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
格兰杰因果关系：表述与局限
这部分内容有帮助吗？
- Investigating causal relations by econometric models and cross-spectral methods, C. W. J. Granger, 1969 Econometrica: Journal of the Econometric Society, Vol. 37 (The Econometric Society) DOI: 10.2307/1912791 - 这篇论文首次提出了格兰杰因果关系的概念。
- Time Series Analysis, James D. Hamilton, 1994 (Princeton University Press) - 这是一本关于时间序列分析的经典综合教材，详细讲解了格兰杰因果关系、VAR模型及相关计量经济学方法。
- Causal inference in time series analysis, Michael Eichler, 2013 Handbook of Time Series Analysis (Springer Berlin Heidelberg) DOI: 10.1007/978-3-642-28876-0_4 - 本章节概述了时间序列因果推断方法，从现代视角讨论了格兰杰因果关系的优点与局限性。
- Elements of Causal Inference: Foundations and Learning Algorithms, Jonas Peters, Dominik Janzing, and Bernhard Schölkopf, 2017 (MIT Press) DOI: 10.7551/mitpress/9780262037665.001.0001 - 这是一本关于因果推断的教材，对机器学习领域尤为重要，区分了预测与因果关系，并提供了结构因果模型框架。