關(guān)于我們
書單推薦
新書推薦
|
因果論:模型 推理和推斷(原書第2版) 本書全面闡述了現(xiàn)代因果關(guān)系分析,展示了因果關(guān)系如何從一個模糊的概念發(fā)展成為一套數(shù)學理論,并廣泛用于統(tǒng)計學、人工智能、經(jīng)濟學、哲學、認知科學、衛(wèi)生科學和社會學等領(lǐng)域。本書提出了一個全面的因果關(guān)系理論,它統(tǒng)一了因果關(guān)系的概率、操作、反事實和結(jié)構(gòu)方法,并提供了簡單的數(shù)學工具來研究因果關(guān)系和統(tǒng)計關(guān)聯(lián)之間的關(guān)系。本書通過融合領(lǐng)域知識、常識約束、文化傳承的概念等來補充數(shù)據(jù)信息,為基于統(tǒng)計的機器學習中遇到的基本問題提供了科學的解決方案。 從大數(shù)據(jù)時代和機器學習熱潮到第二次因果革命 從以數(shù)據(jù)為中心到數(shù)據(jù)理解的轉(zhuǎn)變不僅涉及技術(shù)上的轉(zhuǎn)變,還意味著更加深刻的范式轉(zhuǎn)換。 因果關(guān)系理論與現(xiàn)有機器學習系統(tǒng)的結(jié)合,已經(jīng)開拓了機器學習領(lǐng)域的新思想和新途徑。 第二次因果革命即將到來? 因果推斷會是下一個AI熱潮嗎? 一場席卷各個研究領(lǐng)域的因果革命正在發(fā)生,涉及領(lǐng)域:統(tǒng)計學、基因?qū)W、社會科學、經(jīng)濟學、人口學、醫(yī)療健康科學、心理學、計算機科學、人工智能科學……
我為什么寫這本書:回顧與期望 高中三年級時,我次涉獵因果關(guān)系的未知世界。 我的科學老師Feuchtwanger博士讓我們通過討論19世紀的一個發(fā)現(xiàn)來研究邏輯,該發(fā)現(xiàn)聲稱死于天花接種的人比死于天花的人還多。有人用這些信息來證明接種是有害的,而事實證明恰恰與數(shù)據(jù)相反,接種通過消滅天花來挽救生命。 Feuchtwanger博士總結(jié)道:邏輯就從這里來,這是為了保護我們免受此類因果謬論的影響。 我們都被邏輯的奇跡迷住了,盡管Feuchtwanger博士從未真正向我們說明過邏輯如何保護我們免受此類謬論的困擾。 多年以后,我作為一名人工智能研究者,才認識到邏輯和數(shù)學的任何分支都沒有開發(fā)出足夠的工具來處理諸如天花接種這樣的因果關(guān)系。我的大多數(shù)同事甚至認為因果詞匯是危險的,需要避免的,定義不明確的,并且是不科學的。其中一位同事警告說:因果關(guān)系是無止境的爭論。在科學論文中,公認的表述形式是A意味著B,即使其真正意思是A引起B(yǎng);蛘哒f如果有人認為A會影響B(tài),那么也說成是A與B相關(guān)。 顯然,這種對因果思想的否認不可能永遠持續(xù)下去。人工智能的影響和功能強大的計算機語言使我們這一代人期望應該表達直覺而不是抑制直覺。事實證明,因果關(guān)系并不像聽起來那樣令人生畏。我們一旦克服了一些心理障礙,就發(fā)現(xiàn)因果關(guān)系變得清晰可見,充滿新的想法和可能性。正如我的書中結(jié)尾所總結(jié)的: 因果關(guān)系不是神秘的或形而上學的。我們可以用簡單的過程來理解它,也可以用友好的數(shù)學語言來表達它,以便為計算機分析做好準備。 我的目標讀者包括:統(tǒng)計學的學生,他們想知道為什么老師不愿在課堂上討論因果關(guān)系;流行病學的學生,他們想知道為什么像混雜這樣的簡單概念在用數(shù)學表達時如此復雜;經(jīng)濟學和社會學的學生,他們經(jīng)常懷疑所估計的參數(shù)的意義;當然,還有人工智能和認知科學的學生,他們?yōu)橹R發(fā)現(xiàn)、因果解釋和因果表達編寫程序和闡述理論。 我旨在為不同領(lǐng)域的讀者提供專門的思想和技術(shù),以使因果推理在各自的領(lǐng)域中變得更加容易。當且僅當這些技術(shù)有助于解決這些領(lǐng)域中的挑戰(zhàn)性問題時,才是成功的,而且我對此相當有信心。 Judea Pearl 洛杉磯 2000年2月1日 第2版前言 距離本書第1版將因果關(guān)系及其數(shù)學藝術(shù)的友好面貌展示給讀者,已經(jīng)過去8年多了。由于本書得到了廣泛認可,以及近年來因果結(jié)構(gòu)理論發(fā)展較快,因此需要更新上一版以實現(xiàn)因果關(guān)系的第二次提升從初揭開神秘面紗的新奇變身為研究和教育中的尋常工具。