笔者近两年都在做智能营销方面的探索，不过最近想稍微切换自己的研究赛道，所以最近想把智能营销方面细枝末节的一些思考发出来。 关于活动、节假日、促销等营销方式的因果效应评估前篇是《活动、节假日、促销等营销方式的因果效应评估——特征工程篇（一）》是把给入模型时特征加工的方式列举一下，本篇是想简单总结如何评价一个活动营销方式的好坏；当然方法本身不胜枚举，只能在有限视野里面进行归纳。
在数据科学和机器学习领域，因果推断是一个重要的课题。旨在从数据中识别变量之间的因果关系，比如说：“如果我做了某件事，会发生什么？”这类问题，而非仅是描述“某件事与其他事情有关联”。
因果关系与相关关系的异同 因果关系和相关关系在分析过程中应用广泛。 然而，一部分人在不了解两种方法的支撑逻辑时往往将两种关系等同看待。 显然，人们被困于因果和相关的内在联系而不能正确的使用它们。 虽然
黑盒测试也称功能测试或数据驱动测试，它是在已知产品所应具有的功能，通过测试来检测每个功能是否都能正常使用，在测试时，把程序看作一个不能打开的黑盆子，在完全不考虑程序内部结构和内部特性的情况下，测试者在程序接口进行测试，它只检查程序功能是否按照需求规格说明书的规定正常使用，程序是否能适当地接收输入数锯而产生正确的输出信息，并且保持外部信息（如数据库或文件）的完整性。黑盒测试方法主要有等价类划分、边值分析、因—果图、错误推测等，主要用于软件确认测试。 “黑盒”法着眼于程序外部结构、不考虑内部逻辑结构、针对软件界面和软件功能进行测试。“黑盒”法是穷举输入测试，只有把所有可能的输入都作为测试情况使用，才能以这种方法查出程序中所有的错误。实际上测试情况有无穷多个，人们不仅要测试所有合法的输入，而且还要对那些不合法但是可能的输入进行测试。
因果推断笔记—— 相关理论：Rubin Potential、Pearl、倾向性得分、与机器学习异同（二）[2]
含有大量观测数据的情况下，可以使用各类合成A/B的方式，包括matching、合成控制等
每天给你送来NLP技术干货！ ---- ©作者 | 肖之仪 单位 | 北京邮电大学 研究方向 | 因果推理、对话系统 来自 | PaperWeekly 这篇文章是由笔者根据自然语言顶级会议收录有关于因果推断的文献整理而成，内容包括论文的基本信息以及阅读笔记。 他山之石 1. Papers about Causal Inference and Language https://github.com/causaltext/causal-text-papers 2. Causality for NLP Read
测试用例编写是软件测试的基本技能；也有很多人认为测试用例是软件测试的核心；软件测试中最重要的是设计和生成有效的测试用例；测试用例是测试工作的指导，是软件测试的必须遵守的准则。
来源：PaperWeekly 本文约5000字，建议阅读8分钟 这篇文章是由笔者根据自然语言顶级会议收录有关于因果推断的文献整理而成，内容包括论文的基本信息以及阅读笔记。 他山之石 1. Papers about Causal Inference and Language https://github.com/causaltext/causal-text-papers 2. Causality for NLP Reading List https://github.com/zhijing-jin/Causa
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者”。 作者：Thársis Souza, PhD 编译：1+1=6 前言 我们都听过“相关性并不意味着因果关系”这句话，但我们如何量化因果关系呢？这是一项极其困难的任务，而且常常具有误导性，特别是当我们试图从观察数据推断因果关系而我们又无法进行对照试验或A/B测试时。 如上
界面中有多个控件，控件之间有组合或者限制关系，为了弄清楚不同的输入组合会对应怎样不同的输出结果，可以使用因果图或判定表法。
