Вступ до причинного аналізу

Які хороші книги, що запроваджують причинний аналіз? Я думаю про вступ, який обидва пояснює принципи причинного аналізу та показує, як різні статистичні методи можуть бути використані для застосування цих принципів.

Спробуйте Morgan and Winship (2007) на соціальну науку або Ернана та Робінса (майбутнє) для епідеміологічного прийому. Хоча це все ще триває, схоже, це буде дуже добре.

Морган і Вінссіп особливо добре ставляться до того, що необхідно припустити для причинно-наслідкових інтерпретацій моделей регресійного типу.

Перл (2000) в жодному сенсі не вступний, хоча в кінцевому підсумку дуже добре читається. Можливо, ви знайдете корисні деякі його веб-сайти та конкретні статті, зокрема щодо інтерпретації структурних моделей рівнянь. Вони в основному доступні у вигляді технічних звітів.

Оновлення : Pearl, Glymour і Джуел ( в 2017) Причинна умовивід в статистиці: Підручник для початківців , є вступним , хоча. І дуже добре теж.

Нещодавно Pearl опублікував нову книгу, розраховану на новачків: Причинно-наслідкові умови у статистиці: буквар . Якщо ви ніколи раніше не бачили причинності із спрямованими ациклічними графіками, саме з цього слід почати. І вам слід виконати всі навчальні питання книги - це допоможе вам ознайомитися з новими інструментами та нотаціями.

Pearl також випускає книгу, орієнтовану на загальну аудиторію, «Книга чому», яка буде доступна у травні 2018 року.

Мігель Ернан, також призначений для початківців, нещодавно розпочав новий курс причинно-наслідкового виведення на EdX Causal Diagrams: Складіть свої припущення перед своїми висновками.

У Підручнику з причинного аналізу для соціальних досліджень також є дуже хороший текст Фелікса Елверта, глава 13, який є дуже доброзичливим вступом до графічних моделей.

Інші два хороші документи з "лагідними ознайомленнями" (як любить говорити Перл) до причинних графіків - Перл (2003 ) і Перл (2009).Перший документ також обговорюється.

Як вже згадували інші люди, Морган і Вінзшип - це дуже хороший підручник --- для соціологів - це дуже дружнє, але всебічне введення ---, яке охоплює як графічні моделі, так і потенційні результати.

Є недавня книга Імбенса і Рубіна , яка значною мірою охоплює деякі частини рандомізованих експериментів, але на DAGS нічого немає - вона лише підведе вас до потенційних результатів, тому вам потрібно доповнити її іншими книгами, як зазначений вище.

Серед економістів популярними є дипломні та магістерські книги Ангріста та Пішке. Але важливо помітити, що вони зосереджуються на загальних стратегіях / хитрощах --- інструментальних змінних, відмінностях у різницях, RDD і т. Д. Таким чином, ви можете отримати аромат більш застосованої точки зору, але тільки з тим, що ви не отримаєте більше малюнок про проблеми з ідентифікацією.

Якщо ви зацікавлені в причинному виявленні і хочете більш орієнтований на машинне навчання підхід, Петерс, Джанзінг і Шолкопф мають нову книгу « Елементи причинного висновку» , pdf є безкоштовною.

Тут варто згадати премію «Причинність у статистичній освіті». На його веб-сторінці ви можете знайти слайди та інші матеріали для декількох класів, які вигравали приз за кожен рік з початку 2013 року. У цьому ключі також варто звернути увагу на книгу VanderWeele.

Нарешті, як очевидно вже згадувалося, є вже класична книга Перла . Читання більш попередніх матеріалів, цитованих вище, допоможе вам її прочитати.

У мене дуже великі сподівання на майбутню книгу Остіна Нікольса Причинно-наслідкові висновки: Вимірювання ефекту x на y . Очікувана дата публікації - 2013 рік . Тим часом його роздатковий матеріал і папір надають хороший огляд панельних методів, інструментальних змінних, відповідності балів схильності / повторної ваги та припинення регресії. Порівняння між цими оцінювачами (і RCT) особливо корисні, а також міні-підручники Stata (які можна пропустити, якщо ви не користувач Stata). Кураторські посилання надаються, якщо ви хочете копати глибше. На жаль, тут не дуже багато структурних рівнянь, хоча це також стосується книги Моргана та Вінса. Їх папір ARS - це коротший, хоча дещо датований огляд.

Я знайшов Перлу цікавим, але важким вступом до цього матеріалу. Якби це було моїм першим впливом на ці ідеї, я не знаю, чи пішов би я після його читання, знаючи, як добре застосувати будь-який із методів.

Нарешті, ось відео-презентації та слайди економіста Джеймса Хекмана та Перла з симпозіуму Каузального висновку 2012 року в Мічиганському університеті. Тут багато матеріалів на структурних моделях.

Розширений аналіз даних з елементарної точки зору у підручнику Косма Шалізі має чудове висвітлення причинності. (Навчальний посібник як і раніше знаходиться у форматі чернетки та доступний в Інтернеті у форматі PDF, тому він має додаткову перевагу від безкоштовного використання.)

Однак ви повинні вирішити, чи зацікавлені ви в методах для (a) оцінки розміру причинних наслідків , або (b) вивчення структури причинно-наслідкових мереж (тобто дізнання, які змінні впливають на які інші). Існує багато посилань на (а), я вважаю, що причинність Перла - найкраща. Існує кілька вступних посилань на (b); Я думаю, що підручник Косма найкращий, але він не є всеосяжним.

У 2013 році КМУ провів кілька чудових вступних переговорів щодо вивчення каузальної структури. Річард Шейнс представив навчальний посібник з причинного висновку, використовуючи Tetrad , тривалий і ніжний вступ до основних понять. Фредерік Еберхардт представив " Все причинно-наслідкове відкриття" - швидкий огляд стану мистецтва. Один або обидва вони можуть бути корисними; Розмова Фредеріка повинна дати вам безліч ідей про те, куди йти далі.

Я рекомендую:

Аналіз даних за допомогою регресії та багаторівневих / ієрархічних моделей (Gelman & Hill)

Chapter9 і Chapter10 близько причинного виведення і загальнодоступного.

Гельман відомий як великий автор, який ретельно описує складні поняття.

Також розгляньте його веб-блог: http://andrewgelman.com/ є багато матеріалів про причинно-наслідкові умовиводи.

Ви не отримаєте повного уявлення про всі можливі методи, але ви, мабуть, отримаєте дуже детальне пояснення того, що відбувається.

PS: Аналіз ефектів лікування Гельмана в 8 школах став класичним прикладом байєсівської статистики ієрархічного моделювання.