Przedmowa

Część I. Podstawy

• 1. Wprowadzenie do wnioskowania przyczynowego
  • Czym jest wnioskowanie przyczynowe?
  • Po co stosować wnioskowanie przyczynowe?
  • Uczenie maszynowe i wnioskowanie przyczynowe
  • Asocjacja a związek przyczynowy
    • Oddziaływanie i wynik
    • Podstawowy problem z wnioskowaniem przyczynowym
    • Modele przyczynowe
    • Interwencje
    • Indywidualny efekt oddziaływania
    • Wyniki potencjalne
    • Spójność i stabilna wartość oddziaływania jednostkowego
    • Interesujące wartości przyczynowe
    • Wartości przyczynowe - przykład
  • Błąd systematyczny
    • Wzór na błąd systematyczny
    • Wizualny przewodnik po błędzie systematycznym
  • Identyfikowanie efektu oddziaływania
    • Założenie o niezależności
    • Identyfikacja przy randomizacji
  • Najważniejsze zagadnienia
• 2. Eksperymenty z randomizacją i przegląd elementów statystyki
  • "Siłowe" zapewnianie niezależności za pomocą randomizacji
  • Przykładowy test A/B
  • Idealny eksperyment
  • Najbardziej niebezpieczne równanie
  • Błąd standardowy szacunków
  • Przedziały ufności
  • Testowanie hipotez
    • Hipoteza zerowa
    • Statystyki testowe
  • Wartości p
  • Moc testu
  • Obliczanie wielkości próby
  • Najważniejsze zagadnienia
• 3. Graficzne modele przyczynowe
  • Myślenie o przyczynowości
    • Wizualizacja związków przyczynowych
    • Czy konsultanci są warci swojej ceny?
  • Błyskawiczny kurs z zakresu modeli graficznych
    • Łańcuchy
    • Rozgałęzienia
    • Kolider
    • Ściąga dotycząca przepływu asocjacji
    • Tworzenie zapytań dotyczących grafu w Pythonie
  • Jeszcze o identyfikacji
  • Założenie o warunkowej niezależności i formuła korygująca
  • Założenie o dodatniości prawdopodobieństwa
  • Przykład identyfikacji na podstawie danych
  • Błąd spowodowany zmiennymi zakłócającymi
    • Zastępcze zmienne zakłócające
    • Jeszcze o randomizacji
  • Błąd doboru
    • Warunki dotyczące kolidera
    • Korygowanie błędu doboru
    • Warunek dotyczący mediatora
  • Najważniejsze zagadnienia

Część II. Uwzględnianie błędu systematycznego

• 4. Zaskakująca skuteczność regresji liniowej
  • Potrzebujesz tylko regresji liniowej
    • Dlaczego potrzebujemy modeli?
    • Regresja w testach A/B
    • Korygowanie za pomocą regresji
  • Teoria regresji
    • Regresja liniowa pojedynczej zmiennej
    • Wielozmiennowa regresja liniowa
  • Twierdzenie Frischa-Waugha-Lovella i ortogonalizacja
    • Etap eliminowania błędu systematycznego
    • Etap eliminowania szumu
    • Błąd standardowy estymatora regresji
    • Ostateczny model wyników
    • Podsumowanie na temat twierdzenia FWL
  • Regresja jako model wyników
  • Dodatniość prawdopodobieństwa i ekstrapolacja
  • Nieliniowość w regresji liniowej
    • Linearyzacja oddziaływania
    • Nieliniowe twierdzenie FWL i eliminowanie błędu systematycznego
  • Regresja z użyciem zmiennych zastępczych
    • Eksperymenty warunkowo losowe
    • Zmienne zastępcze
    • Nasycony model regresji
    • Regresja jako średnia ważona wariancją
    • Odejmowanie średniej i efekty stałe
  • Błąd systematyczny spowodowany pominiętą zmienną - zmienne zakłócające w kontekście regresji
  • Neutralne zmienne kontrolne
    • Zmienne kontrolne powodujące szum
    • Dobór cech: kompromis między błędem systematycznym a wariancją
  • Najważniejsze zagadnienia
• 5. Wskaźnik skłonności
  • Wpływ szkoleń menedżerskich
  • Uwzględnianie zmiennych za pomocą regresji
  • Wskaźnik skłonności
    • Szacowanie wskaźnika skłonności
    • Wynik skłonności i ortogonalizacja
    • Technika PSM
    • Wagi będące odwrotnością wskaźnika skłonności
    • Wariancja w metodzie IPW
    • Stabilizowane wagi oparte na wskaźniku skłonności
    • Pseudopopulacje
    • Błąd doboru
    • Kompromis między błędem systematycznym a wariancją
    • Dodatniość prawdopodobieństwa
  • Identyfikacja oparta na projekcie a identyfikacja oparta na modelu
  • Podwójnie odporna estymacja
    • Oddziaływanie łatwe do modelowania
    • Wynik łatwy do modelowania
  • Uogólniony wskaźnik skłonności dla oddziaływania ciągłego
  • Najważniejsze zagadnienia

