调整集有效”这一不确定性，通过提供一种原则性方式来协调多个合理调整集下的推断，从而稳定因果推断。 这为因果推断带来了严峻挑战，因为不同的调整集可能导致相互矛盾的结论，而报告所有估计值的范围并不能消除这种模糊性。
13410编辑于 2026-03-11 - 来自专栏机器学习AI算法工程
因果推断与大数据
大数据中一个耳熟能详的说法是：大数据长于分析相关关系，而非因果关系。但这可能是一个伪命题。如何从相关关系中推断出因果关系，才是大数据真正问题所在。 这个问题，被称为因果推断（causalinference），它是苹果iPhone6的语音识别和谷歌的无人驾驭汽车技术的基础。这个领域的大牛，美国工程院院士于达? 近年来，我在介绍大数据时，对相关关系与因果关系这个说法一直心存疑惑。虽然也引进美国大数据理论，如巴拉巴西院士的说法，但这个疑惑并没有消除。相关关系对应经验归纳，因果关系对应理性演绎。 经验（相关）可以无限接近理性（因果），永远达不到因果（极限值），但可以视为等于因果。珀尔院士的独特之处，只不过是把这个“函数”（图式），泛函化了，实现了从结构化向非结构化、从线性到非线性的转化。 话说回来，因果推断过犹不及。如果把相关关系完全结构化了，也有问题，那就会排斥人类自由意志的空间。玻尔院士似乎还没有想过其中的哥德尔悖论问题。
2K70发布于 2018-03-09 - 来自专栏素质云笔记
因果推断中期学习小结
废话文学一下：入门学习因果推断三周，总算是入了个门 来集结一下前十篇分别是： 因果推断笔记——因果图建模之微软开源的dowhy（一）[1] 因果推断笔记—— 相关理论：Rubin Potential 、Pearl、倾向性得分、与机器学习异同（二）[2] 因果推断笔记——python 倾向性匹配PSM实现示例（三）[3] 因果推断笔记——双重差分理论、假设、实践（四）[4] 因果推断笔记——因果图建模之微软开源的 EconML（五）[5] 因果推断笔记——工具变量、内生性以及DeepIV（六）[6] 因果推断笔记——自整理因果推断理论解读（七）[7] 因果推断笔记——uplift建模、meta元学习、Class Transformation Method（八）[8] 因果推断笔记——数据科学领域因果推断案例集锦（九）[9] 因果推断笔记——CV、机器人领域因果推断案例集锦（十）[10] 这是本系列的第十一篇 A/B 实验平台•一些新领域的关注：因果强化学习、多任务学习、因果表征学习等 接下来，主要结合各类案例来简单总结一下因果推断在数据科学方面的分析型应用，主要参考： 因果推断笔记——数据科学领域因果推断案例集锦
1.9K32编辑于 2021-12-07 - 来自专栏用户2133719的专栏
因果推断框架 DoWhy 入门
1 概述 「因果推断」（causal inference）是基于观察数据进行反事实估计，分析干预与结果之间的因果关系的一门科学。虽然在因果推断领域已经有许多的框架与方法，但大部分方法缺乏稳定的实现。 DoWhy 是微软发布的一个用于进行端到端因果推断的 Python 库，其特点在于： 提供了一种原则性的方法将给定的问题转化为一张因果图，保证所有假设的明确性 提供了一种面向多种常用因果推断方法的统一接口 ，并结合了两种主要的因果推断框架 自动化测试假设的正确性及估计的鲁棒性 如上所述，DoWhy 基于因果推断的两大框架构建：「图模型」与「潜在结果模型」。 DoWhy 的整个因果推断过程可以划分为四大步骤： 「建模」（model）：利用假设（先验知识）对因果推断问题建模 「识别」（identify）：在假设（模型）下识别因果效应的表达式（因果估计量） 「估计 类似地，我们对其他变量进行分析，并作出一些假设，作为因果推断的先验知识。DoWhy 并不需要完整的先验知识，未指明的变量将作为潜在的混杂因子进行推断。
6K22发布于 2020-12-08 - 来自专栏素质云笔记
因果推断笔记——CV、机器人领域因果推断案例集锦（十）