這一版進行了以下3點更新:(1)對于第1版的10章進行了技術(shù)上的修正、更新和澄清;(2)在每一章的末尾添加了新的發(fā)展概述和帶注釋的參考資料;(3)對于令讀者或者評論家疑惑的問題和需要進一步闡述的地方進行了詳細說明,這些內(nèi)容匯集在全新的第11章中。在第11章中,我真心希望,順著這些爭論的軌跡可以厘清因果研究領(lǐng)域的思想。 以前講授過本書的教師會發(fā)現(xiàn)新版的內(nèi)容將更加容易理解和消化,而那些還在準備和觀望中的教師會發(fā)現(xiàn)這條研究道路已經(jīng)鋪好并經(jīng)過考驗。本書相關(guān)的教學材料、幻燈片、教程和作業(yè)可以在我的網(wǎng)站http://www.cs.ucla.edu/~judea/上找到。 本書主要讀者仍然是學生。統(tǒng)計學的學生想知道為什么老師不愿在課堂上討論因果關(guān)系;流行病學的學生想知道為什么像混雜這樣的基本概念很難在數(shù)學上定義;經(jīng)濟學和社會學的學生質(zhì)疑他們所估計的參數(shù)的意義;人工智能和認知科學的學生為知識發(fā)現(xiàn)、因果解釋和因果表達編寫程序和闡述理論。 我希望這些不同學科的學生能夠從書中找到統(tǒng)一的因果理論,希望本書能為他們在各自的領(lǐng)域中應對新挑戰(zhàn)帶來靈感和幫助。 Judea Pearl 洛杉磯 2008年7月 第1版前言 在物理學、行為學、社會學、生物學等科學的諸多研究中,中心目標都是闡述變量或事件變化之間的因果關(guān)系。然而,對于從數(shù)據(jù)(甚至在理論上)提煉這種關(guān)系的適當方法一直存在激烈的爭論。 因果性的兩個基本問題是:(1)合理地推斷因果關(guān)系需要什么實驗證據(jù)?(2)在我們樂意接受關(guān)于現(xiàn)象的因果信息時,我們可以從這些信息中得到什么推斷,以及如何實現(xiàn)這樣的推斷?這些問題尚未有令人滿意的答案,一方面是因為我們還沒有關(guān)于因果關(guān)系的清晰語義,另一方面是因為我們還沒有有效的數(shù)學工具來刻畫因果問題,或者得到因果性答案。 在近的十年里,得益于圖論模型的發(fā)展,因果性的研究經(jīng)歷了一次重要的轉(zhuǎn)變:從一個被神秘面紗籠罩的概念轉(zhuǎn)變?yōu)橐粋具有明確語義和邏輯基礎(chǔ)的數(shù)學對象。悖論和爭議得以解決,模糊的概念得以明釋,那些依賴于因果信息、長期以來被認為是形而上學或難以處理的實際問題,現(xiàn)在只需要初等數(shù)學知識就能夠解決。簡言之,因果性已經(jīng)被數(shù)學化了。 這本書提供了關(guān)于這種因果變換的系統(tǒng)性內(nèi)容,主要面向統(tǒng)計學、人工智能、哲學、認知科學,以及衛(wèi)生科學和社會學的讀者。在介紹了因果推斷的概念及相關(guān)的數(shù)學內(nèi)容后,本書重點討論從數(shù)據(jù)中揭示潛在因果關(guān)系的實用方法,從知識和數(shù)據(jù)的組合中推導因果關(guān)系,預測行動和決策的影響,評估對于事件和環(huán)境觀察的解釋,更一般地,識別和說明證實因果關(guān)系所需的假設(shè)。 十年前,當我開始寫《智能系統(tǒng)中的概率推理》(1988)時,深受經(jīng)驗主義傳統(tǒng)的影響。在這個傳統(tǒng)下,概率關(guān)系組成了人類知識的基礎(chǔ),而因果性只不過是簡化和整理復雜概率關(guān)系的一種有用方法。今天我的觀點已經(jīng)非常不同,F(xiàn)在我認為因果關(guān)系是客觀世界的現(xiàn)實性和人類理解這種現(xiàn)實性的基本構(gòu)件,并且認為概率關(guān)系只是因果關(guān)系的表面現(xiàn)象,而因果關(guān)系才是我們理解世界的基礎(chǔ)和推動力。 基于這些,我認為科學進步的障礙莫過于把數(shù)學知識只用于概率和統(tǒng)計推斷,而將因果問題留給天才的判斷和睿智的直覺。于是,在這本書里,我試圖提出處理因果關(guān)系和概率關(guān)系的數(shù)學工具。所需要的預備知識格外簡單,其結(jié)果也是出乎意料地直接和明確。對于讀者來說,只需了解概率論的基本技巧并且熟悉圖論,就可以開始解決一些因果問題,這些問題對那些未受過訓練的人來說顯得過于復雜。借助概率演算的簡單擴展,讀者能夠從數(shù)學上確定干預可能產(chǎn)生的影響,什么測量方法適合控制混雜,如何利用存在于因果路線上的測量方法,如何遷移一個集合的因果量值到另一個集合,以及如何估計一個事件導致另一個事件發(fā)生的概率。 本書并不需要邏輯和概率專業(yè)的知識,但是知道該領(lǐng)域的一般知識是有益的。