杀手二序章攻略
1、序章嘛咱多唠两句。花了大半个月才反反复复，断断续续读完了图灵奖得主的，感觉先读第四章的案例会更容易理解前三章相对抽象的内容。工作中对于归因问题迫切的需求，以及这两年深度学习在，都让我对因果推理在未来几年的爆发心怀希望。它最大的优势就是能回答畃么痮睐这样做会怎样。
2、实际业务有着根本意义的问题。对于这个领域我也是新人，所以只能抛出一些观点来供大家讨论。检验我带货能力的时候到了，如果你在和数据打交道的过程中也碰到过以下的问题，那我也向你推荐这本书。它不一定能解答你的问题，但至少能让你明白问题的根源：。
3、这里简单列几个因果推理和统计学的差异，我们在之后的章节会逐一展开：。作为序章最重要的是什么。
4、吸引人眼球。所以本章通过5个数据分析中经典案例，看看当统计陷入两难，因果推理是如何变身奥特曼来打小怪兽的。以下案例只为直观感受因果推理的现实意义，暂不考虑统计显著，小样本不置信等问题。
5、在数据分析中非常常见，既存在同时影响和的变量没有被控制，它是统计分析要控制变量的根本原因之一，是实验有效的背后逻辑，它也直接导致了但往往的存在只有在分析结果严重不符合逻辑时才被人们想到。离散-案例1。今天你吃药了么。以下是一次观测性医学实验的结果，分别给出男性和女性在服/不服用药物后心脏病发作的概率。
杀手二序章攻略
1、有趣的是这种药物既不能显著降低女性病发概率，也不能显著降低男性病发概率，但却能降低整体的病发概率，你是分析师请问这种药物有用么。答案是，这种药物无效。
2、这就是著名的。用上面的因果图，分析结论会变得显而易见。这里是服药，是心脏病发作的概率，而因为是观测性实验所以性别可能会成为。注意这里我用的是可能。
3、而验证这种可能性就要看性别是否同时影响和。先看，女性是对照组20，实验组40，而男性是对照组40，实验组20。因此性别显著影响的渗透率-服药人群比例。再看，同在对照组女性病发率是5%而男性是30%，因此性别同时影响-病发概率。
4、因此衡量，服药，对(心脏病发作，的影响，我们需要控制。这样总体的发病率计算如下：。
5、对照组的整体效果变为0.5*5%+0.5*40%=17.5%。实验组的整体效果变为0.5*7.5%+0.5*40%=23.75%。这样整体就和男女分别的结论一致，服药并不能降低心脏病发概率。连续-案例2。