Judea Pearl 科普讀物：爲什麼
首先是底層，指的是對於事物現象的一般性觀察，並根據觀察的現象，發現其中的關聯性。
中間一層則是干預，即通過對變量的改變，研究這一變量對結果的影響，包括是否改變結果的性質，以及改變的強度。
最後則是反事實，即通過模擬控制其他變量，僅翻轉被研究的變量，探討可能的發展。
當前的機器學習模型，在 Pearl 看來，只能停留於第一階段。這是因爲，統計機器學習模型僅能夠對現象（數據）進行觀察，並擬合一個可能的概率分佈。這種擬合的結果是，模型僅能夠發現兩個變量之間的相關性，而非真正的因果性。
在最後介紹反事實階段中，Pearl 還重點介紹了自己的相關研究成果：
第一，Pearl 會通過圖的形式，定性、定量地描述變量之間的因果關係和影響程度。第二，Pearl 闡述了自己在貝葉斯網絡方面的研究，以及在面對複雜因果概率問題中的解決方法。第三，Pearl 介紹了使用 d-分離的方法，使用因果論領域的數學工具，將統計學中難以剝離和控制的變量，簡單地從變量中分離。第四，Pearl 談到如何使用結構化因果方程的方式，最終登上因果之梯的最高點：反事實推理。
因果推斷是一種通過事物的原因推導至某個肯定結果的邏輯方式。通過因果推斷，人類可以很好的解決生活和科學中遇到的問題。而如果能夠完全掌握這一方法，就能夠在計算機上模擬因果推斷，進而設計強大的自動化機器。機器最終可以幫助人類解決科學界懸而未決的問題，並最終從環境中不斷的學習新的因果知識。
因果圖（將語言中的因果關係使用數學形式表達）
點代表變量，有向邊代表變量的因果關係影響，如果每個邊帶有一個權重，表示不同因素對於這一結果的影響強度大小。
（新聞看完感覺沒啥新意）
知乎相關
因果推斷是迴歸問題的一種特例嗎？
覃含章的回答
因果推斷的起點： 如何通過已有的數據更準確的推斷各種變量之間的因果關係（某些變量變化對結果的影響)?
Difference in Differences(DiD)
控制實驗和自然實驗
工具變量
作者表示，因果推斷的招式很多；對因果關係的研究，將一直會是人類科學研究的重點之一：
比如說癌症和衰老的成因等。
視頻：machine learning and causal inference,2018
有關資料
因果推理原理：基礎與學習算法 2017-11-17出版
Element of causal inference-Foundations and Learning Algorithms