具体描述
This book summarizes recent advances in causal inference and underscores the paradigmatic shifts that must be undertaken in moving from traditional statistical analysis to causal analysis of multivariate data. Special emphasis is placed on the assumptions that underlie all causal inferences, the languages used in formulating those assumptions, the conditional nature of all causal and counterfactual claims, and the methods that have been developed for the assessment of such claims. These advances are illustrated using a general theory of causation based on the Structural Causal Model (SCM), which subsumes and unifies other approaches to causation, and provides a coherent mathematical foundation for the analysis of causes and counterfactuals. In particular, the paper surveys the development of mathematical tools for inferring (from a combination of data and assumptions) answers to three types of causal queries: those about (1) the effects of potential interventions, (2) probabilities of counterfactuals, and (3) direct and indirect effects (also known as "mediation"). Finally, the paper defines the formal and conceptual relationships between the structural and potential-outcome frameworks and presents tools for a symbiotic analysis that uses the strong features of both. The tools are demonstrated in the analyses of mediation, causes of effects, and probabilities of causation.
作者简介
Judea Pearl: Professor, Cognitive Systems Lab, Computer Science Department, UCLA
目录信息
读后感
用户评价
我是一个热衷于研究事物背后原因的人，总是不满足于看到现象本身。我常常会问“为什么会这样？”，并且试图找到事物的根本驱动力。在阅读过一些关于统计学和数据分析的书籍后，我发现它们大多侧重于描述性统计和预测模型，但对于“因果”的探讨却相对有限。因此，当看到“An Introduction to Causal Inference”这本书时，我便感到一种强烈的吸引力。我期待这本书能够深入浅出地讲解因果推断的基本原理、常用方法以及在不同领域的应用。它应该能让我理解，如何才能从相关性中抽丝剥茧，找到真正的因果链条。
这本书的封面设计给我留下了深刻的第一印象，那种沉静而又富有力量感的蓝与灰的配色，仿佛预示着即将要探索的是一个深邃而又逻辑严谨的领域。书名“An Introduction to Causal Inference”本身就带着一种引导性，它并非直接抛出一个艰深的理论，而是以一种“引言”的方式，试图将我这个初学者引入因果推断的迷人世界。拿到书的那一刻，我便迫不及待地翻阅了前几页，那排版清晰、字迹适中的印刷质量，以及纸张温润的手感，都让人感到一种来自传统学术的诚意。我并没有立即深入阅读具体内容，而是先浏览了一下目录。目录的设置非常人性化，从最基础的概念，比如相关性与因果性的区别，到各种经典的因果推断方法，如倾向得分匹配、双重差分法、工具变量法等等，层层递进，结构分明。这让我这样一个在因果推断领域几乎一片空白的读者，能够对即将展开的学习旅程有一个大致的框架。我尤其注意到，目录中似乎还包含了一些关于因果图（DAGs）的内容，这让我对如何可视化和理解复杂的因果关系充满了期待。
