本书包括13章内容。第1章介绍了因果推断的基本概念。第2章和第3章介绍了Rubin的潜在结果模型，包括潜在结果模型的基本概念、假设，以及因果效应估计方法。第4章介绍了Pearl结构因果模型框架下的do演算、因果贝叶斯网络、结构因果模型的基本概念。第5章介绍了混杂偏差的图形化定义与识别、后门准则和前门准则。第6章介绍了图形化定义的选择偏差与计算方法。第7章和第8章分别介绍了反事实和中介效应。第9章介绍了图形化定义的工具变量的基本概念和计算方法。第10～12章介绍了从观测数据中学习因果结构的基本概念与方法。第13章介绍了因果结构未知情形下的因果效应估计方法。

俞奎，合肥工业大学教授，博士生导师，安徽省人工智能学会副理事长。2013年博士毕业于合肥工业大学，2013年至2018年分别在加拿大、澳大利亚全职从事科学研究工作。主要研究方向为因果推断与可信学习，先后在/EEE TPAMI、/EEETKDE、KDD、ICML等国际重要学术期刊与顶级会议发表论文60余篇。曾获2014年中国计算机学会优秀博士学位论文奖。主持科技创新2030“新一代人工智能”重大项目课题、子课题、国家自然科学基金面上项目多项。

推荐序
前言
符号表
第一部分 因果推断基础
第1章 因果关系推断的基本概念
1.1 因果关系推断
1.2 混杂与辛普森悖论
1.3 随机对照试验
1.4 数据驱动的因果推断模型
1.5 图模型
1.5.1 有向无环图
1.5.2 最大祖先图
1.6 贝叶斯网络
参考文献
第二部分 Rubin潜在结果模型与因果效应
第2章 潜在结果模型与因果效应的概念
2.1 潜在结果模型的概念
2.1.1 潜在结果的定义
2.1.2 潜在结果模型
2.2 因果效应定义与假设
2.2.1 个体因果效应
2.2.2 平均因果效应
2.2.3 异质性因果效应
2.3 拓展阅读
参考文献
第3章 因果效应估计方法
3.1 匹配方法
3.1.1 选择协变量
3.1.2 定义距离度量
3.1.3 选择匹配算法
3.1.4 评估匹配算法
3.2 分层方法
3.3 重加权方法
3.3.1 样本重加权
3.3.2 样本和协变量重加权
3.4 表示学习方法
3.4.1 问题转化
3.4.2 反事实回归方法
……
第三部分 Pearl因果图模型与方法
第四部分 因果结构学习方法
第五部分 因果结构未知情形下的因果效应估计