01
因果推断导论
什么是因果推断 · 相关性与因果性 · 应用场景（医疗/电商/政策） · 课程概览
导论基础
02
因果图模型基础
有向无环图(DAG) · 节点与边 · 后门路径 · d-分离与条件独立性
DAG图模型
03
潜在结果框架
个体处理效应(ITE) · 平均处理效应(ATE) · 条件平均处理效应(CATE) · 反事实推理
反事实框架
04
随机对照试验(RCT)
RCT设计原理 · 随机化与混杂控制 · 优缺点 · 数据科学局限性
RCT黄金标准
05
观察性研究中的混杂偏差
混杂变量定义 · 辛普森悖论 · 识别混杂 · 经典案例（吸烟与肺癌）
混杂辛普森
06
后门准则与调整
后门准则定义 · 后门调整公式 · 消除混杂 · Python模拟实战
后门调整
07
前门准则与工具变量
前门准则 · 工具变量(IV)思想 · 两阶段最小二乘(2SLS) · IV假设
前门IV
08
倾向性得分匹配(PSM)
倾向性得分 · PSM步骤 · 平衡性检验 · Python (causalinference)
PSM匹配
09
逆概率加权(IPW)
IPW原理 · 权重计算 · 稳定化权重 · 与PSM对比 · Python实战
IPW加权
10
双重差分法(DID)
DID基本思想 · 平行趋势假设 · 模型设定 · Python (statsmodels)
DID面板
11
断点回归设计(RDD)
RDD原理 · 精确/模糊断点 · 带宽选择 · Python (rdrobust)
RDD断点
12
工具变量法(IV)深入
弱工具变量 · 过度识别检验 · IV因果发现 · Python (linearmodels)
IV深入检验
13
因果发现概述
因果发现 vs 效应估计 · 约束/得分/函数因果模型方法
发现综述
14
PC算法
骨架学习 · 方向确定 · 条件独立性检验 · Python (causal-learn)
PC约束
15
FCI算法
FCI vs PC · 潜在混杂处理 · 输出解释 · Python实战
FCI潜在混杂
16
GES算法
贪婪等价搜索 · BIC得分 · Python实现 · 与PC对比
GES得分
17
LiNGAM算法
线性非高斯无环假设 · ICA应用 · Python (lingam库)
LiNGAM非高斯
18
基于深度学习的因果发现
NOTEARS · DAG-GNN · 可微性 · Python (causalnex)
深度学习NOTEARS
19
因果效应估计中的异质性
CATE估计 · 因果森林 · BART · Python (econml)
异质性CATE
20
元学习器(Meta-Learners)
S/T/X/R-Learner · 原理对比 · Python实战
元学习Meta
21
因果森林(Causal Forest)
广义随机森林 · 因果树构建 · Python (grf库)
因果森林GRF
22
贝叶斯因果推断
贝叶斯网络结构学习 · MCMC · Python (pgmpy)
贝叶斯MCMC
23
时间序列因果推断
格兰杰因果 · 收敛交叉映射(CCM) · 时间序列DAG · Python
时序格兰杰
24
因果推断中的敏感性分析
未观测混杂 · E值 · 边界方法 · Python实战
敏感性E-value
25
多臂强盗与因果推断
上下文强盗 · 因果强盗 · 探索与利用 · Python实现
Bandit因果
26
因果推断在推荐系统中的应用
去偏推荐 · 因果嵌入 · 反事实推理 · Python案例
推荐去偏
27
因果推断在NLP中的应用
文本因果发现 · 反事实生成 · 偏见消除 · Python实战
NLP文本
28
因果推断在医疗健康中的应用
药物疗效 · 剂量-反应曲线 · 生存分析 · Python (lifelines)
医疗生存
29
因果推断在政策评估中的应用
政策效果框架 · 合成控制法(SCM) · Python (causalimpact)
政策SCM
30
课程总结与前沿展望
Causal ML · 可解释性 · 未来方向 · 学习资源推荐
总结前沿