把程序的输入域和输出域划分成若干部分，然后从各个部分中选取若干代表性数据作为测试用例。这些数据在测试中的作用等价于其所属部分的其他值。
因果推理的挑战性并不在于它是一个新学科，恰恰相反，当前的方法只是其中很小的简单版本。大部分诸如线性回归的模型都依赖于对数据做出一些假设的经验分析，纯因果推理基于一种反事实分析，这种分析更能表现人类如何做出决策。想象一个场景，你和家人正在前往未知目的地的旅途上，在旅程前后，你需要解决一些反事实问题：
（1）黑盒测试又称功能测试、数据驱动测试或基于规格说明书的测试，是一种从用户观点出发的测试。
研究意义：这项工作介绍了一种理解睡眠中信息加工的无创方法。我们的结果表明，慢波振荡（slow oscillation, SOs）提供了时间地形的事件框架：与睡眠其他相对local的活动模式相比，长程信息流（flow）显著增加。这些发现表明，在理解SOs如何通过促进长程、有效的沟通来解除故障网络中记忆巩固方面，有了概念性的飞跃。这项研究将促进进一步探讨，了解大脑振荡如何单独地以及在嵌套节律中促进网络沟通，以及研究这些特性如何变化，并预测临床人群和老年人的缺陷模式。
测试用例设计方法可以组合为一个整体的策略，因为每一种方法都可以提供一组具体的有用的测试用例，但是都不能提供一个完整的测试用例集。
等价类划分法是把所有可能的输入数据，即程序的输入域划分成若干部分（子集），然后从每个部分中选取少数代表性数据作为测试用例；该方法是一种重要的，常用的黑盒测试用例设计方法。
作者：erenxiao，腾讯商业产品运营 引言 [以解决问题为目的] 定义领域——是什么：本质需求是什么，解决什么问题，内涵和外延 定义目标——做到什么：具体的，可衡量，可达到 关键手段，方式——做什么：策略集，关键点 对手段和方式判断标准——效果预估，利弊分析 不断复盘，调整——测试验证，轻快迭代；复盘优化，持续 追踪 零：需求定义基础模型 1.发现问题，提出需求：提出和定义需求，需求一经确认，无法挑战 2.因果推导，定义目标：根据需求强因果推导目标，目标可以更换 3.制定切实可用
携程作为旅游平台，跟用户需求息息相关，理解和识别各个策略/系统对转化/收益的因果关系尤为重要，在这个过程中需要将影响因变量的其他因素进行控制，但这些因素通常是复杂且难以测量的。在关系识别困难的情况下，如何使用更为科学的方法，对策略进行微观和宏观的建模分析，如何系统性的评估各种策略的长期影响，是要解决的重要问题。
众所周知，“相关并不意味着因果关系”。我要告诉你，相关可以表示因果关系，但需要一定条件。这些条件已在计量经济学文献中被广泛讨论。在本文中，我将以一种易于理解的方式对其进行总结。我将解释如果不满足这些条件为什么标准的普通最小二乘（OLS）无法确定因果关系。然后，我将介绍可以提供有效解决方案的固定效应（FE）模型。之后，我将使用两套数据分析示例向您展示如何在python中进行操作。我希望本文能够通过良好的设计和令人信服的结果增强您对因果关系的理解。
几种常见的精神病和神经退行性疾病具有共同的流行病学风险; 然而，它们是否具有共同的病理生理学尚不清楚，是科研工作者的研究重点。作者使用25个全基因组关联研究 (GWAS)结果和LD得分回归，发现精神疾病和神经退行性疾病之间存在八种显著的遗传相关性。作者将GWAS结果与人脑转录组 (n = 888) 和蛋白质组 (n = 722) 进行整合，以鉴定顺式和跨蛋白以及与每种疾病中的多效性或因果（致病）作用一致的蛋白质，为简洁起见称为因果蛋白（致病蛋白），并在每个疾病组中都发现了许多独特且共享的因果蛋白。值得注意的是，神经退行性疾病病因蛋白的30% (42个中的13个) 与精神疾病共享。此外，作者发现精神和神经退行性因果蛋白之间的蛋白质-蛋白质相互作用比偶然预期的多2.6倍。发现的结果共同表明，这些精神和神经退行性疾病具有共同的遗传和分子病理生理学，这对早期治疗和治疗发展具有重要影响。
