随着研究的不断深入和发展，传统的统计学方法已经无法解释很多问题。尤其在物理、行为、社会、生命、临床医学、公共卫生等学科，在阐明变量间或事件之间的因果关系时显得更复杂，例如一个疾病的发生并不是一个因素单独作用的结果，而是多种因素综合作用的结果，而且因素间又存在着相互作用。如何从数据中提取合适的方法（或者从理论中），学术界一直存在着争论。在过去的十年里，随着图模型的发展，因果推断已经发生了很大的转变：从一个模糊的理论转变为了一个有明确定义和逻辑基础的数学概念，悖论和争议进而迎刃而解。原来滑稽的概念被解释，曾经很长时间被认为是形而上学或者难以处理的因果信息的实际问题可以通过基础数学来解决。简言之，因果推断已经被数学化和图形化。

因果图模型（因果贝叶斯网络）是图模型和概率论的有机结合。它将图模型的定性描述和概率论的定量描述相结合构成了因果推断的坚实理论基础。流行病学合统计学中的很多基本概念（包括混杂，效应修饰，交互作用等）在图模型的框架下都得到了合理的解释。除此之外，基于图模型的因果推断方法（包括有向分隔准则，前门准则，后门准则，工具变量等）也被广泛地应用到各个科学领域。

本课程主要适用于具有一定概率论和数理统计基础和流行病学基础的流行病学专业、卫生统计专业和社会医学等专业研究生。