一、Causal Effect Estimation
下述的内容给予假设的最基本的Causal Graph
其DAG关系如下
，，（即Z为confounder）。
1、原生的并不能直接表示因果效应。
可以被解释为很多变量interaction的结果。其中一些是因果关系（causal），而另一些只是单纯的观察性关联（purely observational）。We can say that any statistically meaningful association is the result of a causal relationship somewhere in the system, but not necessarily of the causal effect of interest
2、定义因果效应。
定义：，如果我们外生地（exogenous）干涉X，能对Y造成影响，则这部分影响是我们关心的应果效应。这意味着我们必须在系统之外（outside the system）来改变X，从而影响Y。外生地改变X是为了避免系统其他变量带来的影响。
3、如何得到:
4、得到泛化的Adjustment Formula：（即通过pre-intervention的概率分布，进行adjust，以获得causal effect）
，PA为X的父节点
即，找到X的父节点PA，然后conditioning on it，得到依赖PA的条件概率，再根据计算其加权平均即可。
所以，其本质就是考虑其Parents的不同，获得加权平均。由于直接计算P(Y|X)的话，未考虑其Parents，很可能得出相反的结论，在[4]中的例子也有讲述。
5、别的手段：通过Randomized获得Causal Effect
其实我们进行完全随机试验，就是通过实验设计本身，消除指向X的Z。即实验组对照组仅有X不同。其他都是相同的，相当于X不受系统中任意的其他变量定义。这本身就是种外生地(exogenous)地修改X的手段。
我们将上述的问题继续泛化一下。如果我们要通过Causal Graph得到，我们需要Conditioning on哪些变量？
Prediction: Predict Y after observing X= x
Causation: Predict Y after setting X= x.
根据上述结论Backdoor Criterion，我们可以得到正确估计的方法：
【1】
而在Prediction中：
【2】
注意与【1】与【2】的区别。（根据Backdoor-Criterion，明显这里Z与X不是独立的，所以两者不相等）
其实很多人考虑在现实生产中，在大数据覆盖了方方面面的情况下，我们是否已经可以对万物都建模，都用特征描述了，那Confounding是否存在，或者以什么方式存在？
这个问题其实非常简单，那就是unobserved feature。举个例子，我们的特征包含用户的历史浏览点击记录，我们有个没有观测到的特征，比如用户近期经济状况。很好理解，不仅影响了用户的点击行为，同时也影响了用户的历史反馈特征，而且，这样的特征通常我们都没有观察到，所以，我们的估计，潜在都存在Confounding Bias。（由于大部分系统是一个循环的生态系统，所以这些bias在某种程度也导致了推荐所谓的同质化，马太效应等等）
Feedback Loop Amplifies Biases[10]
Refer
[1] Causal Effect：
目录：
见：
见：
之前对bias有些粗浅的讨论： Causal Bias
[2]D-Seperation
见：
简略：
[4]Causal Effect定义Intervention
见：
简略：
[5]Backdoor Criterion
见：
简略：
[6] Causal Inference CMU
estimator的选择见2.1章节，在prediction中，bias and variance are not equally important.。优化loss function的时候，其实也同时优化了bias and variance。
[7]在小样本AB test中，我们可以用随机AA实验+分层显著性校验，校验每一个分层的是否有显著性差异。
interventional distribution：Identification of Conditional Interventional Distributions
[8]Nonparametric_regression
[Linear regression] is a restricted case of nonparametric regression where is assumed to be affine.
[9]Semiparametric_model
[10]
Feedback Loop and Bias Amplification in Recommender Systems
二、reson 和 cause 的区别
reson和 cause都有“原由”、“理由”的意思，它们之间具体的区别：
1、reason与cause作名词时都有“原因”和“理由”的意思。reason通常指产生某种行为或想法的推理上的理由，而cause通常指导致某一事件发生的起因。
cause n.起因，理由，指导致某事发生的行为、事件等。
例句：
Lack of physical exercise is the leading cause of obesity in young students.
缺乏体育锻炼是青少年学生肥胖的主要原因。
reason n.原因，理由，指某事发生的原因或做某事的正当理由，常后接介词 for及 why或 that引导的从句，作“理由”解时还可后接动词不定式。
例句：
She gave her reason for being late.
她说出了迟到的原因。
2、cause用于表示具有明显因果关系的原因。reason有时能与cause换用，但上下文必须有能够查得出的或可以解释得出的因果关系。
扩展资料：
cause
英[kɔːz]美[kɔːz]
n.原因；事业；目标
vt.引起；使遭受
短语：
Cause trouble寻衅滋事;闯祸;闹事;制造祸端
main cause主因;主要原因;原因主要;主体根源
major cause主要原因;重要事由;主要病因;重要原因
efficient cause动力因;直接原因;有效原因;有效原因说
例句：
Smoking is the biggest preventable cause of death and disease.
吸烟是造成不必要疾病和死亡的最大原因。
reason：
英[ˈriːzn]美[ˈriːzn]
n.理由；理性；动机
vi.推论；劝说
vt.说服；推论；辩论
短语：
Propellerheads Reason音乐工作站
with reason合理;有道理;合乎情况;有充分理由地
fault reason故障原因
real reason真正原因;真正的原因;丝诺耶
三、causality是几级词汇
causality是四级词汇。
causality
读音：英[kɔː'zæləti]、美[kɔː'zæləti]
释义：n.缘由；因果关系。
用法：
用作名词(n.)There is no causality between financial structure and real economy.金融结构和实体经济之间并不存在因果关系。
用作名词(n.)This paper uses Granger causality tests verify above conclusions.利用格兰杰因果关系检验证实了以上结论。
词汇搭配：
principle of causality因果律。
causality of automaton自动机的因果律。
law of causality因果律。
causality condition因果条件。
causality analysis因果分析。
近义词：
cause and effect因果。
connection联系。
interconnection互相连络。
causation因果关系。