目錄
前言 .1
**部分 基礎知識 . 11
第1 章 因果推斷導論 .13
1.1 什么是因果推斷 13
1.2 為什么要做因果推斷 . 14
1.3 機器學習與因果推斷 . 15
1.4 關聯(lián)關系與因果關系 . 16
1.4.1 處理和結果 17
1.4.2 因果推斷的基本問題 18
1.4.3 因果模型. 19
1.4.4 干預 21
1.4.5 個體處理效應 23
1.4.6 潛在結果. 23
1.4.7 一致性假設與穩(wěn)定單元處理值假設 24
1.4.8 關注的因果量 25
1.4.9 因果量示例 27
1.5 偏差 30
1.5.1 偏差方程. 31
1.5.2 偏差可視化 33
1.6 識別處理效應 35
1.6.1 獨立性假設 37
1.6.2 基于隨機化的識別 . 37
1.7 本章小結 41
第2 章 隨機試驗與統(tǒng)計學 43
2.1 隨機化的強制獨立性 . 43
2.2 A/B 測試示例 . 45
2.3 理想試驗 49
2.4 *危險的方程 50
2.5 估計的標準誤差 54
2.6 置信區(qū)間 55
2.7 假設檢驗 63
2.7.1 零假設 . 64
2.7.2 檢驗統(tǒng)計量 66
2.8 p 值 . 67
2.9 功效 69
2.10 樣本量計算 71
2.11 本章小結 73
第3 章 圖形化因果模型 74
3.1 關于因果關系的思考 . 74
3.1.1 因果關系的可視化 . 76
3.1.2 咨詢顧問聘用示例 . 78
3.2 圖形化因果模型的速成課 80
3.2.1 因果鏈 . 80
3.2.2 因果分叉. 82
3.2.3 因果失范或因果對撞 83
3.2.4 關聯(lián)流備忘單 85
3.2.5 因果圖查詢 86
3.3 識別的再認識 89
3.4 CIA 與調整公式 91
3.5 正值假設 92
3.6 利用數(shù)據(jù)的因果識別示例 93
3.7 混淆偏差 95
3.7.1 替代混淆. 96
3.7.2 再論隨機化 97
3.8 選擇偏差 98
3.8.1 限定對撞因子 99
3.8.2 調整選擇偏差 103
3.8.3 限定中介變量 106
3.9 本章小結 107
第二部分 偏差調整 111
第4 章 線性回歸的不合理有效性 113
4.1 線性回歸 113
4.1.1 為什么需要模型 114
4.1.2 A/B 測試中的回歸 116
4.1.3 回歸調整 118
4.2 回歸理論 122
4.2.1 單變量線性回歸 124
4.2.2 多變量線性回歸 124
4.3 弗里希- 沃- 洛弗爾定理和正交化 125
4.3.1 去偏步驟 126
4.3.2 去噪步驟 129
4.3.3 回歸估計的標準誤差 . 129
4.3.4 *終結果模型 131
4.3.5 FWL 總結 132
4.4 作為結果模型的回歸 134
4.5 正值性和外推 . 136
4.6 線性回歸的非線性 137
4.6.1 處理的線性化 139
4.6.2 非線性FWL 和去偏 141
4.7 虛擬變量的回歸 142
4.7.1 條件隨機實驗 143
4.7.2 虛擬變量 145
4.7.3 飽和回歸模型 148
4.7.4 方差加權平均回歸 150
4.7.5 去義和固定效應 152
4.8 遺漏變量偏差：回歸視角下的混雜因子 155
4.9 中性控制 157
4.9.1 噪聲誘導控制 158
4.9.2 特征選擇：偏差與方差的權衡 . 160
4.10 本章小結 . 162
第5 章 傾向性評分 163
5.1 管理培訓的影響 163
5.2 基于回歸的調整 165
5.3 傾向性評分基礎 167
5.3.1 傾向性得分估計 168
5.3.2 傾向性得分和正交化 . 169
5.3.3 傾向性得分匹配 169
5.3.4 逆傾向性加權法 171
5.3.5 IPW 的方差 174
5.3.6 傾向性權重的穩(wěn)定化 . 178
5.3.7 偽群體 180
5.3.8 選擇偏差 181
5.3.9 偏差- 方差權衡 182
5.3.10 正值性 183
5.4 基于設計的識別與基于模型的識別 186
5.5 雙重穩(wěn)健估計 . 186
5.5.1 處理容易建模的示例 . 189
5.5.2 結果容易建模的示例 . 192
5.6 面向連續(xù)處理的廣義傾向性得分 . 194
