基于Python的因果推斷
劉繼紅, 謝艷玲, 于愷 譯
出版時間：2025年03月
頁數(shù)：407
“Matheus撰寫了這本教你如何擺脫玩具模型，掌握處理現(xiàn)實數(shù)據(jù)和解決重要實際問題最新方法的最好的書。”
——Sean J. Taylor
數(shù)據(jù)分析公司Motif Analytics首席科學(xué)家
“本書是因果推斷的入門書，重點介紹了Python數(shù)據(jù)分析社區(qū)非常熟悉的工具和環(huán)境?！?br /> ——Nick Huntington-Klein
經(jīng)濟學(xué)教授，The Effect: An Introduction to Research Design and Causality作者
多花一美元的在線營銷能吸引多少買家？哪些顧客有了折扣優(yōu)惠券才會購物？如何確定最優(yōu)定價策略？因果推斷是確定您手中擁有的杠桿如何影響您想要追求的業(yè)務(wù)指標的最好辦法。這只需要幾行Python代碼而已。
本書作者闡述了因果推斷在估計影響和效應(yīng)方面尚未開發(fā)的巨大潛力。管理者、數(shù)據(jù)科學(xué)家，以及業(yè)務(wù)分析人員將學(xué)習(xí)到A/B測試、線性回歸、傾向性評分、合成控制、雙重差分等經(jīng)典因果推斷方法和基于機器學(xué)習(xí)的異質(zhì)效應(yīng)估計等新進展。每種方法都用行業(yè)應(yīng)用示例加以說明。
本書將幫助讀者：
● 學(xué)習(xí)如何理解因果推斷的基本概念。
● 將業(yè)務(wù)問題定義為因果推斷問題。
● 理解偏差如何干擾因果推斷。
● 學(xué)習(xí)因果效應(yīng)如何能夠因人而異。
● 將相同客戶不同時間的觀測用于因果推斷。
● 在隨機化不可行的時候利用地理和回溯實驗。
● 檢驗非遵從性偏差和效應(yīng)稀釋
——Sean J. Taylor
數(shù)據(jù)分析公司Motif Analytics首席科學(xué)家
“本書是因果推斷的入門書，重點介紹了Python數(shù)據(jù)分析社區(qū)非常熟悉的工具和環(huán)境?！?br /> ——Nick Huntington-Klein
經(jīng)濟學(xué)教授，The Effect: An Introduction to Research Design and Causality作者
多花一美元的在線營銷能吸引多少買家？哪些顧客有了折扣優(yōu)惠券才會購物？如何確定最優(yōu)定價策略？因果推斷是確定您手中擁有的杠桿如何影響您想要追求的業(yè)務(wù)指標的最好辦法。這只需要幾行Python代碼而已。
本書作者闡述了因果推斷在估計影響和效應(yīng)方面尚未開發(fā)的巨大潛力。管理者、數(shù)據(jù)科學(xué)家，以及業(yè)務(wù)分析人員將學(xué)習(xí)到A/B測試、線性回歸、傾向性評分、合成控制、雙重差分等經(jīng)典因果推斷方法和基于機器學(xué)習(xí)的異質(zhì)效應(yīng)估計等新進展。每種方法都用行業(yè)應(yīng)用示例加以說明。
本書將幫助讀者：
● 學(xué)習(xí)如何理解因果推斷的基本概念。
● 將業(yè)務(wù)問題定義為因果推斷問題。
● 理解偏差如何干擾因果推斷。
● 學(xué)習(xí)因果效應(yīng)如何能夠因人而異。
● 將相同客戶不同時間的觀測用于因果推斷。
● 在隨機化不可行的時候利用地理和回溯實驗。
● 檢驗非遵從性偏差和效應(yīng)稀釋
- 前言
- 第一部分 基礎(chǔ)知識
- 第1章 因果推斷導(dǎo)論
