本文主要研究了因果推断中关于非混杂因素进行标准化对相对风险度估计精度的影响,在不可忽略缺失机制下纵向数据的方差分析,以及贝叶斯网络与MMHC算法应用等问题。主要包括以下三个部分：(1)因果推断中的一个重要因素是判断混杂因素,调整混杂因素可以减少混杂因素的偏倚,但是很多学者对于是否有必要调整非混杂因素持不同见解。我们论证了在通常样本量的情况下,标准化非混杂因素不能提高相对风险度,无论怎样重新定义非混杂因素的分层。更进一步地,我们给出了相对风险度的四种区间估计,并根据覆盖概率和区间长度比较四种区间估计的优劣。(2)在纵向数据研究中,对于不可忽略缺失机制的不完全数据模型,引入工具变量使得模型参数变得可识别。我们研究了参数估计的方差与工具变量和目标变量的优势比之间的关系。对不可识别的不可忽略缺失机制模型,我们研究了借助其他外部数据或知识获得某对变量之间优势比的估计,使得模型变得可识别。(3)贝叶斯网络是人们根据先验知识和现有的数据,用概率的计算方法来预测未知事件发生的可能性。贝叶斯网络的学习分完全数据和不完全数据下的学习,本部分主要是在完全数据下学习因果算法,构建网络图。MMHC算法是一种全局搜索算法,它可以通过各个变量的观测数据,来发掘变量之间的因果关系,并能明确指出谁和谁构成父子关系,哪些变量是父节点以及哪些变量是子结点。该算法可以通过数据分析而自动生成决策支持系统的模型,所以现已广泛应用于医学、生物学、天气预报、农业生产、经济模型建构、数据修补等领域。