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
调整选择偏差修正方法
这部分内容有帮助吗？
- Sample Selection Bias as a Specification Error, James J. Heckman, 1979 Econometrica, Vol. 47 (Wiley-Blackwell) DOI: 10.2307/1912352 - 这篇开创性论文介绍了Heckman两步校正方法，用于解决计量经济学模型中的样本选择偏差问题。
- Mostly Harmless Econometrics: An Empiricist's Companion, Joshua D. Angrist, Jörn-Steffen Pischke, 2009 (Princeton University Press) - 一本广泛使用的教材，以易于理解的方式介绍了计量经济学中的因果推断方法，包括对选择模型及其识别挑战的讨论。
- The Heckman Correction for Sample Selection and its Critique, Patrick A. Puhani, 2000 Journal of Economic Surveys, Vol. 14 DOI: 10.1111/1467-6419.00104 - 对Heckman校正方法进行了全面回顾，详细阐述了其假设、识别问题（包括排他性限制）以及各种批评。
- Marginal Structural Models and Causal Inference in Epidemiology, Miguel Ángel Hernán, Babette Brumback, James M. Robins, 2000 Epidemiology, Vol. 11 DOI: 10.1097/00001648-200009000-00008 - 介绍了用于因果推断的边际结构模型和逆概率加权，为常用于选择偏差校正的加权方法提供了背景。
- Generalized Control Functions with Machine Learning for Causal Inference, Xinyi Nie, Michael I. Jordan, and Stefan Wager, 2020 Advances in Neural Information Processing Systems, Vol. 33 (NeurIPS) - 探讨如何使用灵活的机器学习方法扩展和应用控制函数（包括用于选择偏差的函数），以改进因果效应估计。