多花一美元的在线营销能吸引多少买家？哪些顾客有了折扣优惠券才会购物？如何确定最优定价策略？因果推断是确定您手中拥有的杠杆如何影响您想要追求的业务指标的最好办法。这只需要几行Python代码而已。 本书作者阐述了因果推断在估计影响和效应方面尚未开发的巨大潜力。管理者、数据科学家，以及业务分析人员将学习到A/B测试、线性回归、倾向性评分、合成控制、双重差分等经典因果推断方法和基于机器学习的异质效应估计等新进展。每种方法都用行业应用示例加以说明。

前言
第一部分 基础知识
第1章 因果推断导论
1.1 什么是因果推断
1.2 为什么要做因果推断
1.3 机器学习与因果推断
1.4 关联关系与因果关系
1.4.1 处理和结果
1.4.2 因果推断的基本问题
1.4.3 因果模型
1.4.4 干预
1.4.5 个体处理效应
1.4.6 潜在结果
1.4.7 一致性假设与稳定单元处理值假设
1.4.8 关注的因果量
1.4.9 因果量示例
1.5 偏差
1.5.1 偏差方程
1.5.2 偏差可视化
1.6 识别处理效应
1.6.1 独立性假设
1.6.2 基于随机化的识别
1.7 本章小结
第2章 随机试验与统计学
2.1 随机化的强制独立性
2.2 A/B测试示例
2.3 理想试验
2.4 最危险的方程
2.5 估计的标准误差
2.6 置信区间
2.7 假设检验
2.7.1 零假设
2.7.2 检验统计量
2.8 p值
2.9 功效
2.10 样本量计算
2.11 本章小结
第3章 图形化因果模型
3.1 关于因果关系的思考
3.1.1 因果关系的可视化
3.1.2 咨询顾问聘用示例
3.2 图形化因果模型的速成课
3.2.1 因果链
3.2.2 因果分叉
3.2.3 因果失范或因果对撞
3.2.4 关联流备忘单
3.2.5 因果图查询
……
第二部分 偏差调整
第三部分 效应异质性与个性化
第四部分 面板数据
第五部分 替代实验设计