因果推断学习笔记

推荐系统与因果推断的结合是近几年来一个十分有趣的研究方向。本文提出了一种统一的推荐系统中的因果分析框架，可以将许多经典的推荐系统的研究问题归结到因果推断，并使用后者的理论进行分析。

为了解决其他变量/协变量干扰因果效应的问题，老爷子提出了后门准则 & 前门准则。 后门准则 假设在变量图中，想要探究 $X\to Y$的因果效应 但是图中总有一些指向$X$的、看得见（图中有显示）却摸

因果推断中的干预概念。 上一篇主要讲因果模型的形式化表示方法（结构因果模型）。从这一篇开始，主要围绕如何在现实场景中推断因果的问题展开叙述。

上一篇的综述论文读的比较懵。为此，从这一篇开始记录Judea Pearl的Causal Inference in Statistics: A Primer的阅读笔记，将经典的因果推断理论基础打好。

本篇主要记录 A Survey of Learning Causality with Data: Problems and Methods 的调研记录。这是一篇机器学习研究者视角下的因果推断研究综述。

因果推断的基本概念。 基本概念 相关与因果的不同 相关性 $\neq$ 因果性 相关性是双向的；因果性是单向的。因果关系会在统计层面导致相关性，但相关性并不蕴含因果性。 相关概念 unit: 因果推理

因果推断的常用方法: Rubin Causal Model (RCM)。推断因果关系：试问某种处理/因素/变量，对于个体的状态有没有影响（因果作用）？

观测性研究中对平均因果作用（$ACE$）的估计方法：倾向得分（propensity score）、线性回归、Heckman Selection Model。本篇主要介绍倾向得分方法。