因果系列文章（1）：因果推断及相关论文

 序

大家好，好久没有更新因果技术的文章了，从今天开始，我会开启一个新的专栏，和大家聊聊因果推断，一方面是给自己做一个技术沉淀，另一方面也是希望可以制造一个场，让对因果有兴趣的朋友们一起来讨论技术。

前一篇因果入门的文章中已经为大家简单的介绍了一下因果推断了。大家反响很热烈，收到一致好评。忘记的同学可以回顾一下：

入门：因果推断 简介https://blog.csdn.net/jiey0407/article/details/126599496?spm=1001.2014.3001.5502

文章看完记得小手点个赞，纯原创纯手打，大家一键三连支持一下！

这个系列出现的所有paper里的算法我都希望能向大家用大白话的方式讲出来，使得一个就算不太了解技术的人也能理解他。

“因果推断”作为目前统计以及机器学习届最炙手可热的一个名词，19年图灵奖得主Yoshua Bengio认为：“深度学习已经走到了瓶颈期，将因果关系整合到AI当中已经成为目前的头等大事“。而11年的图灵奖得主的Judea Pearl则提到：“目前有太多深度学习项目都单纯关注缺少因果关系的粗糙关联性，这常常导致深度学习系统在真实条件下（明显不同于训练场景的条件下）进行测试时，往往拿不出良好的实际表现。”并在他的新书《The Book of Why: The New Science of Cause and Effect》当中提到，“如果没有对因果关系的推理能力，AI的发展将从根本上受到限制。”

接下来的系列，我会通过对重要的paper和方法总结，逐步的为大家介绍因果推断这个方法，同时也不断开发自己的开源代码库Causal ToolBox。

在接下来的这篇文章中，为求表达精确，我主要会使用英文对论文进行总结和讲解，与此同时，对于一些核心的理解，也会用中文表达。

需要注明的是，传统因果很多方法都是通过做实验，即controlled experiment来得到结果，但是这种实验成本往往巨大，即便在体量相当大的公司，做一些商业上的ABtest也意味巨大的成本，在这个情况下，我们希望从以及观察到的数据，即observational data中得到因果推断的结果。接下来的所有内容，都围绕着如何在observational data里做因果推断这个问题。

什么是causality（因果）

Formal Definition: Causality is a generic relationship between an effect and the cause that gives rise to it.

这个大家直译就好，就是和大家平常理解的因果关系一个意思

causality和statistical association的区别（因果性和相关性区别）

举个例子：如果我们发现，夏天的时候，一个冰淇淋店的电费上涨的同时冰淇淋卖的也很好，我们可以说他们互相之间有因果的关系吗？不见得，他们之间可能只是统计上的相关性，而真正给他们带来的因果性的因子叫做气温，是因为气温的上升，导致电费的增加，也是因为气温的上升，导致了冰淇淋销量的上升。这个例子很好的向我们阐述了因果性和统计相关性的区别。

• Two main questions

1. Causal discovery(因果关系挖掘): 比如研究：温度升高是否是电费增加的原因？或者在商品价格，商品转化率，商品上市时间，商品成本等几个变量之间探究一个因果图，即变量两两之间是否有因果关系？如果有，谁是因谁是果？
2. Causal effect(因果效应推理): 比如我们已经知道温度升高是电费增加的原因，我们想知道温度从20度升至30度，会对电费带来多少增加？

• Two main frameworks

Structural Causal Models(SCM) – Judea Pearl: A causal model by SCMs consists of two components: the causal graph (causal diagram) and the structural equations.

即我们需要先得到一张因果图，然后对于因果图，我们去使用Structural Equations来描述它。

比如对于这一张因果图，箭头由因指向果，X和E都是变量。然后右边的一系列方程就是Structural Equations来描述这个图，每一个方程f都表示着由因到果的一个映射或者说一个表达式，这个方程可以是linear也可以是nonlinear的，取决于他们的因果关系是否线性。

Potential Outcome Framework– Donald Rubin: It is mainly applied to learning causal effect as it corresponds to a given trea