本書第1章綜述了一些理解本書所需要的概率論和圖論的基礎(chǔ)知識,并且概述了過去十年中圖模型和因果圖的發(fā)展。這一章描述了基本的范式,定義了一些主要的問題,并向讀者指出解決這些問題需要閱讀的章節(jié)。 后面幾章也包含介紹性的內(nèi)容,這些內(nèi)容既可以閱讀,也可以跳過。它們涉及一些數(shù)學上需要進一步研究的課題、一些具體的應用,以及其他一些專家感興趣的研究內(nèi)容。 本書討論的內(nèi)容或多或少根據(jù)我所在的UCLA團隊研究這些課題的順序,為讀者再現(xiàn)了一些伴隨這些進展而來的興奮。在介紹性章節(jié)(第1章)之后,我們從困難的問題開始,即如何在原始數(shù)據(jù)中獲取因果關(guān)系(第2章),以及如何保證發(fā)現(xiàn)的因果關(guān)系的有效性。接下來我們討論可識別性的問題,即通過組合數(shù)據(jù)和有關(guān)因果關(guān)系的零碎知識,預測行動和策略的直接和間接影響(第3章和第4章)。這些成果在社會學和衛(wèi)生科學中的應用分別在第5章和第6章中討論,其中我們檢驗了結(jié)構(gòu)方程和混雜的概念。第7章提供了反事實與結(jié)構(gòu)模型的形式化理論,然后討論和統(tǒng)一了相關(guān)方法在哲學、統(tǒng)計學和經(jīng)濟學中的應用。在第8~10章中,我們繼續(xù)展開了反事實分析的應用,發(fā)展了界定因果關(guān)系的方法,并舉例說明在不完美實驗、法律責任、必要概率、充分概率,以及特例事件因果關(guān)系中的應用。本書的結(jié)尾(后記)采用了我在UCLA的一次公開演講的材料,其中對于因果關(guān)系的歷史和概念進行了簡單易懂的介紹。 建議初步了解因果關(guān)系的非數(shù)學方面內(nèi)容的讀者從后記開始閱讀,然后瀏覽本書中其他有關(guān)的歷史和概念的部分:1.1.1節(jié)、3.3.3節(jié)、4.5.3節(jié)、5.1節(jié)、5.4.1節(jié)、6.1節(jié)、 7.2節(jié)、7.4節(jié)、7.5節(jié)、8.3節(jié)、9.1節(jié)、9.3節(jié)和10.1節(jié)。對于希望進一步探究數(shù)學內(nèi)容和計算工具的讀者,建議直接從7.1節(jié)開始閱讀,然后跟隨工具的構(gòu)建,逐步閱讀1.2節(jié)、第3章、4.2~4.4節(jié)、5.2~5.3節(jié)、6.2~6.3節(jié)、7.3節(jié),以及第8~10章。 非常感謝幫助我完成本書的所有人。首先,我要感謝UCLA認知系統(tǒng)實驗室的同事,他們的工作和想法是書中許多章節(jié)的基礎(chǔ)。感謝Alex Balke、BlaiBonet、David Chickering、Adnan Darwiche、RinaDechter、David Galles、Hector Geffner、Dan Geiger、Moisés Goldszmidt、Jin Kim、Jin Tian和Thomas Verma。Tom和Dan證明了因果圖中一些基本的定理。Hector、Adnan和Moisés負責讓我以邏輯學家的方式闡述行動和變化。Alex和David讓我知道,反事實這件事沒有它的名字聽起來那么復雜。 當我開始在統(tǒng)計學、經(jīng)濟學、流行病學、哲學和社會學等領(lǐng)域進行研究時,我的同事慷慨地奉獻了他們的時間和想法。我在統(tǒng)計學方面有像導師一樣的伙伴:Phil Dawid、Steffen Lauritzen、Don Rubin、Art Dempster、David Freedman和David Cox。在經(jīng)濟學方面我從與John Aldrich、Kevin Hoover、James Heckman、Ed Learner和Herbert Simon的多次討論中受益匪淺。我在流行病學方面的涉足得益于與Sander Greenland和James Robins之間卓有成效的合作。與James Woodward、Nancy Cartwright、Brian Skyrms、Clark Glymour和Peter Spirtes在哲學上的爭辯促進了我對于因果性跨領(lǐng)域的思考。后,在人工智能方面,我從與Nils Nilsson、Ray Reiter、Don Michie、Joe Halpern和David Heckerman的討論和鼓勵中受益。 感謝美國國家科學基金會一貫的支持,特別感謝H. Moraff、Y. T. Chien和Larry Reeker。