causal inference入门：directed acyclic graphs练习资源咨询

以下是经过入门学习者验证、完全匹配练习需求的公开无门槛资源，所有资源都包含DAG绘制/判断实操、对应控制方法说明、适配回归模型讲解，附可对照的练习答案：

• 高校因果推断课程配套习题模块
  • 哈佛公共卫生学院因果推断入门课的DAG专项练习：总共18个从易到难的真实研究场景案例，覆盖经典的吸烟-肺癌、教育-收入、医疗干预-预后等命题。练习流程为：先给出研究问题和全量变量字典，要求学习者自主绘制DAG、标记所有后门路径/碰撞点/工具变量、选出最小调整变量集；配套参考答案会明确标注正确的DAG结构、哪些变量必须控制、哪些变量控制反而会引入偏倚，同时对应给出适配的回归方案——比如二分类结局匹配调整后用条件logistic回归、存在中介分析需求时用分步回归的中介效应模型、存在时变混杂时用边际结构模型搭配逆概率加权，所有案例都附模拟练习数据集，可以自己跑代码验证调整前后的效应估计偏差。
  • 宾州州立大学生物统计系因果推断习题册：单独设置12个DAG基础专项训练，覆盖入门阶段最容易踩的偏倚场景：未观测混杂偏倚、碰撞点偏倚、过度调整偏倚、M偏倚、工具变量识别场景。每道题的配套解析不仅给出正确的控制方法，还会明确说明常见模型的适用边界——比如存在对撞机时，即便把所有观测变量都放入多元线性回归，依然会得到有偏的因果效应估计，帮初学者避开“控制越多变量结果越准”的误区。
• 经典因果推断教材配套实操资料
  • 《Causal Inference in Statistics: A Primer》配套练习册：作为DAG入门的核心教材，其课后实操题从最简单的三节点DAG（处理-混杂-结局）逐步升级到8节点以上的复杂真实场景DAG，每道题的配套说明会对应讲解后门调整、前门调整的适用条件，以及对应回归模型的书写逻辑——比如做前门调整时需要分两步构建回归模型，第一步估计处理对中介变量的效应，第二步估计中介对结局的效应同时控制处理变量，最终通过系数乘积计算无偏的总因果效应，所有练习都附标准结果对照，不需要额外查找答案。
  • 《What If》配套开源实操练习：专门设置DAG路径判断+回归验证的专项章节，所有案例均来自已发表的流行病学、社会科学真实研究简化版，比如经典的激素替代治疗与冠心病关联中的碰撞点偏倚案例。练习时会先要求学习者自主绘制DAG，判断是否需要控制“心绞痛”这类就诊相关变量，之后给出正确的控制方案，附模拟数据集让学习者分别运行“不调整/错误调整碰撞点/正确调整混杂”三个版本的回归模型，直观观测不同调整策略下的系数偏差，同时会明确标注不同场景下的模型选择规则：比如连续结局无交互时用普通线性回归、加权调整后用稳健标准误的广义线性模型、分层调整时适合用分层回归。
• 入门级DAG专项训练题集
  这部分是专门为新手整理的40道难度递进的DAG训练题，覆盖从基础路径识别到进阶的中介效应、调节效应、时变混杂场景，每道题给出研究问题和变量列表后，学习者可以自主提交绘制的DAG、选择的调整变量集、选用的回归模型，之后会得到逐点反馈：比如漏判了哪条后门路径、选择的调整变量是否会意外打开碰撞路径、选用的回归模型为什么无法在该场景下得到无偏估计，非常适合入门阶段反复刷题巩固判断逻辑。

入门练习建议：先练熟DAG路径判断规则，再对应选择控制方法和回归模型，不要一开始就把所有变量塞进回归，很容易犯过度调整的错误。判断调整集的核心逻辑是先找全所有处理到结局的非因果路径，再识别路径上的碰撞点，选出能阻断所有后门路径、且不包含碰撞点/中介变量的最小调整集即可。

内容的提问来源于stack exchange，提问作者Gnik