An introduction to Causal Modelling
因果建模导论AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕潜在结果、因果图、处理效应识别与倾向得分加权展开，直接属于因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
因果建模导论
- 研究问题
- 如何结合潜在结果与图模型理解干预和反事实问题，并将处理效应定义、随机实验识别及常用估计方法连贯地组织起来？
- 方法与思路
- 教程依次介绍效应尺度、交换性与一致性、分层及区组设计、倾向得分加权和三明治推断，再引入因果图与结构方程。
- 材料陈述的贡献
- 摘要所述贡献是整合两类因果建模语言，以清晰符号、直观解释和实践例子帮助应用研究者理解，未声称提出新估计理论。
- 阅读关注点
- 核对不同处理效应与二元结局尺度的定义，理解随机实验识别条件，并检查后门准则、干预图与潜在结果表述之间的对应。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要仅概述教程内容，未展示推导细节，也不足以判断其覆盖范围与教学完整性。
原文摘要
This tutorial provides a concise introduction to modern causal modeling by integrating potential outcomes and graphical methods. We motivate causal questions such as counterfactual reasoning under interventions and define binary treatments and potential outcomes. We discuss causal effect measures-including average treatment effects on the treated and on the untreated-and choices of effect scales for binary outcomes. We derive identification in randomized experiments under exchangeability and consistency, and extend to stratification and blocking designs. We present inverse probability weighting with propensity score estimation and robust inference via sandwich estimators. Finally, we introduce causal graphs, d-separation, the backdoor criterion, single-world intervention graphs, and structural equation models, showing how graphical and potential-outcome approaches complement each other. Emphasis is placed on clear notation, intuitive explanations, and practical examples for applied researchers.