封面
前折页
书名页
版权
中文版序
推荐者序
译者序
我为什么写这本书：回顾与期望
第2版前言
第1版前言
第1章 概率、图及因果模型
 1.1 概率论概述
  1.1.1 为什么学习概率
  1.1.2 概率论的基本概念
  1.1.3 预测支持与诊断支持结合
  1.1.4 随机变量与期望
  1.1.5 条件独立与图
 1.2 图与概率
  1.2.1 图的符号与术语
  1.2.2 贝叶斯网络
  1.2.3 d-分离准则
  1.2.4 贝叶斯网络推断
 1.3 因果贝叶斯网络
  1.3.1 用于干预谕言的因果网络
  1.3.2 因果关系及其稳定性
 1.4 函数因果模型
  1.4.1 结构方程
  1.4.2 因果模型中的概率预测
  1.4.3 函数模型中的干预与因果效应
  1.4.4 函数模型中的反事实
 1.5 因果与统计术语
第2章 因果关系推断理论
 2.1 简介：基本直觉
 2.2 因果发现框架
 2.3 模型偏好（奥卡姆剃刀原则）
 2.4 稳定分布
 2.5 获取DAG结构
 2.6 重建潜在结构
 2.7 因果关系推断的局部准则
 2.8 非时间因果与统计时间
 2.9 结论
  2.9.1 关于极小性、马尔可夫性和稳定性
第3章 因果图与因果效应识别
 3.1 简介
 3.2 马尔可夫模型中的干预
  3.2.1 作为干预模型的图
  3.2.2 干预作为变量
  3.2.3 计算干预效应
  3.2.4 因果量值的识别
 3.3 控制混杂偏差
  3.3.1 后门准则
  3.3.2 前门准则
  3.3.3 实例：吸烟与基因型理论
 3.4 干预的计算
  3.4.1 符号预备
  3.4.2 推断规则
  3.4.3 因果效应的符号推导：一个实例
  3.4.4 基于替代试验的因果推断
 3.5 可识别性的图模型检验
  3.5.1 识别模型
  3.5.2 非识别模型
 3.6 讨论
  3.6.1 要求与扩展
  3.6.2 图作为一种数学语言
  3.6.3 从图转换到潜在结果
  3.6.4 与Robins的G-估计的关系
第4章 行动、计划和直接效应
 4.1 简介
  4.1.1 行动、动作和概率
  4.1.2 决策分析中的行动
  4.1.3 行动和反事实
 4.2 条件行动与随机策略
 4.3 什么时候行动的结果是可识别的
  4.3.1 基于图的识别条件
  4.3.2 识别效率
  4.3.3 对控制问题解析解的推导
  4.3.4 总结
 4.4 动态计划的可识别性
  4.4.1 动机
  4.4.2 识别计划：符号和假设
  4.4.3 识别计划：序贯后门准则
  4.4.4 识别计划：计算流程
 4.5 直接效应和间接效应
  4.5.1 直接效应与总效应
  4.5.2 直接效应、定义和识别
  4.5.3 案例：大学录取中的性别歧视问题
  4.5.4 自然直接效应
  4.5.5 间接效应与中介公式
第5章 社会学和经济学中的因果关系与结构模型
 5.1 简介
  5.1.1 寻找因果语言
  5.1.2 SEM：它的意义怎么变模糊了
  5.1.3 图作为一种数学语言
 5.2 图与模型检验
  5.2.1 结构模型的可检验性含义
  5.2.2 检验可检验性
  5.2.3 模型等价性
 5.3 图与可识别性
  5.3.1 线性模型中的参数识别
  5.3.2 与非参数识别的比较
  5.3.3 因果效应：SEM的干预解释
 5.4 部分概念基础
  5.4.1 结构参数真实意味着什么
  5.4.2 效应分解的解释
  5.4.3 外生性、超外生性及其他话题
 5.5 结论
 5.6 第2版附言
  5.6.1 计量经济学的觉醒
  5.6.2 线性模型的识别问题
  5.6.3 因果论断的鲁棒性
第6章 辛普森悖论、混杂与可压缩性
 6.1 剖析辛普森悖论
  6.1.1 一个有关悖论的示例
  6.1.2 统计学中苦恼的事情
  6.1.3 因果关系与可交换性
  6.1.4 悖论已解决（或者，人是什么类型的机器）
 6.2 为什么没有关于混杂的统计检验，为什么许多人认为应该有，为什么他们是正确的
  6.2.1 简介
  6.2.2 因果定义和关联定义
 6.3 关联性准则如何失效
  6.3.1 凭借边缘化使充分性失效
  6.3.2 凭借封闭世界假定使充分性失效
  6.3.3 凭借无益代理使必要性失效
  6.3.4 凭借偶然抵消使必要性失效
 6.4 稳定无偏与偶然无偏
  6.4.1 动机
  6.4.2 形式化定义
  6.4.3 稳定无混杂的运算检验
 6.5 混杂、可压缩性和可交换性
  6.5.1 混杂与可压缩性
  6.5.2 混杂与混杂因子
  6.5.3 可交换性与混杂结构分析
 6.6 结论
第7章 结构化反事实的逻辑
 7.1 结构模型语义学
  7.1.1 定义：因果模型、行动与反事实
  7.1.2 评估反事实：确定性分析
  7.1.3 评估反事实：概率分析
