🎓 因果推論 体系テキスト（全体ハブ）
因果推論テキスト 全体目次
「相関 → 予測 → 因果」の最上段。潜在結果・DAG → ランダム化実験 → バックドア調整 → 機械学習×因果 → 準実験デザイン → ベイズ/構造的因果 → 感度分析までを、識別の仮定（どんな条件なら因果と言えるか）と推定（どう測るか）を分け、真の効果を仕込んだ擬似データで推定量の当たり外れをコードで実証しながら体系化します。各ノートには、コピペで動く Python コードと出力の解釈を添えます。
章別目次
全8章・33トピック完結（章目次8＋全体目次1を含め計42ノート）。各ノートは「概念 → 識別の仮定 → 数式 → 実行可能な Python コード（真の効果を仕込んだ擬似データで推定量の当たり外れを実証）→ 出力の解釈 → 落とし穴」で構成。本文コードは各章で保存済み .md から抽出・実行し、印字値が本文と一致することを確認済みです。
- ✅ 第1章 因果推論の枠組み（第1章 因果推論の枠組み 目次） 相関と因果の違い・潜在結果モデル・因果ダイアグラムとd分離・バックドア基準と識別・識別の仮定
- ✅ 第2章 ランダム化実験（第2章 ランダム化実験 目次） なぜRCTが黄金律か・共変量調整と層別とブロック化・ABテストの設計と分析・非遵守とITT
- ✅ 第3章 バックドア調整（第3章 バックドア調整 目次） 回帰による調整とその限界・傾向スコア・逆確率重み付けIPW・二重頑健推定AIPW
- ✅ 第4章 機械学習と因果（機械学習と因果 章目次） MLをそのまま使うと因果を誤る理由・Double/Debiased Machine Learning（DML）・異質処置効果とメタ学習器（S/T/X-learner）・因果フォレスト（Causal Forest）
- ✅ 第5章 準実験デザイン（準実験デザイン 目次） 操作変数法と2SLS・差分の差分と並行トレンド・回帰不連続デザイン・合成コントロール法・デザインの選び方
- ✅ 第6章 ベイズと構造的因果（第6章 ベイズと構造的因果 目次） ベイズ因果推論・構造的因果モデルとdo演算子・反事実とPearlの因果の階梯・媒介分析
- ✅ 第7章 感度分析と落とし穴（感度分析と落とし穴 目次） 未観測交絡への感度分析・衝突点バイアスと選択バイアス・過剰調整とMバイアス・因果推論のチェックリスト
- ✅ 第8章 応用と因果探索（第8章 応用と因果探索 目次） 因果探索の概観・実データ事例と推定パイプライン・因果推論と予測と意思決定
統計・機械学習・ベイズサイトとの関係
因果推論は統計・機械学習・ベイズの上に立ちます。重複させず wikilink で参照します。ランダム化実験の土台は統計検定テキストのフィッシャーの3原則（実験計画）、調整の土台は回帰、機械学習×因果は機械学習テキストの正則化・決定木、ベイズ因果はベイズ統計テキストの事後分布・MCMC・階層モデルと地続きです。因果側では「どんな仮定なら因果と言えるか（識別）と、その効果をどう推定するか」を、擬似データで確かめながら深めます。