之前一篇是写在数据科学领域使用因果推断的案例，因果推断笔记——数据科学领域因果推断案例集锦（九） 主要应用的领域在：智能营销、一些机制干预的有效性、智能补贴等，那么可以看看在不常见领域的案例，拓宽一下视野 2 因果表征学习在CV领域的应用 参考：因果推断：因果表征学习的CV落地 这篇是一篇综述，会讲解几篇因果表征学习在 CV 领域的应用，各篇文章从动机、因果干预方法、具体实现方法三块介绍。 由此，文章另辟蹊径，提出用因果推断中的技术，尝试在保持动量项的同时，训练阶段引入因果干预，并在测试阶段进一步剔除预测偏置，做到取其精华，去其糟粕。 文章链接：https://causalai.net/r66.pdf 因果推断与模仿学习结合。 论文主要从强化学习领域出发，基本没有涉及到具体因果推断公式，对于强化学习研究者来说比较清晰易懂，提供的开源代码也方便实操，提供了一种便于研究泛化能力/隐变量RL的实验环境。
1.6K12编辑于 2021-12-07 - 来自专栏素质云笔记
因果推断杂记——因果推断与线性回归、SHAP值理论的关系（十九）
文章目录 1 因果推断与线性回归的关系 1.1 DML的启发 1.2 特殊的离散回归 = 因果？ 2 因果推断中的ITE 与SHAP值理论的思考 1 因果推断与线性回归的关系 第一个问题也是从知乎的这个问题开始： 因果推断（causal inference）是回归（regression）问题的一种特例吗 其中经济学大佬慧航提到过，回归只是工具，因果推断可以用，其他研究方向也可以用。 在此给出我的看法， 因果推断，是需要考虑干预得（Y|X,T），其中干预效应是主要的差异点； 而一般的多元，只是(Y|X)，并没有考量到干预T的影响 1.1 DML的启发 所以，之前在做DML的时候， 当然，这里感觉有个特例， 中 如果不考虑任何协变量的影响，只有 那么此时，因果关系的ATE，应该就是等于 离散回归的系数 2 因果推断中的ITE 与SHAP值理论的思考 本问题是由 多篇顶会看个体因果推断
3.6K22编辑于 2021-12-15 - 来自专栏素质云笔记
因果推断笔记——入门学习因果推断在智能营销、补贴的通用框架（十一）
（二） 因果推断笔记——python 倾向性匹配PSM实现示例（三） 因果推断笔记——双重差分理论、假设、实践（四） 因果推断笔记——因果图建模之微软开源的EconML（五） 因果推断笔记——工具变量 、内生性以及DeepIV（六） 因果推断笔记——自整理因果推断理论解读（七） 因果推断笔记——uplift建模、meta元学习、Class Transformation Method（八） 因果推断笔记 ——数据科学领域因果推断案例集锦（九） 因果推断笔记——CV、机器人领域因果推断案例集锦（十） 这是本系列的第十一篇，算是一个中期阶段的汇总篇： 第二+七是理论贴，一开始看各种合集教程会发现大家用的名词相当混乱 A/B 实验平台 一些新领域的关注：因果强化学习、多任务学习、因果表征学习等 接下来，主要结合各类案例来简单总结一下因果推断在数据科学方面的应用，主要参考： 因果推断笔记——数据科学领域因果推断案例集锦 从腾讯看点的『观测数据因果推断应用-启动重置体验分析』，QQ浏览器的『QQ 浏览器：PUSH配额优化实践』，还有快手的『快手因果推断与实验设计』 里面都用因果推断在智能决策中进行应用落地，在这个方向中
2.6K21编辑于 2021-12-07 - 来自专栏数据派THU
书籍推荐：《因果推断：混音带》
来源：数量经济学本文约1000字，建议阅读5分钟书籍推荐：《因果推断：混音带》（内涵高级DID、合成控制法、机器学习和因果推理等资源课件） 来源：https://mixtape.scunning.com /index.html 简介： 这是《Causal Inference: The Mixtape》的在线版本，因果推理包括一些工具，让社会科学家能够确定什么导致什么。 在一个混乱的世界里，因果推理有助于确定所研究行为的因果关系——例如，提高最低工资对就业的影响(或缺乏影响)，幼儿教育对以后生活中的监禁的影响，或者在发展中地区引进蚊帐对经济增长的影响。 Scott Cunningham使用一系列建模技术和用于R和Stata编程语言的编码指令，向学生和实践者介绍了获得因果关系问题有意义答案的必要方法。 有两个非常重要的链接资源：Causal Inference 1 and 2 教授本书的内容，旨在向人们介绍因果推理方法。