- 1.1 什么是因果推斷
- 1.2 為什么要做因果推斷
- 1.3 機器學(xué)習(xí)與因果推斷
- 1.4 關(guān)聯(lián)關(guān)系與因果關(guān)系
- 1.4.1 處理和結(jié)果
- 1.4.2 因果推斷的基本問題
- 1.4.3 因果模型
- 1.4.4 干預(yù)
- 1.4.5 個體處理效應(yīng)
- 1.4.6 潛在結(jié)果
- 1.4.7 一致性假設(shè)與穩(wěn)定單元處理值假設(shè)
- 1.4.8 關(guān)注的因果量
- 1.4.9 因果量示例
- 1.5 偏差
- 1.5.1 偏差方程
- 1.5.2 偏差可視化
- 1.6 識別處理效應(yīng)
- 1.6.1 獨立性假設(shè)
- 1.6.2 基于隨機化的識別
- 1.7 本章小結(jié)
- 第2章 隨機試驗與統(tǒng)計學(xué)
- 2.1 隨機化的強制獨立性
- 2.2 A/B測試示例
- 2.3 理想試驗
- 2.4 最危險的方程
- 2.5 估計的標準誤差
- 2.6 置信區(qū)間
- 2.7 假設(shè)檢驗
- 2.7.1 零假設(shè)
- 2.7.2 檢驗統(tǒng)計量
- 2.8 p值
- 2.9 功效
- 2.10 樣本量計算
- 2.11 本章小結(jié)
- 第3章 圖形化因果模型
- 3.1 關(guān)于因果關(guān)系的思考
- 3.1.1 因果關(guān)系的可視化
- 3.1.2 咨詢顧問聘用示例
- 3.2 圖形化因果模型的速成課
- 3.2.1 因果鏈
- 3.2.2 因果分叉
- 3.2.3 因果失范或因果對撞
- 3.2.4 關(guān)聯(lián)流備忘單
- 3.2.5 因果圖查詢
- 3.3 識別的再認識
- 3.4 CIA與調(diào)整公式
- 3.5 正值假設(shè)
- 3.6 利用數(shù)據(jù)的因果識別示例
- 3.7 混淆偏差
- 3.7.1 替代混淆
- 3.7.2 再論隨機化
- 3.8 選擇偏差
- 3.8.1 限定對撞因子
- 3.8.2 調(diào)整選擇偏差
- 3.8.3 限定中介變量
- 3.9 本章小結(jié)
- 第二部分 偏差調(diào)整
- 第4章 線性回歸的不合理有效性
- 4.1 線性回歸
- 4.1.1 為什么需要模型
- 4.1.2 A/B測試中的回歸
- 4.1.3 回歸調(diào)整
- 4.2 回歸理論
- 4.2.1 單變量線性回歸
- 4.2.2 多變量線性回歸
- 4.3 弗里希-沃-洛弗爾定理和正交化
- 4.3.1 去偏步驟
- 4.3.2 去噪步驟
- 4.3.3 回歸估計的標準誤差
- 4.3.4 最終結(jié)果模型
- 4.3.5 FWL總結(jié)
- 4.4 作為結(jié)果模型的回歸
- 4.5 正值性和外推
- 4.6 線性回歸的非線性
- 4.6.1 處理的線性化
- 4.6.2 非線性FWL和去偏
- 4.7 虛擬變量的回歸
- 4.7.1 條件隨機實驗
- 4.7.2 虛擬變量
- 4.7.3 飽和回歸模型
- 4.7.4 方差加權(quán)平均回歸
- 4.7.5 去義和固定效應(yīng)
- 4.8 遺漏變量偏差：回歸視角下的混雜因子
- 4.9 中性控制
- 4.9.1 噪聲誘導(dǎo)控制
- 4.9.2 特征選擇：偏差與方差的權(quán)衡
- 4.10 本章小結(jié)
- 第5章 傾向性評分
- 5.1 管理培訓(xùn)的影響
- 5.2 基于回歸的調(diào)整
- 5.3 傾向性評分基礎(chǔ)
- 5.3.1 傾向性得分估計
- 5.3.2 傾向性得分和正交化
- 5.3.3 傾向性得分匹配
