因果推断导论
全新正版 极速发货
￥ 33.44 4.2折 ￥ 79 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者俞奎 王浩 梁吉业 编著
出版社机械工业
ISBN9787111731078
出版时间2023-08
装帧其他
开本其他
定价79元
货号31827514
上书时间2024-06-09
商品详情
- 品相描述：全新
- 商品描述
-
目录
CONTENTS<br />目??录<br />推荐序<br />前言<br />符号表<br />第一部分 因果推断基础<br />第1章 因果关系推断的基本概念 2<br />1.1 因果关系推断 2<br />1.2 混杂与辛普森悖论 3<br />1.3 随机对照试验 4<br />1.4 数据驱动的因果推断模型 4<br />1.5 图模型 5<br />1.5.1 有向无环图 5<br />1.5.2 最大祖先图 7<br />1.6 贝叶斯网络 11<br />参考文献 15<br />第二部分 Rubin潜在结果<br />模型与因果效应<br />第2章 潜在结果模型与因果效应<br />的概念 18<br />2.1 潜在结果模型的概念 18<br />2.1.1 潜在结果的定义 18<br />2.1.2 潜在结果模型 20<br />2.2 因果效应定义与假设 20<br />2.2.1 个体因果效应 20<br />2.2.2 平均因果效应 21<br />2.2.3 异质性因果效应 25<br />2.3 拓展阅读 27<br />参考文献 27<br />第3章 因果效应估计方法 29<br />3.1 匹配方法 29<br />3.1.1 选择协变量 31<br />3.1.2 定义距离度量 31<br />3.1.3 选择匹配算法 34<br />3.1.4 评估匹配算法 39<br />3.2 分层方法 40<br />3.3 重加权方法 42<br />3.3.1 样本重加权 42<br />3.3.2 样本和协变量重加权 46<br />3.4 表示学习方法 49<br />3.4.1 问题转化 49<br />3.4.2 反事实回归方法 50<br />3.4.3 保持个体相似性的<br />因果效应估计方法 54<br />3.5 拓展阅读 60<br />参考文献 61<br />第三部分 Pearl因果<br />图模型与方法<br />第4章 干预与因果图模型 64<br />4.1 干预与do演算 64<br />4.2 因果贝叶斯网络模型 65<br />4.2.1 因果贝叶斯网络基础 65<br />4.2.2 因果贝叶斯网络与干预 68<br />4.3 结构因果模型 71<br />4.3.1 结构因果模型的定义 71<br />4.3.2 结构因果模型与干预 72<br />4.4 拓展阅读 73<br />参考文献 73<br />第5章 混杂偏差 75<br />5.1 混杂因子的图形化表示 75<br />5.2 父代因果效应准则 77<br />5.3 后门准则 79<br />5.4 前门准则 81<br />5.5 do演算公理系统 83<br />5.6 拓展阅读 85<br />参考文献 86<br />第6章 选择偏差 87<br />6.1 选择偏差的概念 87<br />6.2 选择偏差的图形化表示 88<br />6.3 选择后门标准 90<br />6.4 拓展阅读 92<br />参考文献 93<br />第7章 反事实推断 95<br />7.1 反事实的定义 95<br />7.2 反事实计算 96<br />7.3 反事实和干预 98<br />7.3.1 反事实与do算子 98<br />7.3.2 后门的反事实解释 100<br />7.4 反事实与潜在结果 102<br />7.5 反事实与决策 104<br />7.5.1 必要因、充分因和充要因 104<br />7.5.2 参与者处理效应 106<br />7.6 拓展阅读 108<br />参考文献 108<br />第8章 因果中介效应 110<br />8.1 中介效应的基本概念 110<br />8.2 基于线性模型的因果中介效应 113<br />8.3 基于反事实的因果中介效应 115<br />8.4 进一步分析 121<br />8.5 拓展阅读 123<br />参考文献 123<br />第9章 工具变量 125<br />9.1 工具变量的概念 125<br />9.1.1 三个基本条件 125<br />9.1.2 工具变量不等式 126<br />9.1.3 同质性与单调性 127<br />9.2 工具因果效应估计 129<br />9.2.1 二值工具因果效应估计 129<br />9.2.2 连续工具因果效应估计 130<br />9.3 条件工具变量 131<br />9.4 识别工具变量 133<br />9.5 拓展阅读 135<br />参考文献 135<br />第四部分 因果结构学习方法<br />第10章 组合优化因果结构学习 138<br />10.1 限制优化学习 139<br />10.1.1 理论基础 139<br />10.1.2 PC算法 142<br />10.1.3 FCI算法 154<br />10.2 打分优化学习 161<br />10.2.1 基本思路 161<br />10.2.2 评分函数 162<br />10.2.3 经典的打分优化<br />学习算法 165<br />10.3 拓展阅读 168<br />参考文献 168<br />第11章 连续优化因果结构<br />学习 171<br />11.1 连续优化方法 171<br />11.1.1 模型构造 171<br />11.1.2 权重邻接矩阵 172<br />11.1.3 数值问题转化 173<br />11.1.4 无环约束方法 174<br />11.1.5 迭代优化 176<br />11.2 从线性模型到神经网络 177<br />11.3 用MLP进行DAG学习 179<br />11.3.1 多层感知机 179<br />11.3.2 生成模型构建 180<br />11.3.3 邻接矩阵表示 181<br />11.3.4 训练优化 183<br />11.4 DAG-GNN 183<br />11.4.1 问题转化 184<br />11.4.2 变分自编码器 184<br />11.4.3 模型构造 187<br />11.4.4 离散情形 188<br />11.4.5 无环约束改进 188<br />11.4.6 训练优化 189<br />11.5 对抗优化方法SAM 190<br />11.5.1 生成对抗网络 190<br />11.5.2 深度神经网络拟合<br />因果机制 190<br />11.5.3 学习准则 192<br />11.6 拓展阅读 195<br />参考文献 196<br />第12章 局部因果结构学习 198<br />12.1 基于限制的局部因果结构学习 198<br />12.1.1 局部骨架学习 198<br />12.1.2 局部骨架定向 208<br />12.2 基于打分的局部因果结构学习 210<br />12.3 局部到全局的因果<br />结构学习 211<br />12.3.1 MMHC算法 211<br />12.3.2 对称性校正 212<br />12.4 拓展阅读 213<br />参考文献 214<br />第五部分 因果结构未知情形下的因果效应估计<br />第13章 基于CPDAG的因果效应<br />估计 218<br />13.1 基于全局CPDAG的<br />因果效应估计 218<br />13.1.1 IDA算法思想 218<br />13.1.2 IDA算法执行 219<br />13.2 基于局部因果结构的<br />因果效应估计 222<br />13.2.1 总效应和直接效应 222<br />13.2.2 等价类与链组件 223<br />13.2.3 基于链组件的全局方法 224<br />13.2.4 基于链组件的局部方法 227<br />13.3 拓展阅读 231<br />参考文献 231
内容摘要
本书以构建因果推断基础知识框架，主要从Rubin因果模型、Pearl因果模型、基于图模型的因果效应计算、因果结构学习、因果机器学习五个篇章为大家介绍智因果推断的基础理论、模型、方法、和前沿应用，引领学生步入充满趣味与挑战的因果推理领域。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价