因果推断入门
本文系统介绍因果推断的基本概念、方法和应用，涵盖因果图、潜在结果框架、干预、反事实等核心内容。适合作为初学者学习因果推断的入门教材，帮助读者建立从观察到因果的思维框架，并理解如何利用因果推断解决实际研究中的因果关系问题。
背景速读
- 因果推断（causal inference）是统计学和机器学习的一个分支，目标是回答“如果做了X，会不会导致Y”这类反事实问题，而不是仅仅发现相关性。
- 本文是因果推断的入门教材，面向有一定统计学或机器学习基础的读者，不预设因果图或潜在结果框架的知识。
- 传统的统计建模只能告诉你变量之间是否相关，无法告诉你“吃药是否让病人痊愈”——因为病人可能自己就好了，或者同时做了其他治疗。因果推断需要额外的假设（如无混淆性、可忽略性）来从观察数据中判断因果关系。
- 该领域核心人物包括 Judea Pearl（提出 do-calculus 和因果图）和 Donald Rubin（提出潜在结果框架）。近年来，因果推断在 AI、药物试验、经济学和公共政策领域越来越受重视。
- 这份教材基于 arXiv 上的一份长文预印本，适合自学或作为研究生课程参考。