feat: add Back-Door Criterion causal inference example (NHEFS)

.gitignore

@@ -136,3 +136,5 @@ _build/
 
 # poetry files
 pyproject.toml
+
+.DS_Store

book/_toc.yml

@@ -5,6 +5,9 @@ parts:
   - caption: Contents
     chapters:
     - file: prior_knowledge/overview.md
+    - file: scm/overview.md
+      sections:
+      - file: scm/backdoor_criterion.ipynb
     - file: ate/overview.md
       sections:
       - file: ate/ols.ipynb

book/scm/overview.md

@@ -0,0 +1,55 @@
+# Structural Causal Model(SCM)
+
+SCM(Structural Causal Model)은 변수 간의 causal mechanism을 구조방정식과 DAG로 표현하는 접근입니다.  
+이 섹션에서는 주요 식별 전략을 중심으로, 실제 데이터를 활용한 인과효과 분석을 다룹니다.
+
+---
+
+## 1. Backdoor Criterion
+
+- **식별 전략:**  
+  원인과 결과 모두에 영향을 미치는 교란변수(confounder) 를 통제하여,  
+  인과효과를 다음과 같이 식별합니다.
+
+  $$
+  P(Y \mid do(X)) = \sum_Z P(Y \mid X, Z) P(Z)
+  $$
+
+- **데이터:** *National Health and Nutrition Examination Survey (NHEFS)*
+
+---
+
+## 2. Frontdoor Criterion
+
+- **식별 전략:**  
+  원인($X$)이 결과($Y$)에 미치는 효과가 매개변수($M$)을 통해서만 전달될 때,  
+  다음 식을 통해 인과효과를 간접적으로 식별합니다.
+
+  $$
+  P(Y \mid do(X)) = \sum_M P(M \mid X) \sum_{X'} P(Y \mid M, X') P(X')
+  $$
+
+- **데이터:** *NYC TLC 2023 High Volume FHV Trip Records*
+
+---
+
+## 3. Instrument Variable (IV)
+
+- **식별 전략:**  
+  ($X$)와 ($Y$) 간의 내생성(endogeneity) 문제를 해결하기 위해,
+  ($X$)에는 영향을 주지만 ($Y$) 에는 직접 영향을 미치지 않는 도구변수($Z$)를 사용합니다.  
+  인과효과는 다음과 같이 식별됩니다.
+
+  $$
+  \hat{\beta}_{IV} = \frac{\operatorname{Cov}(Z, Y)}{\operatorname{Cov}(Z, X)}
+  $$
+- **데이터:** 추후 확정 예정
+
+---
+
+## 4. Causal Discovery
+
+- **목표:**  
+  변수 간 조건부 독립성(Conditional Independence)을 이용해 데이터로부터 DAG 구조를 학습하고 인과 방향성을 탐색합니다.
+
+- **데이터:** 추후 확정 예정