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
CATE 估计器的验证与校准
这部分内容有帮助吗？
- Estimation and inference for heterogeneous treatment effects using causal forests, Susan Athey and Stefan Wager, 2019 Journal of the American Statistical Association, Vol. 114 (Taylor & Francis) DOI: 10.1080/01621459.2017.1411512 - 介绍了因果森林这一重要的CATE估计器，并讨论了评估异质性治疗效果的方法。
- Double/debiased machine learning for treatment and causal parameters, Victor Chernozhukov, Denis Chetverikov, Mert Demirer, Esther Duflo, Christian Hansen, Whitney Newey, and James Robins, 2018 The Econometrics Journal, Vol. 21 (Wiley) DOI: 10.1111/ectj.12097 - 提供了双重机器学习的理论基础，与验证中的伪结果构建和稳健ATE估计相关。
- Identifying and Validating Optimal Treatment Regimes Using Uplift Modeling, Frederik Devriendt, Bjoern Berrevoets, and Wouter Verbeke, 2018 Journal of Marketing Analytics, Vol. 6 (Springer Nature) DOI: 10.1057/s41270-017-0030-x - 专注于提升模型，提供了增益曲线（AUUC）及其在异质性治疗效果模型验证中的应用见解。
© 2025 ApX Machine Learning用心打造