Truy cập ngày 1 tháng 10 năm 2011.  ^ “Practical Causal Inference: From Correlation to Causation”.

Trong phân tích dữ liệu, sai lầm tương quan cho nguyên nhân có thể dẫn đến quyết định kinh doanh tốn kém và kết luận sai lệch. Hiểu cách cô lập tác động nhân quả thực sự là một trong những kỹ năng có giá trị nhất cho các chuyên gia dữ liệu hiện đại. Chương trình chỉ có văn bản này hướng dẫn bạn từ các nguyên tắc cơ bản của suy luận nhân quả để áp dụng các khung phân tích hiện đại. Bạn sẽ chuyển từ việc đơn giản mô tả các mô hình dữ liệu để giải thích tự tin tại sao mọi thứ xảy ra và dự đoán kết quả chính xác của các can thiệp cụ thể. Bạn sẽ học được: - Hiểu được sự khác biệt cơ bản giữa tương quan và nhân quả thông qua các định nghĩa thống kê cốt lõi. - Thiết kế và phân tích thử nghiệm ngẫu nhiên để thiết lập mối quan hệ nhân quả rõ ràng. - Ứng dụng các phương pháp bán thực nghiệm như khác biệt trong khác biệt và sự không liên tục hồi quy khi ngẫu nhiên là không thể. - Bản đồ mối quan hệ nhân quả bằng mắt sử dụng Directed Acyclic Graphs (DAGs) để xác định các biến gây nhầm lẫn. - Tìm hiểu các phương pháp tính toán hiện đại để ước tính nhân quả sử dụng các luồng công việc khái niệm dựa trên Python. Chương trình bắt đầu với các khái niệm cơ bản về kết quả tiềm năng và lẫn lộn, sau đó chuyển bước qua bước qua thiết kế thí nghiệm, phương pháp quan sát và các khung nguyên nhân thuật toán hiện đại. Lớp học này được thiết kế cho các nhà phân tích dữ liệu, các nhà nghiên cứu và các nhà kinh doanh bắt đầu tìm kiếm nâng cao kỹ năng phân tích của họ. Không cần có nền tảng trước đó trong suy luận nhân quả, mặc dù một sự quen thuộc cơ bản với thống kê giới thiệu là hữu ích. Bắt đầu đọc hôm nay để mở khóa sâu hơn, nhiều hơn nhận thức thực tế từ dữ liệu của bạn.