- 5.3.4 逆傾向性加權(quán)法
- 5.3.5 IPW的方差
- 5.3.6 傾向性權(quán)重的穩(wěn)定化
- 5.3.7 偽群體
- 5.3.8 選擇偏差
- 5.3.9 偏差-方差權(quán)衡
- 5.3.10 正值性
- 5.4 基于設(shè)計的識別與基于模型的識別
- 5.5 雙重穩(wěn)健估計
- 5.5.1 處理容易建模的示例
- 5.5.2 結(jié)果容易建模的示例
- 5.6 面向連續(xù)處理的廣義傾向性得分
- 5.7 本章小結(jié)
- 第三部分 效應(yīng)異質(zhì)性與個性化
- 第6章 效應(yīng)異質(zhì)性
- 6.1 從ATE到CATE
- 6.2 為什么預(yù)測結(jié)果不是答案
- 6.3 利用回歸估計CATE
- 6.4 評估CATE預(yù)測結(jié)果
- 6.5 按模型分位數(shù)劃分的效應(yīng)
- 6.6 累積效應(yīng)
- 6.7 累計增益
- 6.8 目標轉(zhuǎn)換
- 6.9 預(yù)測模型適用于效應(yīng)排序
- 6.9.1 邊際遞減收益
- 6.9.2 二元結(jié)果
- 6.10 用于決策的CATE
- 6.11 本章小結(jié)
- 第7章 元學(xué)習(xí)器
- 7.1 用于離散性處理的元學(xué)習(xí)器
- 7.1.1 T學(xué)習(xí)器
- 7.1.2 X學(xué)習(xí)器
- 7.2 用于連續(xù)性處理的元學(xué)習(xí)器
- 7.2.1 S學(xué)習(xí)器
- 7.2.2 雙重/去偏機器學(xué)習(xí)
- 7.3 本章小結(jié)
- 第四部分 面板數(shù)據(jù)
- 第8章 雙重差分法
- 8.1 面板數(shù)據(jù)
- 8.2 經(jīng)典雙重差分法
- 8.2.1 帶有結(jié)果增長的雙重差分法
- 8.2.2 帶最小二乘法的雙重差分法
- 8.2.3 帶有固定效應(yīng)的雙重差分法
- 8.2.4 多時間段
- 8.2.5 推斷分析
- 8.3 識別假設(shè)
- 8.3.1 平行趨勢
- 8.3.2 無預(yù)期假設(shè)和穩(wěn)定單元處理效應(yīng)假設(shè)
- 8.3.3 嚴格外生性假設(shè)
- 8.3.4 無時間變化混雜因子
- 8.3.5 無反饋
- 8.3.6 無結(jié)轉(zhuǎn)效應(yīng)和無滯后因變量
- 8.3.7 效應(yīng)時變性
- 8.3.8 帶有協(xié)變量的雙重差分法
- 8.4 雙重穩(wěn)健的雙重差分法
- 8.4.1 傾向性評分模型
- 8.4.2 結(jié)果增量模型
- 8.4.3 整合所有要素
- 8.5 交錯采用
- 8.5.1 時變的效應(yīng)
- 8.5.2 協(xié)變量
- 8.6 本章小結(jié)
- 第9章 合成控制
- 9.1 在線營銷數(shù)據(jù)集
- 9.2 矩陣表示
- 9.3 作為水平回歸的合成控制
- 9.4 標準合成控制
- 9.5 帶有協(xié)變量的合成控制
- 9.6 去偏合成控制
- 9.7 推斷分析
- 9.8 合成雙重差分法
- 9.8.1 雙重差分法回顧
- 9.8.2 合成控制回顧
- 9.8.3 估計時間權(quán)重
- 9.8.4 合成控制與雙重差分法
- 9.9 本章小結(jié)
- 第五部分 替代實驗設(shè)計
- 第10章 地理與回溯實驗
- 10.1 地理實驗
- 10.2 合成控制設(shè)計
- 10.2.1 處理單元的隨機集合
- 10.2.2 隨機搜索
- 10.3 回溯實驗
