Elements of Causal Inference

Après avoir expliqué la nécessité des modèles causaux et discuté de certains des principes sous-jacents à l'inférence causale, le livre enseigne aux lecteurs comment utiliser les modèles causaux : comment calculer les distributions d'intervention, comment inférer des modèles causaux à partir de données d'observation et d'intervention, et comment les idées causales pourraient être exploitées pour des problèmes classiques d'apprentissage automatique. Tous ces sujets sont d'abord abordés en termes de deux variables, puis dans le cas multivarié plus général. Le cas bivarié s'avère être un problème particulièrement difficile pour l'apprentissage causal, car il n'y a pas d'indépendances conditionnelles comme celles utilisées par les méthodes classiques pour résoudre des cas multivariés. Les auteurs considèrent que l'analyse des asymétries statistiques entre cause et effet est très instructive, et ils rapportent sur leur décennie de recherche intensive sur ce problème.