Część III. Niejednorodność efektu i personalizacja

• 6. Niejednorodność efektu
  • Od ATE do CATE
  • Dlaczego predykcje nie są rozwiązaniem
  • Obliczanie wartości CATE za pomocą regresji
  • Ocena predykcji wartości CATE
  • Ocena efektu na podstawie kwantyla z modelu
  • Skumulowany efekt
  • Skumulowany wzrost
  • Transformacja celu
  • Kiedy modele predykcyjne są dobre w porządkowaniu efektów?
  • Krańcowo malejące zwroty
    • Wyniki binarne
    • Wykorzystanie wartości CATE do podejmowania decyzji
  • Najważniejsze zagadnienia
• 7. Systemy metauczące
  • Systemy metauczące dla oddziaływania dyskretnego
    • T-learner
    • X-learner
  • Systemy metauczące dla oddziaływania ciągłego
    • S-learner
    • Podejście DDML
  • Najważniejsze zagadnienia

Część IV. Dane panelowe

• 8. Metoda różnicy w różnicach
  • Dane panelowe
  • Kanoniczna postać metody różnicy w różnicach
    • Różnica w różnicach ze wzrostem wyniku
    • Obliczanie różnicy w różnicach na podstawie błędu średniokwadratowego
    • Różnica w różnicach z efektami stałymi
    • Wiele przedziałów czasowych
    • Wnioskowanie
  • Założenia związane z identyfikacją
    • Trendy równoległe
    • Założenie o braku antycypacji i założenie o stabilnej wartości jednostki oddziaływania
    • Ścisła egzogeniczność
    • Brak czynników zakłócających zmiennych w czasie
    • Brak sprzężenia zwrotnego
    • Brak efektu przeniesienia i brak przesuniętej w czasie zmiennej zależnej
  • Dynamika efektu w czasie
  • Metoda różnicy w różnicach ze zmiennymi towarzyszącymi
  • Podwójnie odporna wersja metody różnicy w różnicach
    • Model oparty na wskaźniku skłonności
    • Model zmiany wyników
    • Łączenie wszystkich elementów
  • Stopniowe wprowadzanie oddziaływania
    • Niejednorodność efektu w czasie
    • Zmienne towarzyszące
  • Najważniejsze zagadnienia
• 9. Metoda syntetycznej kontroli
  • Zestaw danych dotyczących marketingu internetowego
  • Reprezentacja macierzowa
  • Metoda kontroli syntetycznej jako regresja pozioma
  • Kanoniczna wersja metody kontroli syntetycznej
  • Metoda kontroli syntetycznej ze zmiennymi towarzyszącymi
  • Eliminowanie błędu systematycznego w metodzie kontroli syntetycznej
  • Wnioskowanie
  • Metoda syntetycznej różnicy w różnicach
    • Jeszcze o metodzie różnicy w różnicach
    • Jeszcze o metodzie syntetycznej kontroli
    • Szacowanie wag związanych z czasem
    • Metoda syntetycznej kontroli i metoda różnicy w różnicach
  • Najważniejsze zagadnienia

Część V. Inne projekty eksperymentów

• 10. Eksperymenty geograficzne i eksperymenty z przełączaniem oddziaływania
  • Eksperymenty geograficzne
  • Projektowanie z syntetyczną grupą kontrolną
    • Próba z losową grupą jednostek poddanych oddziaływaniu
    • Wyszukiwanie losowe
  • Eksperyment z przełączaniem oddziaływania
    • Potencjalne wyniki dla sekwencji
    • Szacowanie stopnia efektu przeniesienia
    • Szacowanie oparte na projekcie
    • Optymalny projekt eksperymentów z przełączaniem oddziaływania
    • Odporna wariancja
  • Najważniejsze zagadnienia
• 11. Niezgodność ze schematem przydziału oddziaływania i zmienne instrumentalne
  • Niezgodność
  • Rozszerzanie notacji potencjalnych wyników
  • Założenia związane z identyfikacją zmiennych instrumentalnych
  • Pierwszy etap
  • Postać zredukowana
  • Dwuetapowa metoda najmniejszych kwadratów
  • Błąd standardowy
  • Dodatkowe zmienne kontrolne i instrumentalne
    • Ręczne stosowanie dwuetapowej metody najmniejszych kwadratów
    • Implementacja macierzowa
  • Projekt z nieciągłością
    • Założenia w projekcie z nieciągłością
    • Efekt zamiaru oddziaływania
    • Oszacowanie zmiennej instrumentalnej
    • Skupiska wartości
  • Najważniejsze zagadnienia
• 12. Dalsze kroki
  • Odkrywanie relacji przyczynowych
  • Sekwencyjne podejmowanie decyzji
  • Przyczynowe uczenie ze wzmacnianiem
  • Prognozowanie przyczynowe
  • Adaptacja domeny
  • Uwagi końcowe

Skorowidz

• Назва: Wnioskowanie przyczynowe w Pythonie. Praktyczne wykorzystanie w branży technologicznej
• Автор: Matheus Facure
• Оригінальна назва: Causal Inference in Python: Applying Causal Inference in the Tech Industry
• Переклад: Tomasz Walczak
• ISBN: 978-83-289-0882-6, 9788328908826
• Дата видання: 2024-08-20
• Формат: Eлектронна книга
• Ідентифікатор видання: wniprz
• Видавець: Helion