79930编辑于 2023-05-18 - 来自专栏数据派THU
收藏 | 因果推断书籍代码合集
来源：计量经济学服务中心 本文约2700字，建议阅读8分钟 本文为你介绍了因果推断书籍的代码合集。 在一个混乱的世界里，因果推理有助于确定所研究行为的因果关系——例如，提高最低工资对就业的影响(或缺乏影响)，幼儿教育对以后生活中的监禁的影响，或者在发展中地区引进蚊帐对经济增长的影响。 利用自然实验及准自然实验进行因果推断，需要充分利用本书所关注的核心计量工具：多元回归分析、工具变量方法（IV）和双重差分策略（DID）。本书在第三章主要讨论了多元回归分析方法。 所有的识别策略都是通过一定的设计模拟随机化实验，从而得到可信的因果效应估计。另外，作者还简要介绍了因果图方法，它是与潜在结果框架完全等价的因果模型，但是更加直观，容易使用。 这本书由第一部分专门研究设计和因果关系，使用因果图使识别的概念直接，和第2部分专门实现和常见的研究设计，如回归与控制和断点。
1.2K22编辑于 2023-03-29 - 来自专栏技术学习笔记
因果推断常用计量方法
因果推断 概念&术语 因果推断(Causal Inference): 是关联分析的一种统计方法，在大型系统中，试图指定/干预 “因” 而观测影响/改变 “果”的过程。 因果推断不仅关注事物之间的关联性，还会更进一步探究该关联是否具有从因到果的推断关系。因果推断在生物医学、社会科学有广泛应用。 关系路径图&偏差 因果推断中关系路径图是DAG有向无环图，是研究因果关系的有效辅助工具，可以将复杂问题图形化。 常用计量方法 随机对照试验 因果推断的一条黄金法则：随机对照试验(AB测试) 是确定因果关系最可靠的方法 [3]。 图形的逻辑力量：因果图的概念及其应用 因果推断：原理解析与实践应用 Delta_method
1.4K34编辑于 2025-02-09 因果推断常用计量方法
优点：被认为是因果推断的“黄金标准”。能够直接估计平均处理效应（ATE）。缺点：实施成本高，可能不适用于某些场景（如伦理限制或不可控环境）。应用：医学试验（药物效果评估）。 优点：能有效解决遗漏变量偏差、测量误差和双向因果问题。缺点：工具变量的选择需满足相关性和外生性假设。样本量需求较大。应用：教育回报率（使用出生季度作为教育年限的工具变量）。 双重机器学习 (Double Machine Learning, DML)原理：结合机器学习算法和因果推断框架，通过交叉拟合（cross-fitting）技术估计处理效应。 结构方程模型 (Structural Equation Modeling, SEM)原理：通过设定变量之间的结构关系，结合观测数据估计潜在因果关系。优点：能同时分析多个因果路径。适合复杂的理论模型。 贝叶斯因果推断 (Bayesian Causal Inference)原理：基于贝叶斯统计框架，结合先验分布和数据更新后验分布，估计因果效应。优点：能灵活处理不确定性。适合小样本和复杂模型。
65210编辑于 2025-02-21- 来自专栏HsuHeinrich
因果推断（四）断点回归（RD）
因果推断（四）断点回归（RD） 在传统的因果推断方法中，有一种方法可以控制观察到的混杂因素和未观察到的混杂因素，这就是断点回归，因为它只需要观察干预两侧的数据，是否存在明显的断点。 随机设置断点在位置0，TREATED影响不显著符合预期 总结 RDD能很好的针对政策干预、营销活动的影响效果进行因果推断。
92120编辑于 2023-09-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号