这本书的书名，虽然简洁，但内容的分量却不容小觑。我非常好奇，作者将如何在一本“引言”性质的书籍中，涵盖因果推断的方方面面。我预设它会从最基本也是最重要的问题开始——如何定义因果，以及区分因果与相关。我期待它能清晰地阐述随机对照试验（RCT）在确定因果关系中的黄金标准地位，并且解释为何在很多情况下，我们无法进行RCT，而需要依赖观察性数据。书中是否会介绍一些处理观察性数据以推断因果的常用技术？比如，如何处理混杂偏倚？书中是否会提供一些数学工具，帮助我们理解这些方法的原理？
“An Introduction to Causal Inference”，这个书名在我眼中，代表着一种科学的严谨性和对真相的追求。在当今社会，充斥着各种似是而非的论断和误导性的信息，一个能够辨别因果关系的能力，显得尤为重要。我希望这本书能够为我打开一扇新的大门，让我能够以一种更系统、更科学的方式去理解世界。它不应该仅仅是罗列各种统计公式，更重要的是能够构建一种思维框架，让我能够将因果推断的原理，灵活地应用于各种领域，无论是社会科学的研究，还是商业决策的制定。
我对“因果推断”这个概念本身就充满了迷恋。在信息爆炸的时代，我们每天都被各种数据和统计信息包围，但很多时候，我们只能看到表面的相关性，而无法触及事物发展的内在逻辑。比如，一个新闻报道说“某种食物与某种疾病的发生率呈正相关”，我们很容易就将其理解为“这种食物会导致这种疾病”，但真实情况可能远比这复杂得多。是否存在其他因素同时影响了食物的摄入和疾病的发生？这种对“因果”真相的追寻，是我选择这本书的根本动力。我希望这本书能够赋予我一种“火眼金睛”，让我能够穿透现象看到本质。
我对因果推断的兴趣，很大程度上源于日常生活中遇到的那些模棱两可的现象。比如，我们常常听到“运动有益健康”，但“有益”究竟是如何量化的？是仅仅因为运动人群的平均寿命更长，还是运动本身直接导致了某些生理指标的改善？抑或是两者兼有，并且还存在其他混杂因素？这种对事物背后真实驱动力的探求，驱使我寻找能够解答这些疑问的工具。这本书的出现，恰好契合了我这种内在的需求。我希望它不仅仅是提供一套抽象的数学模型，更重要的是能够教会我如何将这些模型应用于现实世界的问题。我期待它能通过生动的案例分析，将那些听起来枯燥的统计学概念变得易于理解，并且能够让我看到，原来那些看似复杂的问题，在因果推断的框架下，可以变得如此清晰和有条理。
这本书的封面上，“An Introduction to Causal Inference”这个标题，就如同一个温柔的邀请，邀请那些对“为什么”和“怎么样”充满好奇心的人们踏入这个引人入胜的领域。它没有使用过于专业或晦涩的词汇，这对于像我这样，对统计学并非专业背景的读者来说，无疑是一个巨大的鼓励。我之前尝试阅读过一些更深入的统计学著作，但常常因为概念过于抽象而望而却步。而这本书的开篇，应该会以一种循序渐进的方式，带领我认识因果推断的核心概念，比如干预、反事实、随机对照试验的原理等。我尤其看重的是，它能否帮助我理解，为什么我们不能仅仅依靠相关性来推断因果。
我是一名对数据分析充满热情的业余爱好者，但我在处理数据时，常常会遇到一个瓶颈：我能看到数据之间的联系，但我很难确定这种联系是否是真正意义上的因果关系。例如，我发现购买某类产品的客户，往往也更倾向于购买另一类产品，但我无法确定是购买第一类产品“导致”了购买第二类，还是两者都受某个潜在因素的影响。这本书的出现，恰好弥补了我在这方面的知识空白。我期待它能够以一种易于理解的方式，教授我严谨的因果推断方法，让我能够从海量数据中提取出更有价值的、具有因果意义的洞察。
在开始阅读之前，我特意在网上搜索了一些关于因果推断的讨论，发现这是一个在统计学、经济学、流行病学、计算机科学等多个领域都非常活跃的研究方向。这让我意识到，掌握因果推断的能力，不仅仅是提升个人在某个学科内的研究水平，更是拥有一种跨界解决复杂问题的通用技能。因此，对于这本书的期待，也超越了单纯的学术知识获取。我希望它能够培养我的批判性思维，让我能够更敏锐地识别出那些看似相关却并非因果的联系，从而做出更明智的决策。它应该能教会我如何设计一个实验，或者如何从观察性数据中尽可能地提取出可靠的因果信息。
我一直认为，真正有价值的学术书籍，不应该仅仅是知识的堆砌，更应该是一种思想的启迪。我希望这本书能够让我不仅仅是学会“怎么做”，更能理解“为什么这样做”。它应该能够让我明白，每一个因果推断的方法背后，都有其特定的假设和适用的场景。当我在未来的研究或工作中遇到具体问题时，我能够根据问题的性质，选择最合适的方法，并且能够清楚地认识到该方法的局限性。这本书的“引言”性质，也让我期待它能成为我继续深入学习因果推断的坚实起点，而不是我整个知识体系的终点。
一头雾水。
一头雾水。
一头雾水。
一头雾水。
一头雾水。
