趋近智
高级机器学习系统中的因果推断
章节 1: 结构因果模型与识别策略
因果结构模型回顾
高级图形表示：有向无环图
干预演算规则及应用
标准条件之外的识别
因果图中循环和反馈的处理
识别假设的敏感性分析
实践：应用识别逻辑
章节 2: 高级因果发现方法
基于约束的发现算法：PC、FCI 算法的延伸
基于分数的发现算法：GES、LiNGAM
因果结构发现：使用干预数据
从异构数据中进行因果发现
评估因果发现算法表现
因果关系判定中的潜在变量处理
动手实践：实现发现算法
章节 3: 高维数据下的因果效应估计
双重机器学习用于平均治疗效果
因果森林与异质效应
CATE估计的元学习器
深度学习在效应估计中的应用
高维混杂因素的处理方法
CATE 估计器的验证与校准
实践：DML和因果森林的实现
章节 4: 应对未观测混杂与选择偏差
进阶工具变量（IV）方法
深度学习与核方法用于工具变量
回归不连续性设计 (RDD)
差中差法 (DiD) 与面板数据
调整选择偏差修正方法
近端因果推断原理
实践操作：工具变量 (IV) 与回归不连续设计 (RDD) 分析
章节 5: 时间数据与动态系统的因果推断
时间序列因果推断的难点
格兰杰因果关系：表述与局限
结构向量自回归 (SVAR)
动态治疗方案及其估计
时间序列因果发现方法
因果强化学习与离策略评估
实践：时序因果分析
章节 6: 机器学习流水线中的因果推断实践
特征工程和选择中的因果原则
因果关系感知模型开发
运用因果思路评估机器学习模型
运用因果推断改进 A/B 测试
监控机器学习系统的因果稳定性
为MLOps设计因果推断组件
动手实践：构建因果分析驱动的管道
识别假设的敏感性分析
这部分内容有帮助吗？
- Observational Studies, Paul R. Rosenbaum, 2002 (Springer) DOI: 10.1007/978-1-4757-3692-2 - 一本基础教材，全面涵盖观察性研究的敏感性分析方法，包括本节中讨论的具体方法。
- Unobservable Selection and Coefficient Stability: Theory and Evidence, Emily Oster, 2019 Journal of Political Economy, Vol. 127 (University of Chicago Press) DOI: 10.1086/700831 - 介绍了广泛使用的系数稳定性方法，用于评估回归设置中对未观测混杂的敏感性。
- Making Sense of Sensitivity: Extending Omitted Variable Bias, Carlos Cinelli, Chad Hazlett, 2020 Journal of the Royal Statistical Society: Series B (Statistical Methodology), Vol. 82 (Oxford University Press) DOI: 10.1111/rssb.12348 - 推广了经典遗漏变量偏差公式，为敏感性分析提供了一个全面的框架，并在
sensemakr包中实现。