因果推理初识_element of causal inference-CSDN博客

本文链接：https://blog.csdn.net/jinselizhi/article/details/104037066

Judea Pearl 科普读物：为什么

首先是底层，指的是对于事物现象的一般性观察，并根据观察的现象，发现其中的关联性。
中间一层则是干预，即通过对变量的改变，研究这一变量对结果的影响，包括是否改变结果的性质，以及改变的强度。
最后则是反事实，即通过模拟控制其他变量，仅翻转被研究的变量，探讨可能的发展。

当前的机器学习模型，在 Pearl 看来，只能停留于第一阶段。这是因为，统计机器学习模型仅能够对现象（数据）进行观察，并拟合一个可能的概率分布。这种拟合的结果是，模型仅能够发现两个变量之间的相关性，而非真正的因果性。

在最后介绍反事实阶段中，Pearl 还重点介绍了自己的相关研究成果：

第一，Pearl 会通过图的形式，定性、定量地描述变量之间的因果关系和影响程度。第二，Pearl 阐述了自己在贝叶斯网络方面的研究，以及在面对复杂因果概率问题中的解决方法。第三，Pearl 介绍了使用 d-分离的方法，使用因果论领域的数学工具，将统计学中难以剥离和控制的变量，简单地从变量中分离。第四，Pearl 谈到如何使用结构化因果方程的方式，最终登上因果之梯的最高点：反事实推理。

因果推断是一种通过事物的原因推导至某个肯定结果的逻辑方式。通过因果推断，人类可以很好的解决生活和科学中遇到的问题。而如果能够完全掌握这一方法，就能够在计算机上模拟因果推断，进而设计强大的自动化机器。机器最终可以帮助人类解决科学界悬而未决的问题，并最终从环境中不断的学习新的因果知识。

因果图（将语言中的因果关系使用数学形式表达）
点代表变量，有向边代表变量的因果关系影响，如果每个边带有一个权重，表示不同因素对于这一结果的影响强度大小。

（新闻看完感觉没啥新意）

知乎相关

因果推断是回归问题的一种特例吗？
覃含章的回答
因果推断的起点：如何通过已有的数据更准确的推断各种变量之间的因果关系（某些变量变化对结果的影响)?
Difference in Differences(DiD)
控制实验和自然实验
工具变量
作者表示，因果推断的招式很多；对因果关系的研究，将一直会是人类科学研究的重点之一：
比如说癌症和衰老的成因等。

视频：machine learning and causal inference,2018