《因果推理导论》笔记（一）介绍 Brady Neal

最新推荐文章于 2025-04-10 16:18:31 发布
最新推荐文章于 2025-04-10 16:18:31 发布
阅读量875 收藏 9
点赞数 1
分类专栏： casual inference 文章标签： 概率论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wa_does_the_fox_say/article/details/120843198
版权

本章出现的重要术语：充分调整集（sufficient adjustment set）

什么是因果推理？

在这里插入图片描述
本章目录

  • 辛普森悖论
  • 相关性不能说明有因果
  • 那么，什么表明了因果？
  • 观测实验的因果

在这里插入图片描述

辛普森悖论
Eg：新冠问题

目标：
决定A B两种新冠治疗方法，降低死亡率

预设：
此例设B更稀缺
只能获得医院的数据，不能收集
数据：症状（轻0/重1）；治疗（A0/B1）；结果（存活0/死亡1）

死亡率图：

总死亡率：A<B总死亡率：A<B
按照症状分开死亡率：A>B按照症状分开死亡率：A>B

辛普森悖论出现，那到底数字是怎么反转的，谁又是对的呢？

列式看看某治疗方法下，人数的权重对死亡率的影响：
在这里插入图片描述可以看到第一个式子，在疗法A中，0.15权重（1400/1500）远大于0.3的（100/1500）权重：
在这里插入图片描述小的死亡率有大的人口权重，所以总体上，A的死亡率偏小。