作为一名成熟的数据分析师，那必然是要头顶Python，脚踩SQL，左手一个Tableau，右手一个Excel。能取数，会报表，埋点AB两不误，分析落地显价值。
因果关系推断，可以说是数据分析领域最难的问题之一，争吵很多年也没有定论。经常同学们被问到：“到底这个问题的原因是什么！”都会觉得分析起来很挠头，今天我们系统讲解下。
来源：计量经济学服务中心 本文约2700字，建议阅读8分钟 本文为你介绍了因果推断书籍的代码合集。 1、Causal Inference: The Mixtape 来源： https://mixtape.scunning.com/index.html 简介 这是《Causal Inference: The Mixtape》的在线版本，因果推理包括一些工具，让社会科学家能够确定什么导致什么。在一个混乱的世界里，因果推理有助于确定所研究行为的因果关系——例如，提高最低工资对就业的影响(或缺乏影响)，幼儿教育对
作者：Netflix Technology Blog 翻译：陈之炎校对：zrx 本文约2500字，建议阅读5分钟在这篇博文中探究社区Netflix因果推理的广度。 标签：Netflix Netflix旨在通过创造引人入胜的内容，帮助会员发现他们所热爱的游戏娱乐世界。其中的关键在于，需要充分理解产品升级与会员快乐指标相关联的因果效应。 此前，Netflix往往通过AB测试来衡量二者之间的因果效应。而当 AB测试产生局限性时，则可以通过准实验（quasi-experimentation）来解决这一问题。Netf
今天这篇可以说是思维方式的总结，一共十四对我个人而言较为重要的思维方式，分享给大家。请不要嫌弃我的灵魂画作。 1.信号与噪音（信度与效度） 信度的英文为Reliability，简单就是说可信度。在看数据的时候有时会出现与日常数据相差很大的点，这时就需要注意了。效度的英文为Validity，代表测量工具或手段能够准确测出所需测量的事物的程度。这个概念代表着数据的精确程度，越精确越可靠。但是在实际的操作中一味的追求效度可能会导致成本升高，效率下降。通过信度分析可以隔离信号中的噪音，通过效度分析可以提高信号的精确
是把所有可能的输入数据,即程序的输入域划分成若干部分（子集）,然后从每一个子集中选取少数具有代表性的数据作为测试用例。该方法是一种重要的,常用的黑盒测试用例设计方法。
AI科技评论按：ACM SIGKDD 国际会议（简称KDD）是由ACM的知识发现及数据挖掘专委会（SIGKDD）主办的数据挖掘研究领域的顶级学术会议。AI科技评论今年也来到了KDD 2017现场做了覆盖和报道。参与本次KDD的清华大学博士生况琨受AI科技评论独家邀请，介绍他与导师杨士强博士、崔鹏博士、黎波（清华大学）和蒋朦（UIUC）的工作《Estimating Treatment Effect in the Wild via Differentiated Confounder Balancing》。
目前提出的图神经网络 (GNN) 方法没有考虑训练图和测试图之间的不可知偏差，从而导致 GNN 在分布外（OOD）图上的泛化性能变差。导致 GNN 方法泛化性能下降的根本原因是这些方法都是基于 IID 假设。在此条件下，GNN 模型倾向于利用图数据中的虚假相关进行预测。但是，这样的虚假相关可能在未知的测试环境中改变，从而导致 GNN 的性能下降。因此，消除虚假相关的影响对于实现稳定的 GNN 模型至关重要。
在日常功能迭代分析中，一般会直接看使用该功能和未使用该功能的用户在成功指标上的表现，将两组数据求个差异值就得出功能的效果结论。但是有敏锐的分析师会发现，功能大部分情况下有筛选效应，即使用该功能的用户可能本身质量比较高，活跃比较频繁。用以上的方法估计会导致效果评估失真，那么如何规避混杂因素导致的幸存者偏差。优先考虑的做法是探究一些相关关系因素，用 A/B 测试验证，把因果推断作为备选或探索式分析的手段，但有些场景无法进行 A/B 测试。这里介绍因果推断中的两个方法——匹配和逆概率加权。并将其和直接回归方法的结论进行对比，看看相关和因果的结论到底会差异多少。
