因果推断：
从"看见"到"想象"

《为什么》

Judea Pearl · The Book of Why

图灵奖得主写给大众的因果革命史：因果之梯、do-算子、辛普森悖论、吸烟-肺癌之战。建议从这本读起。

《统计因果推理入门》

Pearl 等 · Causal Inference in Statistics: A Primer

珀尔学派的正式教材，只有一百多页：DAG、d-分离、后门/前门准则、反事实——《为什么》的数学补全。

Causal Inference: What If

Hernán & Robins · 哈佛官网免费 PDF

潜在结果派 + 流行病学派的当代正典：从随机试验讲到 g-方法与目标试验模拟。行业内简称"What If"。

《基本无害的计量经济学》

Angrist & Pischke · Mostly Harmless Econometrics

"信度革命"的战地手册：工具变量、双重差分、断点回归——没有实验时，去哪里找"天然的随机化"。

Causal Inference for the Brave and True

Matheus Facure · 在线免费 + Python

把三派工具全部落成 Python 代码的业界手册：A/B 实验、元学习器、uplift 建模。程序员的因果推断入口。

因果与决策

CAUSA ET CONSILIUM

本站落点：五个推论把因果思维接进日常决策——你的证据在梯子第几层？控制变量为何不是越多越好？

因果之梯

关联、干预、反事实——三层问题，三套工具，不可混用。

混杂与后门

共同原因制造假相关。后门准则告诉你调整哪些变量能堵住它。

do-算子

"看到 X" 与 "把 X 设成某值" 是两个世界——一个符号劈开它们。

对撞与选择偏差

控制错变量比不控制更糟：对撞一被调整，假相关凭空诞生。

潜在结果

因果效应 = 两个平行世界之差，而你永远只能看到一个——根本问题及其出路。

辛普森悖论

分组看药有效，合并看药有害——数据不回答，因果图才回答。

被禁言一百年的问题

皮尔逊把"因果"逐出统计学，费雪用随机化立下金标准又在烟草战争中站错队，被遗忘的赖特、迟到的珀尔与鲁宾——一部科学史的悬疑剧。

查看时间线与群像 →

数据越多的时代，越需要它

机器学习为何停在梯子第一层、A/B 实验为何是金标准、"多控制变量"为何是迷信——因果思维是大数据时代的防身术。

进入专题 →