相關(guān)是“預(yù)測”的基礎(chǔ)，因果是“決策”的前提。長期以來我們重視政策制定，隨著社會的發(fā)展，經(jīng)濟社會的新現(xiàn)象、新問題不斷出現(xiàn)，單靠傳統(tǒng)的經(jīng)驗來決策已經(jīng)不能應(yīng)付日益復(fù)雜的決策問題。針對實際社會經(jīng)濟問題不同階段的決策問題，本書主要研究以下三方面的內(nèi)容：一是，事前的因果發(fā)現(xiàn)，即如何利用機器學習算法發(fā)現(xiàn)變量間的因果關(guān)系；二是，事中的因果推斷，即基于貝葉斯估計和機器學習算法對傳統(tǒng)方法的改進與拓展；三是，事后的因果解釋，即針對因果效應(yīng)進一步分解其中的直接效應(yīng)和多種間接效應(yīng)。