其他支持者包括空軍科學研究辦公室的Abraham Waksman、海軍研究辦公室的Michael Shneier、加利福尼亞的MICRO計劃、諾斯洛普格魯曼公司、羅克韋爾國際公司、惠普公司和微軟公司。 感謝學術(shù)出版社和摩根考夫曼出版公司,感謝它們允許重印之前發(fā)表的文章。第3章包含部分來自文章《經(jīng)驗主義研究的因果圖》(Pearl,1995)的內(nèi)容,得到牛津大學出版社的允許。第5章包含來自文章《圖、因果性和結(jié)構(gòu)方程模型》(Pearl,1998)的內(nèi)容,得到Sage出版公司的允許。第7章包含來自文章《因果反事實的一個公理刻畫》(Galles and Pearl,1998)的內(nèi)容,得到克呂韋爾學術(shù)出版社的允許。第7章包含來自文章《因果關(guān)聯(lián)的公理》(Galles and Pearl,1997)的內(nèi)容,得到愛思唯爾出版集團的允許。第8章包括來自文章《不完美合作研究中的治療效果界限》(Balke and Pearl,1997)的內(nèi)容,得到美國統(tǒng)計協(xié)會的允許。 Kaoru Mulvihill為手稿的打印、處理以及附加插圖工作付出了極大的努力。Jin Tian和BlaiBonet幫助校對了書中的一些章節(jié)。Matt Darnell精心編輯了這些文稿。在整個寫作和出版過程中,Alan Harvey是讓我放心的總管和事實上的襄理。 后,感謝我的家人在本書寫作過程中對我的遷就和忍讓。感謝Tammy、Danny、Michelle和Leora,他們的微笑讓我心情愉悅。感謝我的妻子Ruth,她給了我如此多的愛、支持和理解。 Judea Pearl 洛杉磯 1999年8月 ◆作者簡介◆
朱迪亞·珀爾(Judea Pearl) 美國國家科學院院士,美國國家工程院院士,美國人工智能協(xié)會創(chuàng)始會士,加州大學洛杉磯分校計算機科學和統(tǒng)計學教授,IEEE智能系統(tǒng)名人堂批十位入選者之一,被譽為貝葉斯網(wǎng)絡(luò)之父。2011年,Pearl因其在人工智能領(lǐng)域的基礎(chǔ)性貢獻榮獲圖靈獎。他提出的概率和因果性推理演算法,徹底改變了人工智能初基于規(guī)則和邏輯的方向。Pearl曾獲多項科學榮譽,包括認知科學領(lǐng)域的魯梅哈特獎、物理學及技術(shù)領(lǐng)域的富蘭克林獎?wù)乱约翱茖W哲學領(lǐng)域的拉卡托斯獎。
劉禮 中文版序 推薦者序 譯者序 我為什么寫這本書:回顧與期望 第2版前言 第1版前言 第1章 概率、圖及因果模型1 1.1 概率論概述1 1.1.1 為什么學習概率1 1.1.2 概率論的基本概念2 1.1.3 預測支持與診斷支持結(jié)合7 1.1.4 隨機變量與期望8 1.1.5 條件獨立與圖11 1.2 圖與概率12 1.2.1 圖的符號與術(shù)語12 1.2.2 貝葉斯網(wǎng)絡(luò)13 1.2.3 d-分離準則17 1.2.4 貝葉斯網(wǎng)絡(luò)推斷20 1.3 因果貝葉斯網(wǎng)絡(luò)22 1.3.1 用于干預諭言的因果網(wǎng)絡(luò)23 1.3.2 因果關(guān)系及其穩(wěn)定性25 1.4 函數(shù)因果模型27 1.4.1 結(jié)構(gòu)方程28 1.4.2 因果模型中的概率預測31 1.4.3 函數(shù)模型中的干預與因果效應33 1.4.4 函數(shù)模型中的反事實34 1.5 因果與統(tǒng)計術(shù)語40 第2章 因果關(guān)系推斷理論43 2.1 簡介:基本直覺44 2.2 因果發(fā)現(xiàn)框架46 2.3 模型偏好(奧卡姆剃刀原則)47 2.4 穩(wěn)定分布51 2.5 獲取DAG結(jié)構(gòu)52 2.6 重建潛在結(jié)構(gòu)54 2.7 因果關(guān)系推斷的局部準則57 2.8 非時間因果與統(tǒng)計時間61 2.9 結(jié)論63 2.9.1 關(guān)于極小性、馬爾可夫性和穩(wěn)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 干預作為變量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 后門準則83 3.3.2 前門準則86 3.3.3 實例:吸煙與基因型理論88 3.4 干預的計算90 3.4.1 符號預備90 3.4.2 推斷規(guī)則90 3.4.3 因果效應的符號推導:一個實例92 3.4.4 基于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(shù)學語言102 3.6.3 