MangoGO的博客

面板数据方法是因果推断中一个令人兴奋且快速发展的领域。其带来的许多承诺都源于一个事实，即拥有额外的时间维度不仅可以让你从对照单元中估算受干预组的反事实，还可以从受干预组的过去中估算。在本章中，你将探索了应用双重差分的多种方法。

本章在回归模型中考虑干预变量与协变量的交互，还将通用机器学习模型用于条件平均干预效果的估算：即所谓的元学习器。具体来说，学习了四种元学习器，其中两种仅适用于类别型干预，另外两种适用于任何类型的干预。

本章介绍通过干预异质性实现分析单元的个性化干预，这才是更贴近现实的问题解决方案。

倾向加权涉及对干预分配机制进行建模，并使用模型的预测来重新加权数据，而不是像正交化那样构建残差。在本章学习如何将第4章的原则与倾向加权相结合，以实现所谓的双重鲁棒性。

这一章是关于回归的，但是从一个非常不同于你通常在机器学习书籍中看到的角度，回归在这里不是一个预测工具。相反，这里使用回归作为一种主要调整混杂因子的方法，有时作为一种减小方差的技术。这一章的核心是，如果条件独立性成立，正交化作为一种方法，可以使干预看起来像是随机分配的。

本章中，你主要关注因果推断的识别。我们的目标是学习如何使用图形模型来透明地了解你所做的假设，并了解这些假设需要什么样的关联（因果关系或非因果关系）。要做到这一点，你必须学习关联在图中是如何流动的。下面这张小抄是这些结构的一个很好的总结，所以建议你多加理解：然后，你会发现识别等同于将因果关联流从图表中的非因果关联流中分离出来。你可以通过调整（设置条件限制）某些变量，甚至在图形上进行介入，关闭非因果关联路径，就像你做随机实验的情况一样。

本章的思想是将因果识别与估算联系起来并回顾一些重要的统计概念。这个过程的第一步是识别，就是使用关键假设，使用从数据中估算的可观测统计量来得到不可观测的因果量。第二步介绍了估算过程中使用的统计概念。

因果推断的概念，为什么需要因果推断，因果推断的基础数据表示和基本开展流程。人类的思维天然就具备因果推断能力，即使有时候是错误的。如果说关联关系就是两个变量同时变化，那么因果关系就是一个变量的变化导致另一个变量发生变化。因果推断就是从关联关系中推理出因果关系。