因果推断领域新书（附PDF）：Causal Inference：What If

集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「集智斑图」推送论文信息。扫描上方二维码即可一键订阅。

因果推断是当今机器学习领域炙手可热的研究方向，而图灵奖得主贝叶斯网络之父 Judea Pearl 的著作《为什么》更是让该领域的知识得以普及。而在2020年末，由哈佛大学公共卫生学院的 Miguel Hernan 与 Jamie Robins 教授合作完成的因果推断领域的新书Causal Inference: What If，更是详细全面地阐述了因果推断领域的基本概念与背后的理论基础。

Causal Inference: What If

书籍名称：Causal Inference: What If

依照二位作者的编排，本书的难度是逐级递增的。第一部分主要介绍的是无模型的因果推断；而第二部分则介绍有模型的因果推断；在第三部分中，则把笔墨的重点放在了：如何在复杂的纵向数据中进行因果推断。并把适用于所有读者的疑难点（Fine Points）和针对专业人士的技术点（Technical points）都穿插在行文中。

正如作者所言：目前现有的因果推断资料大多是散落在学术期刊上的文章。作者希望这本书可以帮助到所有对因果推断感兴趣的读者，特别是希望社会科学和健康领域的人士能够从中受益。

主要目录章节

Introduction: Towards less casual causal inferences

I Causal inference without models

1 A definition of causal effect

2 Randomized experiments

3 Observational studies

4 Effect modification

5 Interaction

6 Graphical representation of causal effects

7 Confounding

8 Selection bias

9 Measurement bias

10 Random variability

II Causal inference with models

11 Why model?

12 IP weighting and marginal structural models

13 Standardization and the parametric g-formula

14 G-estimation of structural nested models

15 Outcome regression and propensity scores

16 Instrumental variable estimation

17 Causal survival analysis

18 Variable selection for causal inference

III Causal inference from complex longitudinal data

19 Time-varying treatments

20 Treatment-confounder feedback

21 G-methods for time-varying treatments

22 Target trial emulation

References