Intro

上一篇筆記中簡單敘述因果推論的重要性，以及與統計推論結合如何實現，這份筆記將會從數學符號起手，來介紹counterfactual的架構，並且得到causal effect。在開始之前先舉個實際上的例子：我們想要評估炎性乳腺癌 (Inflammatory breast cancer)的病患中，如果施行三合一療法 (\(S\))後，存活與否 (\(Y\)) 的差別。下面將會以這個舉例貫穿全文。

Intro

有鑒於過去在中研院擔任RA時，並沒有建立良好的習慣來記錄自己三年來的所學，而這個網站為了培養這個習慣之餘，我也希望能一點點的把過去所學建檔，並且在未來能有所用，因此接下來會有一系列我個人對於因果推論的摘要，以及因果中介分析論文的內容介紹。

當然，近來因果推論在AI的領域相當盛行，而對這領域有些了解的人必然知道，事實上在40年前就已經開始有電腦科學家在進行因果推論的研究，而他們是使用一種稱為Directed Acyclic Graphs (DAG) 的模式來研究AI，而其中最著名的人就屬在UCLA資工系任教的Dr. Judea Pearl。但在流行病學與統計學領域中也有兩位相當著名的教授，分別是Dr. James Robins 以及Dr. Don Rubin兩位在Harvard的老師（甚至兩位老師的觀點也有些不同），而接下來的介紹會更接近流行病學與統計學中使用的因果推論為主，因此內容會包含較多的符號與統計概念，如果對資工以及AI有興趣的人可以去閱讀Dr. Judea Pearl所寫的“Causality”，或者是更為通俗的“因果革命”。

在MD Anderson自閉的第一學期即將結束，在參與13-16號之間的ICSA Applied Statistics Symposiums之外，還得在16號考Rice統計推論一的期末考，接下來就是寒假的小休息與reset，在念書之餘想分享一下可能是在這學校最特別的一學期，也給自己一點回顧。