5.7 本章小結 201
第三部分 效應異質性與個性化.203
第6 章 效應異質性 205
6.1 從ATE 到CATE 206
6.2 為什么預測結果不是答案 . 207
6.3 利用回歸估計CATE 210
6.4 評估CATE 預測結果 214
6.5 按模型分位數(shù)劃分的效應 . 215
6.6 累積效應 220
6.7 累計增益 221
6.8 目標轉換 225
6.9 預測模型適用于效應排序 . 226
6.9.1 邊際遞減收益 227
6.9.2 二元結果 227
6.10 用于決策的CATE 229
6.11 本章小結 . 233
第7 章 元學習器 235
7.1 用于離散性處理的元學習器 236
7.1.1 T 學習器 237
7.1.2 X 學習器 241
7.2 用于連續(xù)性處理的元學習器 246
7.2.1 S 學習器 247
7.2.2 雙重/ 去偏機器學習 252
7.3 本章小結 260
第四部分 面板數(shù)據(jù) 263
第8 章 雙重差分法 265
8.1 面板數(shù)據(jù) 266
8.2 經(jīng)典雙重差分法 269
8.2.1 帶有結果增長的雙重差分法 271
8.2.2 帶*小二乘法的雙重差分法 273
8.2.3 帶有固定效應的雙重差分法 274
8.2.4 多時間段 275
8.2.5 推斷分析 277
8.3 識別假設 280
8.3.1 平行趨勢 280
8.3.2 無預期假設和穩(wěn)定單元處理效應假設 283
8.3.3 嚴格外生性假設 283
8.3.4 無時間變化混雜因子 . 284
8.3.5 無反饋 286
8.3.6 無結轉效應和無滯后因變量 286
8.3.7 效應時變性 . 287
8.3.8 帶有協(xié)變量的雙重差分法 289
8.4 雙重穩(wěn)健的雙重差分法 . 293
8.4.1 傾向性評分模型 293
8.4.2 結果增量模型 293
8.4.3 整合所有要素 294
8.5 交錯采用 296
8.5.1 時變的效應 . 302
8.5.2 協(xié)變量 306
8.6 本章小結 307
第9 章 合成控制 309
9.1 在線營銷數(shù)據(jù)集 310
9.2 矩陣表示 313
9.3 作為水平回歸的合成控制 . 315
9.4 標準合成控制 . 319
9.5 帶有協(xié)變量的合成控制 . 322
9.6 去偏合成控制 . 327
9.7 推斷分析 331
9.8 合成雙重差分法 334
9.8.1 雙重差分法回顧 334
9.8.2 合成控制回顧 335
9.8.3 估計時間權重 337
9.8.4 合成控制與雙重差分法 340
9.9 本章小結 342
第五部分 替代實驗設計 345
第10 章 地理與回溯實驗 347
10.1 地理實驗 . 348
10.2 合成控制設計 349
10.2.1 處理單元的隨機集合 352
10.2.2 隨機搜索 355
10.3 回溯實驗 . 358
10.3.1 序列的潛在結果 360
10.3.2 估計延滯效應的階 361
10.3.3 基于設計的估計 363
10.3.4 *優(yōu)回溯設計 . 368
10.3.5 穩(wěn)健方差 371
10.4 本章小結 . 374
第11 章 非遵從性和工具變量 376
11.1 非遵從性 . 376
11.2 擴展?jié)撛诮Y果 379
11.3 工具變量識別假設 . 381
11.4 **階段 . 384
11.5 簡化形式 . 385
11.6 兩階段*小二乘法 . 386
11.7 標準誤差 . 387
11.8 額外的控制變量和工具變量 . 389
11.8.1 手工實現(xiàn)兩階段*小二乘法 391
11.8.2 矩陣實現(xiàn) 392
11.9 斷點設計 . 394
11.9.1 斷點設計假設 . 395
11.9.2 意向處理效應 . 397
11.9.3 工具變量估計 . 398
11.9.4 簇聚 . 399
11.10 本章小結 400
第12 章 展望 . 403
12.1 因果發(fā)現(xiàn) . 404
12.2 連續(xù)決策 . 404
12.3 因果強化學習 405
12.4 因果預測 . 406
12.5 域自適應 . 406
12.6 結束語 . 407