与此相对，B小的死亡率有小的人口权重，所以总体上，A的死亡率偏大。
在这里插入图片描述但是常理而言，重病号死亡

最低0.47元/天 解锁文章
因果推理学习笔记（一）
weixin_43751558的博客
12-03 3312
因果推理（Causal Inference）：Inferring the enfects of any treatment/policy/intervention/etc. 因果推理就是推断一个事物对另一个事物的影响。 1. 辛普森悖论说（Simpson’s paradox） 当人们尝试探究两种变量是否具有相关性的时候，会分别对之进行分组研究。然而，在分组比较中都占优势的一方，在总评中有时反而是失势的一方。 以下是一个辛普森悖论的例子。 存在一种疾病，患病人的状况分两种，该病的治疗方式有两种，治疗结果有两种
Introduction to Causal Inference：Chapter 1因果推断概论
qq_40990057的博客
08-09 1477
本文是学习brady neal于2020年开设的因果推断课程Introduction to Causal Inference的记录 概述 本chapter主要分四个部分： 辛普森悖论 为什么相关性不是因果关系 什么展示了因果关系 在观测性研究中如何发现因果关系 1 因果推断的动机：辛普森悖论 1.1 辛普森悖论案例 辛普森悖论（Simpson‘s paradox）是广泛存在于统计学事件的一个现象，指的是分组下的统计表现与总体统计表现相悖。 这里举了一个例子，假设有一个新的疾病：COVID-27 有两种
（1）因果推断介绍
fff2zrx的博客
07-27 352
它要求我们回答“如果，会怎么样”的问题
辛普森悖论（成因分析、数学与图像表示和解决方法）详细解释，通俗易懂
最新发布
2301_76901778的博客
04-10 1329
辛普森悖论（Simpson’s Paradox）指的是在分组数据中，各组内呈现某一趋势或结论，但当将所有组的数据合并后，整体数据却呈现相反趋势的现象。这种现象通常说明在数据聚合过程中，存在混杂或隐含的影响因素，使得分组内的真实关系被整体数据的权重分布所扭曲。假设在两组人群中比较两种治疗方法 A 和 B，分组统计显示在每个子组中治疗 A 的成功率均高于治疗 B；但将两个子组数据合并后，治疗 B 的总体成功率反而高于 A。这就构成了辛普森悖论。
【干货书】《因果推理导论-机器学习角度》，132页pdf
08-19
【干货书】《因果推理导论-机器学习角度》，132页pdf 有几个主要的主题贯穿全书。这些主题主要是对两个不同类别的比较。当你阅读的时候，很重要的一点是你要明白书的不同部分适合什么类别，不适合什么类别。 统计与因果。即使有无限多的数据，我们有时也无法计算一些因果量。相比之下，很多统计是关于在有限样本中解决不确定性的。当给定无限数据时，没有不确定性。然而，关联，一个统计概念，不是因果关系。在因果推理方面还有更多的工作要做，即使在开始使用无限数据之后也是如此。这是激发因果推理的主要区别。我们在这一章已经做了这样的区分，并将在整本书中继续做这样的区分。 识别与评估。因果效应的识别是因果推论所独有的。这是一个有待解决的问题，即使我们有无限的数据。然而，因果推理也与传统统计和机器学习共享估计。我们将主要从识别因果效应(在第2章中,4和6)之前估计因果效应(第7章)。例外是2.5节和节4.6.2,我们进行完整的例子估计给你的整个过程是什么样子。 介入与观察。如果我们能进行干预/实验，因果效应的识别就相对容易了。这很简单，因为我们可以采取我们想要衡量因果效应的行动，并简单地衡量我们采取行动后的效果。观测数据变得更加复杂，因为数据中几乎总是引入混杂。 假设。将会有一个很大的焦点是我们用什么假设来得到我们得到的结果。每个假设都有自己的框来帮助人们注意到它。清晰的假设应该使我们很容易看到对给定的因果分析或因果模型的批评。他们希望，清晰地提出假设将导致对因果关系的更清晰的讨论。
因果推断《Causal Inference in Python》中文笔记第1章 因果推断导论
MangoGO的博客
10-16 3025
因果推断的概念，为什么需要因果推断，因果推断的基础数据表示和基本开展流程。人类的思维天然就具备因果推断能力，即使有时候是错误的。如果说关联关系就是两个变量同时变化，那么因果关系就是一个变量的变化导致另一个变量发生变化。因果推断就是从关联关系中推理出因果关系。
《因果推理导论》笔记（二）潜在结果 Brady Neal
wa_does_the_fox_say的博客
10-20 2004
本期目录 什么是潜在结果 因果推理的基本问题 如何解决因果推理的基本问题 用估计做完整示例 什么是潜在结果 这就是： 进而定义因果效应为： 因果推理的基本问题 即一次只能观察一种情况（Factual），另一种T的结果无法观测。 该问题也可以解释为“数据缺失”问题。每行都会缺失未采取的T值的情况。 如何解决因果推理的基本问题 如何解决因果推理的基本问题以衡量某些因果关系？ 已知我们不能解决，干脆写成期望（i隐含，写时常省略），由期望的线性性质，但是现在可以直接转化为条件概率的期望直接计算吗？看过
因果推理Brady代码
02-27
为了展示如何通过编程手段实施因果推理，下面提供了一个简单的例子来估算处理效果。此案例基于倾向得分匹配(PSM)，这是评估因果影响的一种常用技术。 ```python import numpy as np from sklearn.linear_model ...
Notes of Causal Inference Course by Brady Neal (Chap 1-5)
ElizabethX的博客
05-22 411
本文是Youtube上causal inference课程系列的笔记，便于以后回顾。课程作者是Brady Neal， 视频link在这里。
因果推理发展综述《The Development of Causal Reasoning》
11-28
对因果推理发展的研究广泛地集中于实现两个目标: 理解因果推理的起源，以及检验因果推理如何随着发展而变化。本书回顾了旨在实现这两个目标的证据和理论。
因果推断对当下人工智能、机器学习的影响
C_19870的博客
08-21 288
虽然还存在一些挑战，但随着研究的深入，因果推断必将为人工智能和机器学习的未来发展带来更多的机遇和突破。在解决现实世界的问题和优化算法性能时，因果推断不仅为我们提供了一种新的思维方式，还能够显著提高模型的准确性、可解释性和可靠性。例如，在医疗诊断中，因果关系的分析可以帮助医生预测特定治疗方法的效果，优化患者的治疗方案。研究人员正在不断提出新的算法和方法，以解决因果推断的挑战，从而实现更准确、更可靠的预测和决策。这使得模型的预测更具可解释性，用户可以更清楚地理解模型是如何得出结论的，从而增加对模型的信任。
Causal Inference 笔记 （Marginnote 脑图版）
09-01
https://www.bradyneal.com/causal-inference-course 这个课程的笔记
因果推断《Causal Inference in Python》中文笔记第6章 效果异质性
MangoGO的博客
11-20 2379
本章介绍通过干预异质性实现分析单元的个性化干预，这才是更贴近现实的问题解决方案。
因果推理（七）：Unobserved Confounding: Bounds and Sensitivity Analysis
weixin_43751558的博客
01-23 1595
上一章的估计过程的一个前提是我们掌握了去混杂的充分调整集。也就是说，我们确定W是一个充分调整集的时候，我们可以用下面的公式计算因果量。 然而，很多时候，可能会存在没有被我们观测到的混杂因素，比如上图中的U。在这种情况下，我们需要同时对W和U进行调整，但由于我们没有观察到U，势必不会调整U，这就使得我们的估计结果产生了误差。这一章，我们将探讨这个误差的大小及其对整个结果的影响。 1. Bounds 在因果推理中，我们定义了一个很强的假设“Unconfoundness”，满足unconfoundness，
【推荐系统-＞统计学】辛普森悖论(Simpson‘s paradox)
小明2766的博客
01-03 6927
辛普森悖论 辛普森悖论(Simpson’s paradox)，也有其他名称，是概率和统计中的一种现象，即一种趋势出现在几组数据中，但当这些组组合在一起时，趋势就会消失或逆转。 这个结果在社会科学和医学科学统计中经常遇到，并且当频率数据被过度地给出因果解释时尤其成问题。当混淆变量和因果关系在统计建模中得到适当解决时，这个悖论就可以解决。辛普森悖论已被用来说明滥用统计数据可能产生的误导结果。 例子 加州大学伯克利分校性别偏见 辛普森悖论最著名的例子之一来自一项对加州大学伯克利分校(University of C
辛普森悖论
cqx2020的博客
02-24 1529
了解辛普森悖论，让你更好理解数据从而做出正确决策。
因果推理（四）：因果模型
weixin_43751558的博客
12-23 7716
因果模型对于因果量的确定是很重要的。在前面的学习中，我们将“确定”（identification）描述为将因果估计转换为统计估计的过程。确定-估计（Identification-Estimation）的流程如下图： 1. Do-算子和干预（interventional）分布 首先需要区别给定条件（condition）和干预（intervention）的概念。给定条件T=t的意思是我们只看在总体中treatment为t的子集；而intervention的意思是将总体中左右个体的treatment设为t。我们
因果4-因果模型
euzmin的博客
07-23 2616
上一章我们从统计学角度学习了贝叶斯网络中点与点的关系，并没有真正涉及因果的重要内容，因为基于的都是条件概率，没有牵扯到干预，而干预是因果很重要的操作，这一章我们从干预开始，进一步学习如何识别因果图中的因果量。 首先让我们回顾并正式定义第一章中提到的干预–do操作。 The do-operator 图1. condition和intervention 如图1所示，conditioning和intervening是不同的操作。conditioning on T=t（在T=t条件下）表示我们只关注数据中T=t
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值