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。
因果推断的两大研究方向
- 因果推理（causal inference）：研究指定变量对另一变量的影响程度=已知因果关系，求关系强度
- 因果发现（causal discovery）：研究哪些变量会对指定变量产生影响=不知因果关系，求因果关系
用于因果推断的数据形式
- 干预型数据：至少一个变量是通过（人为）干预设定的
- 观测型数据：任何变量都是依靠因果关系中的“因”确定的
例如，为了调查顾客对餐厅满意度的影响因素，可以使用现有的点评记录数据（观测型数据）或通过进行某些处理/干预来收集不同条件下的点评记录数据（干预型）。一般观测型数据比干预型数据更加容易获得。
用于因果推理的数据
共有3种形式：
- 标准数据集：
: 样本特征矩阵 : 样本处理向量。第 个分量标记样本 被处理（值为1）或未处理（值为0） : 样本结果向量。第 个分量标记样本处理/未处理后的状态
- 标记不同数据单元间相互连结关系的辅助信息（用矩阵
表示） - 例如时间序列、时序点过程（由不同时间点的随机事件组成的随机过程）、属性网络
- 不直接显示目标变量间的因果关系，但不同数据单元间的联系间接蕴含了因果关系
- 包含未观测的干扰因素（unobserved confounders）的数据
- 辅助变量（instrumental variable）
- 中介变量（mediator）
- running variable （暂不理解，待补充）
用于因果发现的数据
- 多元数据
+标准因果图 ，其中 用于因果发现模型的评测 源于先验知识，有可能是不完善(incomplete)的。
- 多元时间序列数据+标准因果图
因果推断的基本框架
- 结构因果模型（Structural Causal Model, SCM）
- 潜在结果框架（Potential Outcome Framework）
第一次读因果推断的综述论文，比较懵。
接下来以阅读Judea Pearl的Causal Inference in Statistics: A Primer为主。