黑盒测试法也称功能测试或数据驱动测试，它是在已知产品所应具有的功能，通过测试来检测每个功能是否都能正常使用，在测试时，把程序看作一个不能打开的黑盒子，在完全不考虑程序内部结构和内部特性的情况下，测试者在程序接口进行测试，它只检查程序功能是否按照需求规格说明书的规定正常使用，程序是否能适当地接收输入数锯而产生正确的输出信息，并且保持外部信息（如数据库或文件）的完整性。
「因果推断」（causal inference）是基于观察数据进行反事实估计，分析干预与结果之间的因果关系的一门科学。虽然在因果推断领域已经有许多的框架与方法，但大部分方法缺乏稳定的实现。DoWhy 是微软发布的一个用于进行端到端因果推断的 Python 库，其特点在于：
黑盒测试用例设计方法包括等价类划分法、边界值分析法、错误推测法、因果图法、判定表驱动法、正交试验设计法、功能图法等。
因果推断笔记——因果图建模之微软开源的dowhy（一） 因果推断笔记—— 相关理论：Rubin Potential、Pearl、倾向性得分、与机器学习异同（二） 因果推断笔记——python 倾向性匹配PSM实现示例（三） 因果推断笔记——双重差分理论、假设、实践（四） 因果推断笔记——因果图建模之微软开源的EconML（五） 因果推断笔记——工具变量、内生性以及DeepIV（六） 因果推断笔记——自整理因果推断理论解读（七） 因果推断笔记——uplift建模、meta元学习、Class Transformation Method（八） 因果推断笔记——数据科学领域因果推断案例集锦（九） 因果推断笔记——CV、机器人领域因果推断案例集锦（十）
因果图在运维工作中的应用 摘要 我的系列文档 Netkiller Architect 手札 Netkiller Developer 手札 Netkiller PHP 手札 Netkiller Python 手札 Netkiller Testing 手札 Netkiller Cryptography 手札 Netkiller Linux 手札 Netkiller Debian 手札 Netkiller CentOS 手札 Netkiller FreeBSD 手札 Net
机器之心专栏 机器之心编辑部 图灵奖得主 Judea Pearl 曾表示，现有的机器学习模型不过是对数据的精确曲线拟合，只是在上⼀代的基础上提升了性能，在基本的思想方面没有任何进步。 根据福布斯的统计数据，全球范围只有 13% 左右的机器学习项目能够真正上线运行，项目失败的一个重要原因是模型的泛化能力不足，在真实数据上的表现和完全达不到训练数据上的效果。 随着机器学习建模越来越多的应用，企业对人工智能的要求也在进一步提高。近几年提及的「数智化」核心是智能决策，以数据驱动的方式实现自动化决策来提高整体运营效
大脑的瞬时整体功能状态反映在其电场构型中，聚类分析方法显示了四种构型，称为脑电微状态类A到D。微状态参数的变化与许多神经精神障碍、任务表现和精神状态相关，这确立了它们与认知的相关性。然而，使用闭眼休息状态数据来评估微状态参数的时间动态的常见做法可能会导致与警觉性相关的系统性混淆。研究人员研究了两个独立数据集中的微状态参数的动态变化，结果表明，微状态参数与通过脑电功率分析和fMRI全局信号评估的警觉性水平有很强的相关性。微状态C的持续时间和贡献，以及向微状态C过渡的概率与警觉性正相关，而微状态A和微状态B则相反。此外，在寻找微状态与警觉性水平之间对应关系的来源时，研究发现警觉性水平对微状态序列参数的格兰杰因果效应。总而言之，本研究的发现表明，微状态的持续时间和发生具有不同的起源，可能反映了不同的生理过程。最后，本研究结果表明，在静息态EEG研究中需要考虑警觉性水平。
