Введение в причинный анализ

Какие хорошие книги, которые вводят причинный анализ? Я думаю о введении, которое объясняет принципы причинного анализа и показывает, как различные статистические методы могут быть использованы для применения этих принципов.

Попробуйте Morgan and Winship (2007) для изучения социальных наук или Hernan and Robins (готовится к выпуску) для эпидемиологического исследования. Хотя все еще в процессе, похоже, что это будет очень хорошо.

Морган и Виншип особенно хороши в том, что необходимо принять для причинной интерпретации моделей регрессионного типа.

Pearl (2000) ни в коем случае не является вводным, хотя в конечном итоге очень хорошо читается. Вы можете найти некоторые из его веб-сайтов и конкретных статей полезными, особенно по интерпретации моделей структурных уравнений. Они в основном доступны в виде технических отчетов.

Обновление : Pearl, Glymour и Джуэл ( в 2017) Причинная Умозаключение в статистике: Учебник для начинающих , является вводным , хотя. И очень хорошо тоже.

Жемчужина недавно опубликовала новую книгу, предназначенную для начинающих: Причинный вывод в статистике: Учебник для начинающих . Если вы никогда раньше не видели причинно-следственной связи с ориентированными ациклическими графами, это то, с чего вам следует начать. И вы должны выполнить все вопросы для изучения книги - это поможет вам ознакомиться с новыми инструментами и обозначениями.

Жемчуг также выпускает книгу, предназначенную для широкой аудитории, «Книга почему», которая будет доступна в мае 2018 года.

Также предназначенный для начинающих, Мигель Эрнан только что начал новый курс по причинно-следственной связи на диаграммах причинно-следственных связей edX : нарисуйте свои предположения, прежде чем делать выводы.

В « Руководстве по каузальному анализу для социальных исследований» есть также очень хороший текст Феликса Элверта, глава 13, который очень дружелюбно знакомит с графическими моделями.

Другими двумя хорошими статьями с «мягкими введениями» (как любит говорить Перл) в каузальные графики являются Перл (2003 ) и Перл (2009). Первая статья также идет с обсуждениями.

Как уже упоминали другие люди, « Морган и Виншип» - очень хороший учебник - для социологов - очень дружелюбное и в то же время всестороннее введение, и оно охватывает как графические модели, так и потенциальные результаты.

Есть недавняя книга Имбенса и Рубина , которая в большей степени охватывает некоторые части рандомизированных экспериментов, но в DAGS ничего нет - она ​​только познакомит вас с системой потенциальных результатов, поэтому вам нужно дополнить ее другими книгами, как упомянуто выше.

Среди экономистов популярны книги для выпускников и студентов Angrist и Pischke. Но важно отметить, что они фокусируются на общих стратегиях / уловках - инструментальных переменных, различиях в различиях, RDD и т. Д. Таким образом, вы можете получить представление о более прикладной перспективе, но только с тем, что вы не получите больше картина о проблемах идентификации.

Если вы заинтересованы в раскрытии причинно-следственных связей и хотите более ориентированный на машинное обучение подход, у Питерса, Янцинга и Шолкопфа есть новая книга, посвященная выводам элементов причинно-следственной связи , PDF-файл бесплатный.

Здесь стоит упомянуть приз «Причинность в статистическом образовании». На его веб-странице вы можете найти слайды и другие материалы для нескольких классов, которые выигрывали приз за каждый год с момента его основания в 2013 году. В этом ключе также стоит обратить внимание на книгу Вандервила.

Наконец, как уже упоминалось, есть классическая книга Перл . Чтение более предварительных материалов, приведенных выше, поможет вам прочитать его.

У меня очень большие надежды на грядущую книгу Остина Николса « Причинный вывод: измерение влияния х на у» . Ожидаемая дата публикации - 2013 . В то же время, его раздаточный материал и статья предоставляют хороший обзор методов панели, инструментальных переменных, сопоставления / переоценки оценки склонности и прерывности регрессии. Особенно полезны сравнения между всеми этими оценщиками (и РКИ), а также мини-учебники по Stata (которые можно пропустить, если вы не являетесь пользователем Stata). Куратор ссылки предоставляются, если вы хотите копать глубже. К сожалению, здесь не так много о структурных уравнениях, хотя это также верно для книги Моргана и Виншипа. Их ARS бумага это более короткий, хотя и несколько устаревший обзор.

Я нашел Перл интересным, но трудным введением в этот материал. Если бы это было мое первое знакомство с этими идеями, я не знаю, ушел бы я после прочтения, зная, как очень хорошо применять любой из методов.

Наконец, вот видео-презентации и слайды экономиста Джеймса Хекмана и Перла с Симпозиума по причинно-следственным связям 2012 года в Мичиганском университете. Много материала о структурных моделях здесь.

Учебник Космы Шализи « Расширенный анализ данных с элементарной точки зрения» имеет превосходное освещение причинно-следственных связей. (Учебник все еще в черновом варианте и доступен в формате PDF, так что он имеет дополнительное преимущество, заключающееся в бесплатности.)

Тем не менее, вы должны решить, заинтересованы ли вы в методах (а) оценки размера причинных эффектов или (б) изучения структуры причинных сетей (т. Е. Изучения того, какие переменные влияют на какие другие). Есть много ссылок на (а), я думаю, что Причинность Перла является лучшей. Есть несколько вводных ссылок для (б); Я считаю, что учебник Космы - лучший, но он не исчерпывающий.

В 2013 году в CMU состоялись отличные вступительные доклады по изучению причинно-следственной структуры. Ричард Шейнс представил учебное пособие по причинно-следственной связи с использованием тетрада , длинного и лаконичного введения в основные концепции. Фредерик Эберхардт представил All of Causal Discovery , быстро развивающийся обзор современного уровня техники. Один или оба из них могут быть полезны; Выступление Фридриха должно дать вам множество идей о том, куда идти дальше.

Я бы порекомендовал:

Анализ данных с использованием регрессионных и многоуровневых / иерархических моделей (Gelman & Hill)

Глава 9 и Глава 10 посвящены причинно-следственной связи и являются общедоступными.

Гельман известен как великий автор, который тщательно описывает сложные концепции.

Также рассмотрите его веб-блог: http://andrewgelman.com/ есть много материалов о причинно-следственной связи.

Вы не получите полную картину всех возможных методов, но вы, вероятно, получите очень подробное объяснение того, что происходит.

PS: анализ эффекта лечения в 8 школах Гельмана стал классическим примером байесовской статистики иерархического моделирования.