Causality, Decision Making and Data Science（2025 秋）

请帮我把「Causality, Decision Making and Data Science（2025 秋）」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://stanford-causal-inference-class.github.io/index.html
我的系统：Windows。如果实际不符，先调整方案。
本次路线：在线学习。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：每讲有课前思考题（pre-class prompts PDF），5 个模块配 5 次作业：作业 0 统计复习（PDF）和作业 1–4（Python 笔记本，可在 Colab 运行），另有期末项目指南。页面未说明提交方式和是否有自动评分；外部学习者可在 Colab 完成全部笔记本，自行检查结论。
课节（官方顺序）：
1. Lecture 1 – Introduction and Statistics Refresher：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit0_Lecture1.pptx
2. Lecture 2 – Causality and Correlation：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit0_Lecture2.pptx
3. Lecture 3 – The Magic of Randomized Control Trials：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit1_Lecture1.pptx
4. Lecture 4 – Problems with Experiments：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit1_Lecture2.pptx
5. Lecture 5 – Online Experiments：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit1_Lecture3.pptx
6. Lecture 6 – Friedman's Permanent Income Hypothesis：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit2_Lecture1.pptx
7. Lecture 7 – Regression! (Motivated by Understanding the Effect of UBI)：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit2_Lecture2.pptx
8. Lecture 8 – Empirical Evidence on the Effect of Unearned Income：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit2_Lecture3.pptx
9. Lecture 9 – Heterogeneous Treatment Effects and Random Forests：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit2_Lecture4.pptx
10. Lecture 10 – Returns to Education：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit3_Lecture1.pptx
11. Lecture 11 – Instrumental Variables：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit3_Lecture2.pptx
12. Lecture 12 – The Return of Instrumental Variables：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit3_Lecture3.pptx
13. Lecture 13 – Regression Discontinuity：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit3_Lecture4.pptx
14. Lecture 14 – Panel Data!：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit4_Class1.pptx
15. Lecture 15 – Difference-in-Differences：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit4_Class2.pptx
16. Lecture 16 – Sparsity and Low-rankness：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit4_Class3.pptx
17. Lecture 17 – Synthetic Control (and course recap)：https://stanford-causal-inference-class.github.io/materials/lecture-slides/Unit4_Class4.pptx

1. 环境
- 学习者需要自己的 Google 账号登录 Colab（这一步由学习者操作）。
- 作业笔记本用 Colab 链接打开：Python 基础营 hw0/WelcomeToPython.ipynb，作业 1–4 为 hw1–hw4/Assignment_N.ipynb；在 Colab 中“保存副本到云端硬盘”后再作答。
- 每次作业的数据集（如 hw1/jobtraining_rct.csv）与笔记本同目录；Colab 中如找不到数据，需把对应 CSV 上传到会话或从仓库地址读取。
- 作业 0（统计复习）是 PDF：materials/problem-sets/hw0/hw0.pdf。
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 课程网站仓库（含 materials/ 下全部课件、作业笔记本和数据）：只记录链接 https://github.com/stanford-causal-inference-class/stanford-causal-inference-class.github.io（公开可读不等于开放许可。仅保留官方链接，不自动克隆、下载或再分发。）
- 完整课程大纲 PDF：只记录链接 https://stanford-causal-inference-class.github.io/materials/Syllabus.pdf
- 介绍本课程的论文（HDSR）：只记录链接 https://hdsr.mitpress.mit.edu/pub/uynpjlow/release/3?readingCollection=4a1a4763
3. 目录（最外层放在我确认的位置）
stanford-causal-inference-2025/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.md     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-intro-statistics-refresher/
    ├── 02-causality-correlation/
    ├── 03-randomized-control-trials/
    ├── 04-problems-with-experiments/
    ├── 05-online-experiments/
    ├── 06-permanent-income-hypothesis/
    ├── 07-regression-ubi/
    ├── 08-unearned-income-evidence/
    ├── 09-heterogeneous-effects-forests/
    ├── 10-returns-to-education/
    ├── 11-instrumental-variables/
    ├── 12-instrumental-variables-return/
    ├── 13-regression-discontinuity/
    ├── 14-panel-data/
    ├── 15-difference-in-differences/
    ├── 16-sparsity-low-rankness/
    └── 17-synthetic-control/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.md，逐项检查并记录“通过/未通过”：
- 按浏览器或在线 notebook 清单检查，不为自检安装本机终端。
  - 在浏览器打开官方课程主页及作业 1 笔记本，确认能看到课表和代码单元；保存副本或上传到 Colab 前先确认材料许可和个人 Google 账号。  → 课表和作业说明可读；登录或数据加载失败单独记录，不标为环境通过。
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。