第1章
因果推断导论
什么是因果推断 · 为什么需要因果推断 · 与统计关联的区别 · 课程概览与学习路径
基础框架
第2章
潜在结果框架
潜在结果定义 · 个体处理效应 · 平均处理效应(ATE) · 条件平均处理效应(CATE)
核心反事实
第3章
因果图模型入门
有向无环图(DAG) · 节点与边 · 父子节点 · 后门路径与前门路径
图形化DAG
第4章
d-分离与条件独立性
d-分离的定义 · 阻断路径 · 条件独立性检验 · 实用案例
识别独立性
第5章
混杂偏差
什么是混杂 · 混杂的识别 · 混杂的控制方法 · 经典案例：辛普森悖论
偏差辛普森
第6章
选择偏差与测量偏差
选择偏差的来源 · 测量偏差的影响 · 处理策略 · 实际案例
偏差数据质量
第7章
工具变量法(IV)
工具变量的定义 · IV的三大假设 · 两阶段最小二乘法(2SLS) · IV的局限性
IV2SLS
第8章
断点回归设计(RDD)
RDD的基本思想 · 精确断点与模糊断点 · 带宽选择 · 连续性假设检验
准实验断点
第9章
双重差分法(DID)
DID的基本原理 · 平行趋势假设 · 经典案例：Card & Krueger(1994) · DID的扩展
面板政策评估
第10章
倾向得分匹配(PSM)
倾向得分的定义 · 匹配方法 · 共同支撑域 · PSM的优缺点
匹配观察性
第11章
逆概率加权(IPW)
IPW的基本思想 · 稳定权重 · 双重稳健估计 · 与PSM的对比
加权双重稳健
第12章
G-公式与标准化
G-公式的推导 · 标准化方法 · 与IPW的关系 · 实际应用
G-formula标准化
第13章
中介分析
总效应 · 直接效应与间接效应 · 中介变量 · 线性中介分析 · 敏感性分析
机制路径
第14章
因果森林
随机森林回顾 · 因果树的构建 · 因果森林的推断 · 异质性处理效应估计
机器学习CATE
第15章
贝叶斯因果推断
贝叶斯方法基础 · 贝叶斯网络 · 结构学习与参数学习 · 不确定性量化
贝叶斯概率
第16章
时间序列因果推断
格兰杰因果检验 · 向量自回归(VAR) · 脉冲响应函数 · 因果性与预测
时序格兰杰
第17章
敏感性分析
未观测混杂的评估 · E值 · 边界方法 · 报告敏感性分析结果
稳健性E值
第18章
多水平模型与因果推断
聚类数据 · 多水平处理效应 · 组水平混杂 · 实际案例
多层聚类
第19章
缺失数据与因果推断
缺失机制 · 多重插补 · 逆概率加权处理缺失 · 敏感性分析
缺失插补
第20章
高维数据与因果推断
变量选择 · Lasso与因果推断 · 双机器学习 · 高维工具变量
高维Lasso
第21章
A/B测试与因果推断
随机化实验 · 样本量计算 · 多重比较校正 · 实验设计陷阱
实验A/B
第22章
自然实验与准实验
自然实验的定义 · 准实验设计 · 差异中的差异 · 合成控制法
准实验自然
第23章
合成控制法(SCM)
SCM的基本思想 · 权重选择 · 安慰剂检验 · 案例：加州烟草控制
SCM反事实
第24章
因果推断在经济学中的应用
劳动经济学 · 发展经济学 · 政策评估 · 经典论文解读
经济学政策
第25章
因果推断在公共卫生中的应用
流行病学 · 药物效果评估 · 健康政策 · 观察性研究
公卫流行病学
第26章
因果推断在机器学习中的应用
反事实预测 · 公平性 · 可解释性 · 强化学习中的因果
ML反事实
第27章
因果推断在营销与商业中的应用
广告效果评估 · 客户生命周期价值 · 定价策略 · 归因模型
营销归因
第28章
因果推断软件与工具
R语言(causalTree, MatchIt) · Python(DoWhy, EconML, CausalNex) · Stata · SAS
工具代码
第29章
因果推断报告与沟通
结果呈现 · 敏感性分析报告 · 向非技术人员解释因果 · 可重复性
报告沟通
第30章
因果推断前沿与未来
元学习器(T-Learner, X-Learner) · 因果表示学习 · 因果强化学习 · 开放问题
前沿元学习