1、因果推断是什么?

因果和相关的区别：他们两个不一样。

因果关系：当一个事件的出现导致、产生或决定了另一个事件的出现，这两个事件之间的关系就被称为因果关系。例如，外面正在下雨，不带雨具出门会被淋湿衣服。下雨和淋湿衣服之间就是因果关系， 下雨是原因，淋湿衣服是结果。

相关关系：客观现象存在的一种非确定的相互依存关系。即自变量的每一个取值，因变量由于受随机因素影响，与其所对应的数值是非确定性的。相关分析中的自变量和因变量没有严格的区别，可以互换。相关关系不等同于因果关系。因果关系必定是相关关系，而相关关系不一定是因果关系。

正确的因果关系可以发现事物本质现象，从而更好的挖掘事物背后的原因，做出更加准确的决策。因此相关是做预测，因果是做决策。如果没有因果容易造成辛普森悖论（比如整个数据集来看锻炼增加胆固醇的风险，但是事实是这样吗？）。

例如：路面潮湿和带伞是具有相关关系的，但是不具有因果关系。

那之间为会有相关关系咧？大家可以自己想一想。

2、因果推断框架

因果推断主要有两大框架领域：分别是

2.1 Rubin虚拟事实模型

通过寻找合适的对照组，进行试验，从而探究某个实验变量是否是结果变量的原因。

2.2 Pearl因果图模型

模型由有向图和观测数据构成，通过一些算法或者方法去推断变量之间是否存在因果关系进行连接，从而探究变量之间的因果关系。

3、因果书籍推荐

Rubin虚拟事实模型

what if causal （rubin）

Pearl因果图模型

大数据中的因果发现（蔡瑞初）

Causal Inference in Statistics A Primer (Judea）

4、一些感想

我自己感觉更会倾向于因果图模型，因为针对实验、或者潜在因果无法做实验，比如吸烟对孕妇影响、酗酒对寿命影响等等。但是存在即真理，每个人看待的事物的思维方式不一样，大家可以根据自己喜好去阅读书籍。

接下来作为统计学，模拟实验必不可少，关于因果推断的软件代码，我也会抽时间给大家介绍一下的。