從圖轉(zhuǎn)換到潛在結(jié)果104 3.6.4 與Robins的G-估計的關(guān)系108 第4章 行動、計劃和直接效應114 4.1 簡介115 4.1.1 行動、動作和概率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 什么時候行動的結(jié)果是可識別的122 4.3.1 基于圖的識別條件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(jié)126 4.4 動態(tài)計劃的可識別性127 4.4.1 動機127 4.4.2 識別計劃:符號和假設(shè)129 4.4.3 識別計劃:序貫后門準則130 4.4.4 識別計劃: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(jīng)濟學中的因果關(guān)系與結(jié)構(gòu)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(shù)學語言150 5.2 圖與模型檢驗151 5.2.1 結(jié)構(gòu)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(shù)識別161 5.3.2 與非參數(shù)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(chǔ)172 5.4.1 結(jié)構(gòu)參數(shù)真實意味著什么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(jié)論183 5.6 第2版附言184 5.6.1 計量經(jīng)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(guān)悖論的示例188 6.1.2 統(tǒng)計學中苦惱的事情190 6.1.3 因果關(guān)系與可交換性192 6.1.4 悖論已解決(或者,人是什么類型的機器)195 6.2 為什么沒有關(guān)于混雜的統(tǒng)計檢驗,為什么許多人認為應該有,為什么他們是正確的197 6.2.1 簡介197 6.2.2 因果定義和關(guān)聯(lián)定義199 6.3 關(guān)聯(lián)性準則如何失效200 6.3.1 憑借邊緣化使充分性失效200 6.3.2 憑借封閉世界假定使充分性失效201 6.3.3 憑借無益代理使必要性失效201 6.3.4 憑借偶然抵消使必要性失效203 6.4 穩(wěn)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(wěn)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(jié)構(gòu)分析212 6.6 結(jié)論215 第7章 結(jié)構(gòu)化反事實的邏輯217 7.1 結(jié)構(gòu)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:概率分析228 7.1.4 孿生網(wǎng)絡(luò)法230 7.2 結(jié)構(gòu)模型的應用與解釋231 7.2.1 線性經(jīng)濟計量模型政策分析:示例231 7.2.2 反事實的實證性內(nèi)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(jié)構(gòu)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(guān)性公理252 7.4 基于結(jié)構(gòu)化和相似性的反事實256 7.4.1 與Lewis反事實的關(guān)系256 7.4.2 公理系統(tǒng)的比較258 7.4.3 成像與條件260 7.4.4 與Neyman-Rubin框架的關(guān)系262 7.4.5 外生性和工具變量:反事實定義和圖模型定義264 7.5 結(jié)構(gòu)因果與概率因果267 7.5.1 對時序的依賴性268 7.5.2 死循環(huán)風險269 7.5.3 與孩子們一起挑戰(zhàn)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(jié)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 不依從性與治療意愿279 8.2 利用工具變量界定因果效應的范圍280 8.2.1 