中英文精华总结与公式整理

本章旨在通过数学符号系统化我们对因果推断的直觉，构建全书因果推断的形式基础。以下内容涵盖全部重要结论、技术要点和细节注意点（Fine points）, 并提供中英文双语梳理，数学公式全部使用标准 $\LaTeX$ 格式书写，绝无遗漏。

Overview

本章讨论了因果推断中系统性偏差与随机变异（抽样误差）的区别、如何量化与处理随机变异，以及当高维协变量存在时（所谓“维度灾难”）的难题，并对“超总体”概念及条件性原则进行了细致分析。同时，指出即使在随机实验中也不可忽略随机误差带来的不确定性，并说明标准置信区间仅反映随机误差，不涵盖系统性偏差。

10.1 Identification versus Estimation

《因果推断：What If》第11章“为何建模？”中英文要点总结与技术要点

本章主要内容为数据建模方法的必要性、参数估计器与非参数估计器、平滑（smoothing）、以及偏差-方差权衡（bias-variance trade-off）。以下按内容顺序逐条总结，并提供所有重要技术结论、公式和关键信息。

11.1 数据不能自言自语

12.1 The Causal Question

Main Point 主旨

• Goal: Estimate the average causal effect of smoking cessation ($A$) on weight gain ($Y$).
• 目标：估算戒烟（$A$）对体重增加（$Y$）的平均因果效应。

《因果推断 WHAT IF》第十三章：标准化与参数化g公式

1. 主要内容概述 / Main Content Overview

本章主要介绍如何利用标准化（standardization）方法来估计吸烟戒断对体重增加的平均因果效应，并与上一章的逆概率加权（IP weighting）方法进行比较和联系，重点阐述了参数化g公式的思想和实现方法，同时引入了双重稳健（doubly robust）估计器。

本章主要内容为结构嵌套均值模型（SNMM, Structural Nested Mean Models）的g估计（g-estimation），它是三种g方法之一（g-methods，另两种为IP 加权和标准化），用于估计因果效应，特别适合处理时间变化的处理方案，但本章通过固定处理的例子来讲解g-估计的思想和细节。

1. 因果问题回顾 / Causal Question Revisited

Below is a comprehensive, step-by-step summary of Chapter 15: Outcome Regression and Propensity Scores from “Causal Inference: What If”, with all major points, technical details, fine points, and all formulas included.

Summary, Technical Points, and Fine Points—中英文对照总结

1. 核心内容简述 / Core Content Summary

• 本章介绍了工具变量 (Instrumental Variables, IV) 估计法，这是一种可以在存在未观测混杂时识别因果效应的方法，不同于之前章节依赖于“条件可交换性”假设的因果推断方法。
• IV 方法依赖一组特定假设（称为“工具变量条件”），并对其进行了详细的理论说明、实际应用要点及局限性讨论。
• 介绍了IV常用的点估计、结构均值模型、对同质性和单调性假设的不同解释，以及弱工具变量的严重后果。

目录结构

• 17.1 Hazards and risks（风险与风险率）
• Fine Point 17.1 (Competing events, 竞争风险)
• 17.2 From hazards to risks（从风险到风险率、累计发病率）
• Fine Point 17.2 (Hazard ratio 的困境)
• Fine Point 17.3 (生存分析的统计模型)
• 17.3 Why censoring matters（删失的重要性）
• Technical Point 17.1（用logistic模型近似hazard ratio）
• 17.4 IP weighting of marginal structural models（边际结构模型的逆概率加权）
• 17.5 The parametric g-formula（参数g公式）
• 17.6 G-estimation of structural nested models（结构嵌套模型的g估计方法）
• Technical Point 17.2（结构CFT模型与CST模型）
• Technical Point 17.3（人工删失 Artificial censoring）

主要内容概述 / Summary

本章聚焦于因果推断的数据分析中，调整变量（adjustment variables）如何选择，尤其是在高维数据和变量众多的情形下。作者区分了预测建模和因果推断变量选择的目标、问题和方法，提出了因果推断中变量选择的理论难点与实际策略，详细讲解了机器学习的引入及与双重稳健（doubly robust）估计的结合。全章强调：仅凭自动变量选择或统计关联不足以应对因果推断对混杂控制的需求，必须依赖领域知识和结构假设。