👆点击“博文视点Broadview”，获取更多书讯 业务分析方法是遇到特定业务问题时使用的分析定式，是在业务分析工作中被固定下来的、行之有效的分析“套路”。 当遇到 A 问题时可以使用 A’方法解决、 当遇到 B 问题时可以使用 B’方法解决…… 掌握了业务分析方法，可以帮助我们找准分析线索、组织分析方案。 这里将为大家介绍帕累托分析方法、A/B 测试分析方法、同期群分析方法及因果分析方法 4 类实际工作中常用到的业务分析方法。 01 帕累托分析方法 帕累托分析方法又称为二八分析方法，是一种依据帕累托法则
“AB实验”是一个从统计学中借来的工具。我和大家一样，每次只要看到“统计学”这三个字，下意识就觉得这事和我没啥关系，然后手就忍不住想要点击下一条文章。不过且慢，开篇我说AB实验是一个从统计学中借来的工具，借来给谁用呢？给我们自己用。所以下面不会介绍太多的统计学知识，主要讲讲AB实验能和我们发生怎样的故事。
以下是我在近三年做各类计量和统计分析过程中感受最深的东西，或能对大家有所帮助。当然，它不是ABC的教程，也不是细致的数据分析方法介绍，它只是“总结”和“体会”。由于我所学所做均甚杂，我也不是学统计、数学出身的，故本文没有主线，只有碎片，且文中内容仅为个人观点，许多论断没有数学证明，望统计、计量大牛轻拍。 关于软件 于我个人而言，所用的数据分析软件包括EXCEL、SPSS、STATA、EVIEWS。在分析前期可以使用EXCEL进行数据清洗、数据结构调整、复杂的新变量计算（包括逻辑计算）；在后期呈
以下是我在近三年做各类计量和统计分析过程中感受最深的东西，或能对大家有所帮助。当然，它不是ABC的教程，也不是细致的数据分析方法介绍，它只是“总结”和“体会”。由于我所学所做均甚杂，我也不是学统计、数学出身的，故本文没有主线，只有碎片，且文中内容仅为个人观点，许多论断没有数学证明，望统计、计量大牛轻拍。 关于软件。 于我个人而言，所用的数据分析软件包括excel、SPSS、STATA、EVIEWS。在分析前期可以使用EXCEL进行数据清洗、数据结构调整、复杂的新变量计算（包括逻辑计算）；在后期呈现美观的图表
人类的大脑有一种非凡的能力，能将原因与特定的事件联系起来。从选举的结果到掉在地板上的物体，我们不断地把引起特定效果的一系列事件联系起来。神经心理学将这种认知能力称为因果推理。计算机科学和经济学研究一种特殊形式的因果推理，称为因果推理，主要研究两个观察变量之间的关系。多年来，机器学习产生了许多用于因果推理的方法，但它们在主流应用中大多难以使用。最近，微软研究院(Microsoft Research)开发了一个用于因果思维和分析的框架DoWhy。
因果推理是人类智力的标志之一。因果关系NLP领域近年来引起了人们的极大兴趣，但其主要依赖于从常识知识中发现因果关系。本研究提出了一个基准数据集(CORR2CAUSE)来测试大语言模型(LLM)的纯因果推理能力。其中CORR2CAUSE对LLM来说是一项具有挑战性的任务，有助于指导未来关于提高LLM纯粹推理能力和可推广性的研究。
A / B测试是当今技术，市场营销和研究中最有用的统计技术之一。它的价值在于A / B测试可让您确定因果关系，而大多数分析仅揭示相关性（即古老的格言“相关性而非因果关系”）。尽管A / B测试功能强大且流行程度很高，但绝大多数A/B测试都遵循一种基于频率主义统计学派的t测试的单一方法。本文将介绍A/B测试的另一种方法。这种替代方法使用了贝叶斯统计学派，本文将演示这种方法如何比传统的、频繁的方法返回更直观的结果。
