因果推断简介.PDF

因果推断简介 丁鹏 北京大学数学科学学院概率统计系 Email: dingyunyiqiu@163.com 摘要 统计学在“相关”方面的推断取得了很多的成就，但是在因果推断方 面取得的成就十分有限。这里从Yule-Simpson Paradox 讲起，说明用统计 学方法做因果推断的困难。然后引入Rubin Causal Model(RCM)，以及 RCM 在完全随机化试验和观测性研究中如何进行因果推断。这部分将引入 因果推断中的一些核心概念，如可忽略性、倾向得分、主分层和工具变量。 最后讲因果图(Causal Diagram)，在一个有向无环图中引入了do 操作，这 个图便有了因果的含义。这部分将讲到图上因果作用的识别性准则：前门 准则和后门准则。 1 目录 1 相关与因果的不同: Yule-Simpson Paradox 3 2 Rubin Causal Model(RCM) 和随机化试验 4 3 观测性研究：可忽略性、倾向得分与回归分析 5 3.1 可忽略性与 的识别性 . . . . . . . . . . . . . . . . . . . 6 3.2 倾向得分 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3.3 回归与Heckman Selection Model . . . . . . . . . . . . . . . . 7 4 随机化试验“失败”时的因果推断 8 4.1 不依从下的因果推断：主分层与工具变量 . . . . . . . . . . . 8 4.2 死亡删失下的因果推断 . . . . . . . . . . . . . . . . . . . . . . 11 5 贝叶斯观点下的RCM 15 5.1 截面数据的贝叶斯因果推断 . . . . . . . . . . . . . . . . . . . 15 5.2 不依从和死亡删失下贝叶斯因果推断 . . . . . . . . . . . . . . 18 6 因果图(Causal diagram)：do 操作、d 分离、后门准则与前门准 则 20 6.1 基本概念 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 6.2 d 分离，后门准则和前门准则 . . . . . . . . . . . . . . . . . . 21 7 未涉及的问题 22 2 1 相关与因果的