教程：面向应用研究人员和流行病学家的计算因果推理简介 马修·詹姆斯·史密斯、卡米尔·马林格、伯纳德·雷切特、穆罕默德·A·曼苏尼亚、保罗·齐维奇、斯蒂芬·R·科尔、米格尔·安吉尔·卢克·费尔南德斯 该存储库向科学界提供预印本手稿中使用的数据和代码，请访问 引用此存储库： 马修·詹姆斯·史密斯、卡米尔·马林格、伯纳德·雷切特、穆罕默德·A·曼苏尼亚、保罗·齐维奇、斯蒂芬·R·科尔、米格尔·安吉尔·卢克·费尔南德斯 抽象的 许多健康研究的目的是估计暴露对结局的影响。 在随机对照试验中为个体分配暴露并不总是符合道德的，而是必须使用观察数据和适当的研究设计。 观察性研究存在重大挑战，其中之一是混杂，可能导致对因果效应的估计有偏差。 混杂控制通常通过对测量混杂因素的简单调整来执行； 然而，这往往是不够的。 因果推理领域的最新进展已经通过建立在经典标准化方法的基础上来解决混淆问题。 然而，这些最近的进

可以解决辛普森悖论的疑惑，讲了统计的一些基础知识

因果推论360 一个Python包，用于从观测数据推断因果关系。 描述 因果推论分析可以根据实际的非实验性观察数据估算干预对某些结果的因果效应。 该软件包在统一的scikit-learn启发式API下提供了一组因果方法。 它实现了允许插入任意复杂的机器学习模型的元算法。 这种模块化方法支持高度灵活的因果建模。 类似于拟合和预测的API使得可以训练一组示例并估计对另一组示例的影响（“袋外”），从而可以更“诚实”地进行1效果估计。 该软件包还包括一个评估套件。 由于大多数因果模型在内部利用机器学习模型，因此我们可以通过从因果角度重新解释已知的机器学习评估来诊断性能不佳的模型。 如果您在科学背景下使用它，请考虑引用 ： @article { causalevaluations , title = { An Evaluation Toolkit to Guide Model Selec

因果推断表示：因果推断简介

https://www.bradyneal.com/causal-inference-course 这个课程的笔记

在这篇演讲中，我将介绍因果人工智能(因果结构学习、因果推理、反事实推理、因果表征学习和因果迁移学习)在解决计算机系统中几个重要而突出的挑战方面的最新进展。接下来，我将介绍我们的因果AI方法，用于在高度可配置的组合系统中进行鲁棒的性能工程(性能调试、性能优化和性能预测)。特别地，我将介绍在设备上ML系统和大数据分析管道中识别和修复性能故障的最新结果。最后，我将讨论因果AI在测试自主机器人和动态重构无服务器系统和微服务方面的未来方向和机会。 视频地址： https://www.youtube.com/watch?v=csB_cF6MA9A

Judea Pearl的2018年新书，关于Causal Inference。是一本科普书，但是内容挺翔实的，是本不错的因果推理入门。

贝叶斯网、动态贝叶斯网结构学习SEM算法 MATLAB包

DoWhy is a Python library that makes it easy to estimate causal effects. DoWhy is based on a unified language for causal inference, combining causal graphical models and potential outcomes frameworks.

数十年来，因果推理是一个跨统计、计算机科学、教育、公共政策和经济学等多个领域的重要研究课题。在这项调查中，我们提供了一个全面的综述因果推理方法下的潜在结果框架，一个众所周知的因果推理框架。