书籍介绍
这本被无数读者标注为'难读又很重要'的书，真正的分量不在公式，而在于它彻底颠覆了'相关即因果'的直觉。Pearl 用反事实、结构方程与因果图，把'为什么'从统计学的附注提升为一门可严格推导的理论，并迫使读者直面一个尖锐问题：我们凭什么断定X导致Y，而非相反？读者反复提及的辛普森悖论、选择偏差、'共同效应'陷阱，正是全书最富争议处——它揭示了大量'控制变量'反而制造假象的怪圈。更耐人寻味的是，这本书被多人称为'哲学书'：它关注的不是如何计算，而是人类为何本能地用因果而非概率结构组织世界。它适合那些不满足于'跑回归'、渴望追问因果推理底层逻辑的人；若只想要工具手册，或许会嫌它啰嗦。
作者简介
Judea Pearl is professor of computer science and statistics at the University of California, Los Angeles, where he directs the Cognitive Systems Laboratory and conducts research in artificial intelligence, human reasoning, and philosophy of science. The author of Heuristics and Probabilistic Reasoning, he is a member of the National Academy of Engineering and a Founding Fellow of the American Association for Artificial Intelligence. Dr Pearl is the recipient of the IJCAI Research Excellence Award for 1999, the London School of Economics Lakatos Award for 2001, and the ACM Alan Newell Award for 2004. In 2008, he received the Franklin Medal for computer and cognitive science from the Franklin Institute.
AI导读
核心看点
- 本书系统构建了因果推断的数学理论框架，统一了概率论、结构因果模型与反事实推理，提供将统计相关性转化为因果关系的严格数学工具，彻底革新了传统统计学思维。
- 深入解析贝叶斯网络与有向无环图在因果建模中的应用，阐明如何通过图模型识别混杂因子、处理辛普森悖论，并基于结构方程模型进行合法的因果效应计算与推断。
- 探讨因果关系的哲学基础与认知逻辑，强调数据本身无法自动产生因果结论，必须结合对数据生成过程的语义理解与合理假设，揭示了人类认知中因果解释的深层机制。
读者共识
- 作为因果推断领域的奠基之作，本书学术地位极高，是理解现代因果理论不可绕过的经典，但因其极高的专业门槛和晦涩的表达，被广泛认为不适合初学者或非专业人士阅读。
- 读者普遍认为本书不仅是技术手册，更蕴含深刻的哲学思考，关于因果本质、认知推理的讨论极具启发性，但部分章节存在啰嗦、重复或逻辑跳跃问题，阅读体验较为痛苦。
- 尽管存在阅读障碍，但掌握其核心思想后能显著提升科研思维与逻辑严谨性，许多读者在历经艰难阅读后表示‘醍醐灌顶’，认为其提供的理论工具对纠正错误统计实践具有决定性价值。
精彩摘录
- "「他们很快意识到，确定X和Y之间因果关系方向的关键在于“存在第三个变量Z，与Y相关，与X无关」"
- "「无向图有时称为马尔可夫网络（Markov networks）（Pearl，。1988b），主要用于表示对称的空间关系（Isham，1981；Cox and Wermuth，1996；Lauritzen，1996）。有向图，尤其是DAG，用于表示因果关系或时间关系（Lauritzen，1982；Wermuth and Lauritzen，1983；Kiiveri et al.，1984）。这种图称为贝叶斯网络（Bayesian networks）」"
- "However, this corresponds to a general pattern of causal relationships: observations on a common consequence of two independent causes tend to render those causes dependent, because information about one of the causes tends to make the other more or less likely, given that the consequence has occurr"
- "In view of this stability, it is no wonder that people prefer to encode knowledge in causal rather than probabilistic structures. Probabilistic relationships, such as marginal and conditional independencies, maybe helpful in hypothesizing initial causal structures from uncontrolled observations. How"
- "「“鲁宾因果模型”或者“潜在结果模型”，其基本内容是，假设因素A和因素B都只有两个状态，为了考察因素A对于因素B的因果效应，在固定其他因素Z的前提下，设置A的两个状态A0、A1，分别计算对于B的状态影响，即计算E(B|A0,Z) = Ez{B(0)}和E(B|A1,Z) = Ez{B(1)}，它们的差Ez｛B(0)} - EzB(1)}def ACE(A → B)被定义为A对于B的平均因果效应（由于在Z固定的情况下，实际能够观察到的数据要么是A=A0，要么是A=A1，不可能同时观察到两种状态，因此有一个状态是现实中不存在的，是假设的，这个假设状态所引起的B的变化称为“潜在结果」"
- "「数据的适用性是验证因果理论的不充分标准」"
- "「但是因果分析的假定所需要的数据支持却与数据数量无关，这一点与先验假设有很大的不同。在因果分析中，一个（或一组）合理的假定会推断出相应的因果关系，如果不同意这个假定，自然也就否认因果关系成立。不同的假定会得到不同的因果结论，当然，越是简单和直观的假定，越有可能推出符合实际问题的因果结论。所以，只有数据本身是做不了因果分析的，还需要知道数据生成的过程（即数据的语义），才能做出合理的假定」"
- "「在人类话语中，因果解释满足两个期望：时间和统计。时间方面用“原因应先于结果”这一认知来表示，统计方面则期望有一个完全的因果解释来涵盖它的各种效应（即，使效应有条件的独立）；不能涵盖其效应的解释被认为是“不完整的”，剩余的相关性部分被认为是“虚假的”或“无法解释的”」"
目录
1. Introduction to probabilities, graphs, and causal models;
2. A theory of inferred causation;
3. Causal diagrams and the identification of causal effects;
4. Actions, plans, and direct effects;
5. Causality and structural models in social science and economics;
显示全部
用户评论
讨论小组一起看了第一章。
看得出来大佬想探讨众多因果相关定义背后的直观背景，如条件独立性等等（涉及bayes的概率理解），但也因此丧失了部分严格性。对sem和反事实的内在原理阐述的极为清晰～
似醍醐灌顶
大佬的教科书，不如他和人合写的那本清晰，这本有点啰嗦，当然也更全更细。
与其说是统计学/人工智能的书，不如说是哲学书。把这本书当作单纯介绍因果推断理论的专著是对Pearl思想精髓的断章取义，Pearl关注的不只是因果的问题，而且是关于人类认知推理的大问题。
第一遍读，有挺多地方没读懂，大概弄明白了因果这套东西是做什么的，以及怎么做的，大概要边实践边思考了才能理解更深了
Cambridge University Press的其他书籍查看全部
Networks of Faith and Profit
Parfit's Ethics
Negotiating Mughal Law
The History of the Arthaśāstra
A History of the Roman Equestrian Order
Jurist in Context
下载
收藏