PCIC 2023
Short Course
Part 1 History of Causal Science
9:00-9:30
History of Modern Clinical Trials
Causality in Philosophy
Causal Inference in Statistics
Part 2 Fundamentals of Causal Inference
9:30-10:30
Rubin Causal Model
Finite Samples and Super Populations
Regression Estimation
Re-randomization
Part 3 Basic Methodology
10:30-11:00
Mediation Analysis
Principal Stratification
Part 4 Broken Randomized Trials
11:00-12:00
Non-compliance
Death Censoring
Missing Data
Strategies to Defined Estimands Target When Concurrent Events Exist
Part 5 Causal Graphs
14:00-15:30
Directed Acyclic Graphs
Causal Discovery
Single-World Intervention Graphs
Part 6 Observational Studies with Ignorable Assignment Mechanism
15:30-17:00
Weighted Estimation
Doubly Robust Estimation
Matching
G-Estimation
Part 7 Observational Studies with Non-ignorable Assignment Mechanism
17:00-18:00
Instrumental Variables
Negative Controls
Data Fusion with Surrogates
Practical Aspects in Observational Studies
本课程面向高年级本科生、研究生、医药界及工业界人士，旨在提供关于因果推断（causal inference）的清晰全面认识。长期以来，人们认为随机化试验事评估因果作用的“金标准”。然而在实际场景中，研究者可能无法获得完美的随机化试验。如何利用非随机化试验评估因果作用？这一因果作用有何意义？
本课程基于潜在结果框架，首先介绍因果推断概念的由来和基本设定，随后探讨两个重要的方法学问题：中介分析和主分层，它们为研究不完美随机化试验提供了理论工具。进一步，本课程考虑随机化试验被破坏的三个具体场景：非依从、死亡截断、缺失数据。不同的估计目标反映了不同的科学问题，并且需要不同的估计和推断方法。最后，根据是否满足非混淆性（可忽略性），本课程考察从简单到复杂的观察性研究，并介绍一些手段利用观察性研究评估因果作用。本课程将穿插介绍针对各种场景进行因果推断的软件工具。
通过学习本课程，学员不仅将熟悉因果推断学科（特别是基于潜在结果的因果推断）近五十年的重要理论方法，而且将具备在复杂真实世界试验中分析因果作用的能力。北京大学公共卫生学院生物统计系将为完成课程的学员颁发证书。
第一部分 因果科学的历史
9:00-9:30
现代临床试验的历史
哲学中的因果关系
统计学中的因果推断
第二部分 因果推断基础
9:30-10:30
鲁宾因果模型
有限样本和超总体
回归估计
重随机化
第三部分 基本方法学
10:30-11:00
中介分析
主分层
第四部分 破碎随机化试验
11:00-12:00
非依从
死亡截断
缺失数据
存在伴发事件时定义估计目标的策略
第五部分 因果图
14:00-15:30
有向无环图
因果发现
单一世界干预图
第六部分 观察性研究，可忽略分配机制
15:30-17:00
加权估计
双稳健估计
匹配
G-估计
第七部分 观察性研究，不可忽略分配机制
17:00-18:00
工具变量
阴性对照变量
带有代理结局的数据融合
观察性研究的实际方面