中文摘要：

研究因果推断的统计方法。因果模型主要有因果网络模型和潜在结果模型。针对这两种模型，我们研究因果网络的结构学习和因果作用的统计推断。在因果网络方面，我们探讨因果网络的有效学习算法；研究根据不完全数据和时间序列数据的网络结构学习方法；讨论完全数据和不完全数据的局部网络学习算法。关于因果推断方面，我们探讨替代指标的准则。我们提出的替代指标悖论说明了目前主要的替代指标准则不能根据处理对替代指标的作用来预测处理对终点指标的作用。因此，需要确定替代指标的新准则。关于多因素之间因果分析，我们研究中间调解分析(Mediation analysis)，讨论直接因果作用和间接因果作用的可识别性。用因果路径的中间因素对总体的进行主分层，我们研究主分层分析(Principal analysis)，探讨主分层因果作用的统计推断方法。我们讨论不可忽略缺失数据机制下因果作用的可识别性。

结论摘要：

研究因果推断的统计方法。因果模型主要有因果网络模型和潜在结果模型。针对这两种模型，我们研究了因果网络的结构学习和因果作用的统计推断。在因果网络方面，我们探讨了因果网络的有效学习算法；研究根据不完全数据和时间序列数据的网络结构学习方法；讨论完全数据和不完全数据的局部网络学习算法。关于因果推断方面，我们探讨了替代指标的准则。我们提出的替代指标悖论说明了目前主要的替代指标准则不能根据处理对替代指标的作用来预测处理对终点指标的作用。因此，需要确定替代指标的新准则。关于多因素之间因果分析，我们研究中间调解分析(Mediation analysis)，讨论直接因果作用和间接因果作用的可识别性。用因果路径的中间因素对总体的进行主分层，我们研究主分层分析(Principal analysis)，探讨主分层因果作用的统计推断方法。我们讨论不可忽略缺失数据机制下因果作用的可识别性。