19世纪末，高尔顿在研究父辈与子辈身高时，无意中发现了一个重要事实：预测总是落在一条直线上，而它比椭圆的主轴的斜率小。高尔顿由此提出了相关性的概念，首次在不依赖人的判断下以客观度量说明了两个变量是如何关联的。
人类对于因果科学的探索则起源于20世纪：休厄尔–赖特在研究豚鼠的毛色遗传时，发现豚鼠的毛色遗传与孟德尔遗传定律是相互抵触的，由此提出了假设母鼠子宫内“发育因子”的存在性。赖特的研究首次建立了一套根据数据回答因果问题的数学方法，这种方法被称之为路径图分析。如此革命性的思想使得人类对于因果的认识从根据数据算出相关性（第一层级）中发现隐藏在背后的因果关系（第二层级）。
沿着前人的探索路径，因果科学读书会第二季第二期的读书会将从宏观角度分析因果科学的研究意义，通过现实社会中某些特定问题的例子来展现因果科学的魅力。
本周（3月28日）的分享的内容主要是精读书籍的基础部分，主要参考书籍是《统计因果推理入门（翻译版）》，在本次分享中，我们将深度剖析统计学中著名的“辛普森悖论”，讨论维数增加后潜在的数据结论反转的现象，由此引导决策者进行正确的决策。
李昊轩，目前本科大四，数学与应用数学专业在读。即将至北京大学大数据科学研究中心直博，导师为周晓华教授，专业为数据科学（统计学）。他的研究兴趣为因果推断，以及机器学习中的因果关系发掘。
我们将从统计学基础知识入手，首先概述变量、概率、条件概率、独立性、概率分布、全概率公式、贝叶斯法则、期望值、方差、协方差、回归、多元回归等基础知识，并进一步介绍图模型与结构因果模型。线性回归可以有效应用于因果推断中的干预及反事实问题，结构方程的系数则有助于判断总因果效应和模型的可识别性。同时我们将揭示线性系统中，自然直接因果效应（NDE）及自然间接因果效应（NIE）的和效应，与总因果效应（TE）的等价性。
最后，我们也会简要整理本周阅读任务的知识框架，协助大家配置读书会的编程实践环境，完成基础编程测试。
主要参考文献
[1] Judea Pearl and Dana Mackenzie. The Book of Why. 2018.
[2] Judea Pearl, Madelyn Glymour, and Nicholas P. Jewell. Causal Inference in Statistics: A Primer. 2016
[3] Judea Pearl. Causality: Models, Reasoning, and Inference. 2009.
[4] Jonas Peters, Dominik Janzing, and Bernhard Schölkopf. Elements of Causal Inference: Foundations and Learning Algorithms. 2017
[5] Miguel A. Hernán and James M. Robins. Causal Inference: What if. 2020
[6] Greenland S , Pearl J , Robins J M . Causal diagrams for epidemiologic research.[J]. Epidemiology, 1999, 10(1):37-48.
[7] Pearl J. Causal diagrams for empirical research[J]. Biometrika, 1995, 82(4): 669-688.
[8] Pearl J. Causal inference in statistics: An overview[J]. Statistics surveys, 2009, 3: 96-146.
[9] Schölkopf B, Locatello F, Bauer S, et al. Toward Causal Representation Learning[J]. Proceedings of the IEEE, 2021.
参与方式：
时间：3月28日（周日）上午10:00-12:00
扫描二维码，点击“我要听”预约，内附 B 站直播地址，可获得活动提醒，和回放上线通知。
因果推断与机器学习领域的结合已经吸引了越来越多来自学界业界的关注，为深入探讨、普及推广因果科学议题，智源社区携手集智俱乐部将举办第二季「因果科学与CausalAI读书会」。本期读书会着力于实操性、基础性，将带领大家精读因果科学方向两本非常受广泛认可的入门教材。
1. Pearl, Judea, Madelyn Glymour, and Nicholas P. Jewell. Causal inference in statistics: A primer. John Wiley & Sons, 2016.（本书中译版《统计因果推理入门（翻译版）》已由高等教育出版社出版）
2. Peters, Jonas, Dominik Janzing, and Bernhard Schölkopf. Elements of causal inference: foundations and learning algorithms. The MIT Press, 2017.
读书会每周将进行直播讨论，进行问题交流、重点概念分享、阅读概览和编程实践内容分析。非常适合有机器学习背景，希望深入学习因果科学基础知识和重要模型方法，寻求解决相关研究问题的朋友参加。
目前因果科学读书会系列，已经有接近400多位的海内外高校科研院所的一线科研工作者以及互联网一线从业人员参与，吸引了国内和国际上大部分的因果科学领域的专业科研人员，如果你也对这个主题感兴趣，想要深度地参与，就快加入我们吧！
报名：（长期有效）
第一步：扫码填写报名信息。
第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）
第三步：添加负责人微信，拉入对应的读书会讨论群。
我们也会对每次分享的内容进行录制，剪辑后发布在集智学园的官网上，供读书会成员回看。
相关资料推荐：
