本书对因果推断进行了介绍，全书分为五个部分：首先在第1章、第2章和第3章介绍了因果推断研究的背景，以及基于图模型分析进行因果推断所需要的基础知识；第二部分包括第4章和第5章，介绍了因果推断中的干预分析和反事实分析；第三部分包括第6章和第7章，是因果推断的进阶内容，在干预分析和反事实分析基础上介绍了因果关系概率的计算以及复杂条件下因果效应的计算；第四部分内容是因果关系中反映各个变量之间关系的图模型结构的学习，相应内容在第8章；最后在第9章以推荐系统和强化学习为例，对因果推断的应用进行了简单介绍。
本书可以作为人工智能、数据科学、统计等相关专业技术人员因果推断方面的入门读物，也可以用于高等院校人工智能、数据科学、统计等相关专业高年级本科生或研究生的课堂教学，还可供医学、法学、经济学、社会学和情报分析等研究领域需要应用因果推断技术的专业人员参考。

罗锐，工学博士、工商管理硕士，先后毕业于电子科技大学、西南交通大学。在电信领域有20多年的技术研发、市场经营和管理工作经验。现在主要从事数据挖掘、机器学习、因果推断及其在通信、医学和法学等社会科学方面应用的教学和研究工作。

前言
第1章 绪论
1.1 辛普森悖论
1.2 相关性与因果关系
1.3 变量之间的关系
1.4 本书主要内容及安排
第2章 数学基础
2.1 随机变量和随机事件
2.1.1 随机变量
2.1.2 随机事件
2.2 概率及其计算
2.2.1 概率与条件概率
2.2.2 概率分布
2.2.3 概率的计算公式
2.3 独立性
2.4 贝叶斯公式及其应用
2.5 随机变量的数字特征
2.6 回归
2.6.1 一元线性回归
2.6.2 多元线性回归
2.7 因果关系的表示：图模型与结构因果模型
2.7.1 因果关系的概念
2.7.2 图模型
2.7.3 结构因果模型
2.7.4 图模型和结构因果模型的比较
2.8 因子分解
2.8.1 图模型的马尔可夫性
2.8.2 因子分解表达式
2.9 图模型结构的程序实现
2.9.1 R软件的安装
2.9.2 DAGitty包的安装与加载
2.9.3 图模型的生成
第3章 图模型分析
3.1 基本图模型结构的分析
3.1.1 链式结构
3.1.2 分叉结构
3.1.3 对撞结构
3.2 d-划分
3.2.1 d-划分的概念
3.2.2 d-划分的判断
3.2.3 d-划分变量集合搜索
3.3 图模型与概率分布
3.4 图模型分析的程序实现
第4章 干预分析
4.1 因果效应的调整表达式计算
4.1.1 混杂偏差
4.1.2 干预的数学表达
4.1.3 通过调整表达式计算因果效应
4.1.4 调整变量的设计
4.2 后门准则与前门准则
4.2.1 后门准则
4.2.2 前门准则
4.3 多变量干预和特定变量取值干预
4.3.1 多变量干预
4.3.2 特定变量取值时的干预分析
4.3.3 条件干预
4.4 直接因果效应与间接因果效应
4.5 因果效应的估计
4.5.1 反概率权重法
4.5.2 倾向值评分匹配法
4.6 线性系统中的因果推断
4.6.1 线性系统因果推断分析的特点
4.6.2 路径系数及其在因果推断分析中的应用
4.6.3 线性系统中路径系数的计算
4.7 工具变量
4.8 干预分析的程序实现
4.8.1 获取调整变量集合
4.8.2 通过倾向值评分匹配计算ACE
第5章 反事实分析及其应用
5.1 反事实概念的引入及表达符号
5.2 反事实分析的基本方法
5.2.1 反事实假设与结构因果模型修改
5.2.2 反事实分析的基本法则
5.3 反事实分析计算
5.3.1 外生变量取值与个体
5.3.2 确定性反事实分析
5.3.3 概率性反事实分析
5.3.4 反事实分析中概率计算的一般化方法
5.4 反事实符号表达式与do算子符号表达式的对比
5.5 基于图模型的反事实分析
5.6 SCM参数未知及线性环境下的反事实分析
5.6.1 SCM参数未知条件下的反事实分析
5.6.2 线性模型在给定事实条件下的反事实分析
5.7 中介分析
5.7.1 自然直接效应和自然间接效应的定义
5.7.2 自然直接效应和自然间接效应的计算
5.8 反事实的应用
第6章 因果关系概率分析
6.1 因果关系概率的定义
6.2 因果关系概率的性质
6.3 必要性概率与充分性概率的量化计算
6.3.1 外生性与单调性
6.3.2 在外生性条件下PN、PS和PNS的计算
6.3.3 在外生性和单调性条件下PN、PS和PNS的计算
6.3.4 在不具有外生性但具有单调性条件下PN、PS和PNS的计算
6.3.5 在外生性和单调性都不成立条件下PN、PS和PNS的计算
6.4 因果关系概率的应用
第7章 复杂条件下因果效应的计算
7.1 非理想依从条件下因果效应的计算
7.1.1 研究模型假设
7.1.2 一般条件下平均因果效应的计算
7.1.3 附加假设条件下平均因果效应的计算
7.2 已干预条件下因果效应的计算
7.2.1 ETT的计算
7.2.2 增量干预的计算
7.2.3 非理想依从条件下ETT的计算
7.3 复杂图模型条件下因果效应的计算
7.3.1 do算子推理法则
7.3.2 do算子推理法则应用示例
7.3.3 因果效应的可识别性
7.3.4 试验中干预变量的替代设计
7.4 非理想数据采集条件下因果效应的计算
第8章 图模型结构的学习
8.1 图模型结构学习算法概述
8.1.1 图模型结构学习的过程
8.1.2 图模型结构学习的假设
8.2 图模型结构学习算法的分类及基于评分的学习算法简介
8.3 基于约束的算法
8.3.1 独立性测试
8.3.2 IC算法简介
8.3.3 IC算法的具体实现过程
8.3.4 其他基于约束的算法
8.4 图模型结构学习的程序实现
8.4.1 pcalg包的安装
8.4.2 图模型结构的学习
8.4.3 因果效应计算
第9章 因果推断的应用
9.1 因果推断在推荐系统中的应用
9.2 因果推断在强化学习中的应用
9.2.1 多臂赌博机问题场景
9.2.2 基于因果推断的多臂赌博机问题分析
9.2.3 基于因果推断的多臂赌博机问题算法改进
9.2.4 基于因果推断的