問題的形式化表述:約束優(yōu)化280 8.2.2 正則劃分:有限響應變量的演化282 8.2.3 線性規(guī)劃公式284 8.2.4 自然邊界286 8.2.5 對于處理(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 工具變量測試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采樣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(shù)據(jù)中估計因果效應296 8.5.4 特例事件因果關(guān)系的貝葉斯估計298 8.6 結(jié)論299 第9章 因果關(guān)系概率: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(guān)系303 9.2.2 外生性下的界限與基本關(guān)系306 9.2.3 單調(diào)性和外生性下的可識別性309 9.2.4 單調(diào)性和非外生性下的可識別性311 9.3 實例與應用314 9.3.1 實例1:公平硬幣下注314 9.3.2 實例2:刑法執(zhí)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(shù)據(jù)和非實驗數(shù)據(jù)的法律責任320 9.3.5 結(jié)果總結(jié)321 9.4 非單調(diào)模型的可識別性322 9.5 結(jié)論325 第10章 實際原因327 10.1 引言:必要因果關(guān)系的不充分性328 10.1.1 重新探討特例原因 328 10.1.2 搶占和結(jié)構(gòu)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(chǎn)生、依賴和維持334 10.3 因果束和基于維持的因果關(guān)系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(guān)系的概率342 10.3.4 路徑切換因果關(guān)系344 10.3.5 時序搶占345 10.4 結(jié)論347 第11章 對讀者的回應、闡述和討論351 11.1 因果、統(tǒng)計和圖的術(shù)語351 11.1.1 區(qū)分因果和統(tǒng)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(zhuǎn)統(tǒng)計時間(第2章)358 11.3 估計因果效應359 11.3.1 后門準則背后的直觀理解(第3章)359 11.3.2 揭開神秘的強可忽略性362 11.3.3 后門準則的另一種證明365 11.3.4 協(xié)變量選擇中的數(shù)據(jù)與知識368 11.3.5 理解傾向得分370 11.3.6 do-算子背后的直觀性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 識別附條件計劃(4.2節(jié))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(guān)系384 11.4.6 與Cartwright一起追獵原因385 11.4.7 非模塊化的錯覺387 11.5 線性結(jié)構(gòu)模型中的因果分析389 11.5.1 參數(shù)識別的一般準則(第5章)389 11.5.2 結(jié)構(gòu)系數(shù)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(jīng)濟學模型在哪里與Heckman一起追求原因398 11.5.5 外部變化與外科手術(shù)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 時間信息對于決策樹是充分的嗎407 11.6.3 Lindley關(guān)于因果性、決策樹和貝葉斯主義的理解409 11.6.4 為什么混雜不是一個統(tǒng)計學概念412 11.7 反事實的演算414 11.7.1 線性系統(tǒng)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 工具變量與不依從性421 11.9 更多關(guān)于因果關(guān)系的概率422 11.9.1 有罪的概率為1有可能嗎422 11.9.2 收緊因果關(guān)系的概率界限424 后記:因果的藝術(shù)與科學427 參考文獻462 索引488
你還可能感興趣
我要評論
|