  7.1.4 孪生网络法
 7.2 结构模型的应用与解释
  7.2.1 线性经济计量模型政策分析：示例
  7.2.2 反事实的实证性内容
  7.2.3 因果解释、表达及其理解
  7.2.4 从机制到行动再到因果
  7.2.5 Simon因果顺序
 7.3 公理刻画
  7.3.1 结构反事实的公理
  7.3.2 反事实逻辑中的因果效应：示例
  7.3.3 因果相关性公理
 7.4 基于结构化和相似性的反事实
  7.4.1 与Lewis反事实的关系
  7.4.2 公理系统的比较
  7.4.3 成像与条件
  7.4.4 与Neyman-Rubin框架的关系
  7.4.5 外生性和工具变量：反事实定义和图模型定义
 7.5 结构因果与概率因果
  7.5.1 对时序的依赖性
  7.5.2 死循环风险
  7.5.3 与孩子们一起挑战封闭世界假定
  7.5.4 特例因果与一般因果
  7.5.5 总结
第8章 不完美实验：边界效应和反事实
 8.1 简介
  8.1.1 不完美与间接实验
  8.1.2 不依从性与治疗意愿
 8.2 利用工具变量界定因果效应的范围
  8.2.1 问题的形式化表述：约束优化
  8.2.2 正则划分：有限响应变量的演化
  8.2.3 线性规划公式
  8.2.4 自然边界
  8.2.5 对于处理（治疗）者的处理效应（ETT）
  8.2.6 示例：消胆胺的作用
 8.3 反事实和法律责任
 8.4 工具变量测试
 8.5 解决不依从性的一种贝叶斯方法
  8.5.1 贝叶斯方法和吉布斯采样
  8.5.2 样本量和先验分布的效应
  8.5.3 从不完全依从的临床数据中估计因果效应
  8.5.4 特例事件因果关系的贝叶斯估计
 8.6 结论
第9章 因果关系概率：解释和识别
 9.1 简介
 9.2 充分必要原因：识别条件
  9.2.1 定义、符号和基本关系
  9.2.2 外生性下的界限与基本关系
  9.2.3 单调性和外生性下的可识别性
  9.2.4 单调性和非外生性下的可识别性
 9.3 实例与应用
  9.3.1 实例1：公平硬币下注
  9.3.2 实例2：刑法执行
  9.3.3 实例3：辐射对白血病的影响
  9.3.4 实例4：来自实验数据和非实验数据的法律责任
  9.3.5 结果总结
 9.4 非单调模型的可识别性
 9.5 结论
第10章 实际原因
 10.1 引言：必要因果关系的不充分性
  10.1.1 重新探讨特例原因
  10.1.2 抢占和结构信息的作用
  10.1.3 过度确定和准依赖性
  10.1.4 Mackie的INUS条件
 10.2 产生、依赖和维持
 10.3 因果束和基于维持的因果关系
  10.3.1 因果束：定义及其含义
  10.3.2 实例：从析取式到通用公式
  10.3.3 束、抢占以及特例事件因果关系的概率
  10.3.4 路径切换因果关系
  10.3.5 时序抢占
 10.4 结论
第11章 对读者的回应、阐述和讨论
 11.1 因果、统计和图的术语
  11.1.1 区分因果和统计是必要的吗
  11.1.2 无须担心的d-分离（第1章）
 11.2 逆转统计时间（第2章）
 11.3 估计因果效应
  11.3.1 后门准则背后的直观理解（第3章）
  11.3.2 揭开神秘的“强可忽略性”
  11.3.3 后门准则的另一种证明
  11.3.4 协变量选择中的数据与知识
  11.3.5 理解倾向得分
  11.3.6 do-算子背后的直观性
  11.3.7 G-估计的有效性
 11.4 策略评估与do-操作
  11.4.1 识别附条件计划（4.2节）
  11.4.2 间接效应的意义
  11.4.3 do(x)能够表示实际实验吗
  11.4.4 do(x)操作是通用的吗
  11.4.5 没有操纵的因果关系
  11.4.6 与Cartwright一起追猎原因
  11.4.7 非模块化的错觉
 11.5 线性结构模型中的因果分析
  11.5.1 参数识别的一般准则（第5章）
  11.5.2 结构系数的因果解释
  11.5.3 为SEM（或者SEM救生包）的因果解释辩护
  11.5.4 今天的经济学模型在哪里——与Heckman一起追求原因
  11.5.5 外部变化与外科手术
 11.6 决策与混杂（第6章）
  11.6.1 辛普森悖论与决策树
  11.6.2 时间信息对于决策树是充分的吗
  11.6.3 Lindley关于因果性、决策树和贝叶斯主义的理解
  11.6.4 为什么混杂不是一个统计学概念
 11.7 反事实的演算
  11.7.1 线性系统中的反事实
  11.7.2 反事实的意义
  11.7.3 反事实的d-分离
 11.8 工具变量与不依从性
 11.9 更多关于因果关系的概率
  11.9.1 “有罪的概率为1”有可能吗
  11.9.2 收紧因果关系的概率界限
后记：因果的艺术与科学
参考文献
索引
后折页
封底