该文主要研究了因果推断中多混杂因素的判别;关于非混杂因素进行标准化对估计精度的影响;在不可忽略缺失机制下不完全数据的统计分析;以及可忽略缺失机制下不完全数据的贝叶斯分析等问题.主要包含以下四个部分:[1]因果推断中的一个重要问题是判断混杂因素,调整混杂因素可以减少因果效应的混杂偏倚,而调整一个非混杂因素不能减少混杂偏倚.但是,很多作者对于是否有必要调整非混杂因素持不同见解.有的作者认为调整非混杂因素可以提高估计精度,而有的作者持反对意见.针对流行病学中为消除混杂偏倚常采用的标准化方法,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因果效应估计的精度,无论怎样重新定义非混杂因素的分层.[2]我们讨论了因果推断的几种假设条件,给出了在含有多个潜在混杂因素的情况下,判断无混杂的条件;并且提出了给定多个潜在混杂因素充分集的情况下,判断非混杂因子的逐步判断方法,利用此方法,一步一步地对非混杂因素进行消除,尽可能多地从潜在混杂因素集合中删除非混杂因子.[3]对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.一个关联性强的工具变量将有助于提高参数估计的精度.对不可识别的不可忽略缺失机制模型,我们研究了借助其它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.[4]关于不完全数据情况下图模型的贝叶斯学习,我们提出了部分扩张的算法,给出了计算图模型后验概率的递推公式.这种算法使得扩张后的数据呈现单调的数据模式.递推公式描述了后验概率怎样被更新,在此基础上,可以用EM算法来计算近似的后验均值.