Causal Inference: What If (the book)模型的因果推理部分

第十一章 为什么要建模

• 11.1 数据不能自我说明：介绍数据不能自我说明的概念和原因，以及为什么需要建模来进行因果推断。
• 11.2 参数估计器的条件均值：介绍参数估计器的条件均值的概念和应用，以及如何使用参数估计器来进行因果推断。
• 11.3 非参数估计器的条件均值：介绍非参数估计器的条件均值的概念和应用，以及如何使用非参数估计器来进行因果推断。
• 11.4 平滑：介绍平滑的概念和应用，以及如何使用平滑来处理数据中的噪声和不确定性。
• 11.5 偏差-方差权衡：介绍偏差-方差权衡的概念和应用，以及如何在建模过程中平衡偏差和方差。

第十二章 逆概率加权和边际结构模型

• 12.1 因果问题：介绍因果问题的概念和应用，以及如何使用IP加权和边际结构模型来进行因果推断。
• 12.2 通过建模估计IP权重：介绍如何通过建模来估计IP权重，以及如何使用逆概率加权来进行因果推断。
• 12.3 稳定的IP权重：介绍如何使用稳定的IP权重来进行因果推断，以及如何处理IP权重的不稳定性问题。
• 12.4 边际结构模型：介绍边际结构模型的概念和应用，以及如何使用边际结构模型来进行因果推断。
• 12.5 效应修饰和边际结构模型：介绍效应修饰和边际结构模型的概念和应用，以及如何使用边际结构模型来处理效应修饰的问题。
• 12.6 截尾和缺失数据：介绍如何处理截尾和缺失数据的问题，以及如何使用IP加权和边际结构模型来进行因果推断。

第十三章 标准化和参数g-formula

• 13.1 标准化作为IP加权的替代方法：介绍标准化的概念和应用，以及如何使用标准化来进行因果推断。
• 13.2 通过建模估计平均结果：介绍如何通过建模来估计平均结果，以及如何使用平均结果来进行因果推断。
• 13.3 将平均结果标准化到混杂因素分布：介绍如何将平均结果标准化到混杂因素分布，以及如何使用标准化来进行因果推断。
• 13.4 IP加权或标准化？：介绍如何选择IP加权或标准化来进行因果推断，以及如何权衡它们的优缺点。
• 13.5 我们对估计结果的认真程度：介绍如何评估因果推断的结果，以及如何判断估计结果的可靠性和准确性。

第十四章 结构嵌套模型的G-估计

• 14.1 因果问题再探讨：介绍因果问题的概念和应用，以及如何使用G-估计来进行因果推断。
• 14.2 可交换性再探讨：介绍可交换性的概念和应用，以及如何使用G-估计来进行因果推断。
• 14.3 结构嵌套平均模型：介绍结构嵌套平均模型的概念和应用，以及如何使用G-估计来进行因果推断。
• 14.4 排名保持：介绍排名保持的概念和应用，以及如何使用G-估计来进行因果推断。
• 14.5 G-估计：介绍G-估计的概念和应用，以及如何使用G-估计来进行因果推断。
• 14.6 带有两个或多个参数的结构嵌套模型：介绍带有两个或多个参数的结构嵌套模型的概念和应用，以及如何使用G-估计来进行因果推断。

第十五章 结果回归和倾向评分

• 15.1 结果回归：介绍结果回归的概念和应用，以及如何使用结果回归来进行因果推断。
• 15.2 倾向评分：介绍倾向评分的概念和应用，以及如何使用倾向评分来进行因果推断。
• 15.3 倾向分层和标准化：介绍倾向分层和标准化的概念和应用，以及如何使用它们来进行因果推断。
• 15.4 倾向匹配：介绍倾向匹配的概念和应用，以及如何使用倾向匹配来进行因果推断。
• 15.5 倾向模型、结构模型、预测模型：介绍倾向模型、结构模型和预测模型的概念和应用，以及如何使用它们来进行因果推断。

第十六章 为什么要建模

• 16.1 工具变量的三个条件：介绍工具变量方法的三个条件，用于解决混淆和选择偏差
• 16.2 常用的工具变量估计量：介绍工具变量方法的常用估计量，包括两阶段最小二乘法
• 16.3 第四个识别条件：同质性：介绍工具变量方法的第四个识别条件，用于解决内生性问题
• 16.4 另一种第四个条件：单调性：介绍工具变量方法的另一种识别条件，用于解决内生性问题
• 16.5 重新审视工具变量的三个条件：重新审视工具变量方法的三个条件，包括排除无关变量和排除过度识别
• 16.6 工具变量估计与其他方法的比较：介绍工具变量方法与其他方法的比较，包括回归调整和倾向得分匹配

第十七章 因果生存分析

• 17.1 风险和危险率：介绍生存分析中的风险和危险率的概念
• 17.2 从危险率到风险：介绍如何从危险率计算风险
• 17.3 为什么截尾很重要：解释截尾对生存分析的影响
• 17.4 边际结构模型的IP加权：介绍如何使用IP加权方法进行边际结构模型的估计
• 17.5 参数g公式：介绍如何使用参数g公式进行因果推断
• 17.6 结构嵌套模型的G估计：介绍如何使用G估计方法进行结构嵌套模型的估计

第十八章 变量选择用于因果推断

• 18.1 变量选择的不同目标：介绍了变量选择的不同目标，包括预测和因果推断。
• 18.2 引起或放大偏差的变量：讨论了变量选择可能引起偏差的原因。
• 18.3 因果推断和机器学习：探讨了因果推断和机器学习之间的关系。
• 18.4 双重稳健的机器学习估计量：介绍了双重稳健的机器学习估计量的概念。
• 18.5 变量选择是一个困难的问题：讨论了变量选择是一个困难的问题，因为它需要平衡偏差和方差。