绘制人类大脑功能图谱是神经科学的一个长期目标，它有望为大脑疾病的新治疗方法的开发提供信息。早期的人类大脑功能地图是基于脑损伤或脑刺激导致的功能变化的位置。随着时间的推移，这种方法在很大程度上被功能神经成像等技术所取代，这些技术可以识别出活动与行为或症状相关的大脑区域。尽管这些技术有优势，但它们揭示的是相关性，而不是因果关系。这给解释这些工具产生的数据和使用它们来开发大脑疾病的治疗方法带来了挑战。基于脑损伤和脑刺激的人类脑功能的因果图谱正在进行中。新的方法可以将这些因果信息来源与现代神经成像和电生理学技术相结合，以获得对特定大脑区域的功能的新见解。在这篇综述中，我们为转化研究提供了因果关系的定义，提出了一个连续体来评估人类脑图研究中的因果信息的相对强度，并讨论因果脑图的最新进展及其对发展治疗的相关关系。
以下是我在近三年做各类计量和统计分析过程中感受最深的东西，或能对大家有所帮助。当然，它不是ABC的教程，也不是细致的数据分析方法介绍，它只 是“总结”和“体会”。由于我所学所做均甚杂，我也不是学统计、
使用无创功能磁共振成像（fMRI）的研究为人类默认模式网络（DMN）的独特功能组织和深远重要性提供了重要的见解，但这些方法在跨多个时间尺度上解决网络动力学的能力有限。电生理技术对于应对这些挑战至关重要，但很少有研究探索DMN的神经生理学基础。在此，作者在一个与先前fMRI研究一致的共同的大规模网络框架中研究了DMN的电生理组织。作者使用颅内脑电图（iEEG）记录，并评估了静息状态下的网络内和跨网络相互作用，及其在涉及情景记忆形成的认知任务中的调节情况。作者分析显示，在慢波（<4 Hz）中，DMN内iEEG同步性明显更高，而在beta（12-30 Hz）和gamma（30-80 Hz）波段中，DMN与其他大脑网络的相互作用更高。至关重要的是，在无任务的静息状态以及语言记忆编码和回忆期间都观察到了慢波DMN内同步。与静息状态相比，慢波内DMN相位同步在记忆编码和回忆时都明显较高。在成功的记忆检索过程中，DMN内慢波相位同步增加，突出了其行为相关性。最后，对非线性动态因果相互作用的分析表明，DMN在记忆编码和回忆过程中都是一个因果外流网络。作者研究结果确定了DMN的频率特异的神经生理学特征，使其能够在本质上和基于任务的认知期间保持稳定性和灵活性，为人类DMN的电生理基础提供新的见解，并阐明其支持认知的网络机制。
社会和健康科学中使用的机器学习（ML）方法需要符合描述、预测或因果推理等预期研究目的。本文通过结合这些学科的统计分析的必要要求，为社会和健康科学中的研究问题与适当的ML方法进行了全面、系统的元映射。作者将已建立的分类映射到描述、预测、反事实预测和因果结构学习，以实现共同的研究目标，如估计不良社会或健康结果的流行率、预测事件的风险、识别不良结果的风险因素或原因，并解释通用的ML性能指标。这种映射可能有助于充分利用ML的好处，同时考虑与社会和健康科学相关的特定领域方面，并希望有助于加速ML应用的普及，以推进基础和应用社会和健康科学研究。
原文题目：Propensity Modeling, Causal Inference, and Discovering Drivers of Growth 作者：Edwin Chen 翻译：张逸 校对：卢苗苗 本文共5400字，建议阅读9分钟。 本文通过举例为你介绍因果推测方法、倾向建模及增长的驱动因素。 在正文之前，先想象这样一个场景。 你刚开始一份新工作，而且最近看了《僵尸世界大战》这部电影，正处于一种怀疑人生的状态。再加上前不久你的两个初创公司因为缺乏数据开不下去了，所以你看什么都不太顺眼。 你最先
来源：九章云极DataCanvas YLearn研发团队本文约4400字，建议阅读7分钟本文介绍了Ylearn因果学习开源项目的情况。 图灵奖得主 Judea Pearl 曾表示，现有的机器学习模型不过是对数据的精确曲线拟合，只是在上⼀代的基础上提升了性能，在基本的思想⽅⾯没有任何进步。根据福布斯的统计数据，全球范围只有13%左右的机器学习项目能够真正上线运行，失败的项目其中很重要的一个原因就是模型的泛化能力不足，在真实数据上的表现完全达不到训练数据上的效果。 随着机器学习建模越来越多的应用，企业对人工智能
领取专属 10元无门槛券
手把手带您无忧上云