- 10.3.1 序列的潛在結(jié)果
- 10.3.2 估計延滯效應(yīng)的階
- 10.3.3 基于設(shè)計的估計
- 10.3.4 最優(yōu)回溯設(shè)計
- 10.3.5 穩(wěn)健方差
- 10.4 本章小結(jié)
- 第11章 非遵從性和工具變量
- 11.1 非遵從性
- 11.2 擴展?jié)撛诮Y(jié)果
- 11.3 工具變量識別假設(shè)
- 11.4 第一階段
- 11.5 簡化形式
- 11.6 兩階段最小二乘法
- 11.7 標準誤差
- 11.8 額外的控制變量和工具變量
- 11.8.1 手工實現(xiàn)兩階段最小二乘法
- 11.8.2 矩陣實現(xiàn)
- 11.9 斷點設(shè)計
- 11.9.1 斷點設(shè)計假設(shè)
- 11.9.2 意向處理效應(yīng)
- 11.9.3 工具變量估計
- 11.9.4 簇聚
- 11.10 本章小結(jié)
- 第12章 展望
- 12.1 因果發(fā)現(xiàn)
- 12.2 連續(xù)決策
- 12.3 因果強化學(xué)習(xí)
- 12.4 因果預(yù)測
- 12.5 域自適應(yīng)
- 12.6 結(jié)束語
書名：基于Python的因果推斷
作者：Matheus Facure 著
譯者：劉繼紅, 謝艷玲, 于愷 譯
國內(nèi)出版社：中國電力出版社
出版時間：2025年03月
頁數(shù)：407
書號：978-7-5198-9740-6
原版書書名：Causal Inference in Python
原版書出版商：O'Reilly Media
Matheus Facure
Matheus Facure是Nubank（亞洲以外最大財經(jīng)科技公司）的經(jīng)濟學(xué)家和高級數(shù)據(jù)科學(xué)家。他在很多商務(wù)場景成功應(yīng)用了因果推斷技術(shù)，從自動實時信用卡決策到交叉郵件與營銷預(yù)算優(yōu)化。他也是《Causal Inference for the Brave and True》一書的著者。
這本暢銷書旨在以一種輕松但嚴謹?shù)姆绞酵苿右蚬茢喑蔀橹髁餮芯颗c應(yīng)用技術(shù)。
這本暢銷書旨在以一種輕松但嚴謹?shù)姆绞酵苿右蚬茢喑蔀橹髁餮芯颗c應(yīng)用技術(shù)。
本書封面上的動物是綠樹蜥（學(xué)名：green forest lizard）。拉丁名源自希臘語kalos，意思是精致或纖細優(yōu)美。樹蜥屬的特征是在某些條件下能夠變色。例如，雄綠樹蜥的頭部和喉嚨在繁殖季節(jié)呈鮮紅色。平時，它們往往呈淡黃或棕綠色，而整個背部出現(xiàn)白色或深綠色條紋。
綠樹蜥屬于中到大體型的蜥蜴，平均身長19.5~25.5英寸。該長度包括其特別細長的尾巴。
綠樹蜥僅生存于斯里蘭卡、印度西高止山脈和舍瓦羅伊丘陵地區(qū)的生物多樣性森林里。部分棲息地是保護區(qū)，它們成千上萬的鄰近物種則受到威脅。綠樹蜥種群是穩(wěn)定的。O’Reilly書籍封面上的很多動物都是瀕危動物，都是世界寶貴動物。
綠樹蜥屬于中到大體型的蜥蜴，平均身長19.5~25.5英寸。該長度包括其特別細長的尾巴。
綠樹蜥僅生存于斯里蘭卡、印度西高止山脈和舍瓦羅伊丘陵地區(qū)的生物多樣性森林里。部分棲息地是保護區(qū)，它們成千上萬的鄰近物種則受到威脅。綠樹蜥種群是穩(wěn)定的。O’Reilly書籍封面上的很多動物都是瀕危動物，都是世界寶貴動物。
購買選項
|
© 2026，奧萊利技術(shù)咨詢(北京)有限公司。版權(quán)所有。 傳真: +86-10-88097463 京ICP備05003502號 |
|