因果推断（零）：学习框架（潜在因果模型和结构因果模型）

WhyNot?

已于 2023-10-07 17:37:43 修改

阅读量1.5k

点赞数 5

分类专栏：因果推断学习框架文章标签：笔记算法

于 2023-08-19 19:50:04 首次发布

本文链接：https://blog.csdn.net/JESSIENOTCAR/article/details/132359684

版权

10 篇文章

订阅专栏

7 篇文章

订阅专栏

本文探讨了使用思维导图学习新学科的方法，聚焦于潜在因果模型（如Rubin）与结构因果模型（SCM）的异同，包括它们的目的、假设、核心方法和描述语言。作者提到两者在计算干预结果差异上的相似性，以及关于因果效应估计的重点区别。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

思维导图

学习一门新的学科，我喜欢事先制作一张“学习地图”，先宏观了解下这门学科的面貌。这样后面无论学习哪一个细小的点，我都能清楚的知道自己正在探索哪个地方，心里不会有那种不知道还要学多少东西才算真正了解了的茫然，而是十分具有方向感。（这算不算是《高效能人士的七个习惯》里的自顶向下的一种应用呢？😄）

整个因果推断方向的知识地图暂时整理成下面这个样子啦！随着学习的深入，未来应该会不断完善这张思维导图。💪
【视角一：从数据的类型分类（实验数据 or 观察数据）】
在这里插入图片描述
【视角二：从要解决的问题分类】

在这里插入图片描述

	Rubin:潜在因果模型	Pearl:结构因果模型（SCM）
相同点	目的：都要计算干预和不干预的结果差异
	假设：都有一些基本假设（潜在因果模型有3个，SCM有哪些？学到了再回来补充）
	方法的核心：需要控制造成估计偏差的变量（协变量）
不同点	causal effect = 干预前后的结果期望差值	causal effect = 干预前后的分布差异（待理解）
	描述因果模型和估计的语言：回归、控制变量、匹配	描述因果模型和估计的语言：条件分布（？）、do-算子
	重点：因果效应的估计	重点：因果效应识别/因果图构建