Wprowadzenie do analizy przyczynowej

Jakie są dobre książki, które wprowadzają analizę przyczynową? Mam na myśli wprowadzenie, które objaśnia zasady analizy przyczynowej i pokazuje, w jaki sposób można zastosować różne metody statystyczne do zastosowania tych zasad.

Wypróbuj Morgan and Winship (2007), aby wziąć udział w badaniach społecznych, lub Hernan i Robins (wkrótce), aby wziąć udział w epidemiologii. Choć wciąż trwa, wygląda na to, że będzie bardzo dobrze.

Morgan i Winship są szczególnie dobrzy pod względem tego, co należy przyjąć w przypadku przyczynowych interpretacji modeli typu regresji.

Pearl (2000) nie jest w żadnym sensie wprowadzający, choć ostatecznie bardzo dobra lektura. Niektóre jego strony internetowe i konkretne artykuły mogą okazać się przydatne, szczególnie w zakresie interpretacji modeli równań strukturalnych. Są one najczęściej dostępne jako raporty techniczne.

Aktualizacja : Pearl, Glymour i Jewell'S (2017) wnioskowania przyczynowego statystyki: Primer , to jednak wstępne. I też bardzo dobrze.

Pearl niedawno opublikowało nową książkę, skierowaną do początkujących: Causal Inference in Statistics: A Primer . Jeśli nigdy wcześniej nie widziałeś związku przyczynowego z ukierunkowanymi wykresami acyklicznymi, od tego momentu powinieneś zacząć. I powinieneś zrobić wszystkie pytania do studium z książki — to pomoże ci zapoznać się z nowymi narzędziami i notacją.

Pearl wydaje także książkę skierowaną do szerokiej publiczności, The Book of Why, która będzie dostępna w maju 2018 roku.

Również skierowany do początkujących, Miguel Hernán właśnie rozpoczął nowy kurs wnioskowania przyczynowego na temat diagramów przyczynowych edX : Wyciągnij założenia przed wyciągnięciem wniosków.

W Handbook of Causal Analysis for Social Research znajduje się również bardzo dobry tekst Felixa Elwerta, rozdział 13, który jest bardzo przyjaznym wprowadzeniem do modeli graficznych.

Pozostałe dwa dobre artykuły z „delikatnymi wprowadzeniami” (jak mawia Pearl) do wykresów przyczynowych to Pearl (2003 ) i Pearl (2009). Pierwszy artykuł zawiera również dyskusje.

Jak wspomnieli inni, Morgan i Winship to bardzo dobry podręcznik --- dla naukowców społecznych bardzo przyjazny, ale wszechstronny wstęp --- i obejmuje zarówno modele graficzne, jak i potencjalne wyniki.

Jest ostatnia książka Imbensa i Rubina , która obejmuje w większym stopniu niektóre części randomizowanych eksperymentów, ale nie ma nic na temat DAGS - wystawi cię tylko na ramy potencjalnych wyników, więc musisz uzupełnić ją o inne książki, jak wspomniano powyżej.

Wśród ekonomistów popularne są książki dla absolwentów i studentów Angrista i Pischke. Ale ważne jest, aby zauważyć, że koncentrują się na wspólnych strategiach / sztuczkach --- zmienne instrumentalne, różnice w różnicach, RDD itp. Więc możesz uzyskać smak bardziej stosowanej perspektywy, ale z tym, że nie dostaniesz większego obraz o problemach z identyfikacją.

Jeśli jesteś zainteresowany odkryciem przyczynowym i chcesz bardziej zorientowanego na uczenie maszynowe podejścia, Peters, Janzing i Scholkopf mają nową książkę z elementami wnioskowania przyczynowego , pdf jest bezpłatny.

Warto tu wymienić nagrodę „Przyczynowość w edukacji statystycznej”. Na jego stronie można znaleźć slajdy i inne materiały dla kilku klas, które zdobywały nagrodę każdego roku od początku w 2013 roku. W tym duchu warto również zwrócić uwagę na książkę VanderWeele.

Wreszcie, jak już wspomniano, jest już klasyczna książka Pearl . Odczyty bardziej wstępnych materiałów cytowanych powyżej pomogą ci je przeczytać.

Mam bardzo duże oczekiwania wobec nadchodzącej książki Austina Nicholsa „ Wnioskowanie przyczynowe: pomiar wpływu x na y” . Przewidywana data publikacji to 2013 r . Tymczasem jego materiały informacyjne i papier przedstawiają ładny przegląd metod panelu, zmiennych instrumentalnych, dopasowywania / ponownego ważenia wyników skłonności i nieciągłości regresji. Szczególnie przydatne są porównania między tymi wszystkimi estymatorami (i RCT), a także mini-samouczki Stata (które można pominąć, jeśli nie jesteś użytkownikiem Stata). Wyszukane referencje są dostępne, jeśli chcesz kopać głębiej. Niestety, nie ma tutaj wiele na temat równań strukturalnych, choć dotyczy to również książki Morgan i Winship. Ich papier ARS to krótszy, choć nieco przestarzały przegląd.

Uważam Pearl za interesujące, ale trudne wprowadzenie do tego materiału. Gdyby to był mój pierwszy kontakt z tymi pomysłami, nie wiem, czy odszedłbym po przeczytaniu, wiedząc, jak bardzo dobrze zastosować którąkolwiek z tych metod.

Na koniec oto prezentacje wideo i slajdy autorstwa ekonomisty Jamesa Heckmana i Pearl z sympozjum Causal Inference Symposium na University of Michigan. Wiele rzeczy na temat modeli konstrukcyjnych tutaj.

Podręcznik Cosma Shalizi Zaawansowana analiza danych z podstawowego punktu widzenia ma doskonały zasięg. (Podręcznik jest nadal w wersji roboczej i jest dostępny online w formacie pdf, więc ma tę dodatkową zaletę, że jest bezpłatny).

Powinieneś jednak zdecydować, czy interesują Cię metody (a) oszacowania wielkości skutków przyczynowych lub (b) poznanie struktury sieci przyczynowych (tj. Poznanie, które zmienne wpływają na które inne). Istnieje wiele odniesień do (a), myślę, że przyczynowość Pearl jest najlepsza. Istnieje kilka wprowadzających odniesień do (b); Myślę, że podręcznik Cosmy jest najlepszy, ale nie jest wyczerpujący.

W 2013 r. CMU było gospodarzem świetnych rozmów wprowadzających na temat uczenia się struktury przyczynowej. Richard Scheines przedstawił samouczek na temat wnioskowania przyczynowego za pomocą Tetrad , długiego i delikatnego wprowadzenia do podstawowych pojęć. Frederick Eberhardt przedstawił All of Causal Discovery , szybki przegląd stanu techniki. Jeden lub oba mogą być pomocne; Wystąpienie Fredericka powinno dać ci mnóstwo pomysłów na temat tego, co dalej.

Poleciłbym:

Analiza danych przy użyciu regresji i modeli wielopoziomowych / hierarchicznych (Gelman i Hill)

Rozdział 9 i Rozdział 10 dotyczą wnioskowania przyczynowego i są publicznie dostępne.

Gelman jest znany jako świetny autor, który dokładnie opisuje złożone pojęcia.

Weź również pod uwagę jego blog internetowy: http://andrewgelman.com/ istnieje wiele materiałów na temat wnioskowania przyczynowego.

Nie masz pełnego obrazu wszystkich możliwych metod, ale prawdopodobnie uzyskasz bardzo szczegółowe wyjaśnienie tego, co się dzieje.

PS: Analiza efektu leczenia 8 szkół Gelmana stała się klasycznym przykładem bayesowskiej statystyki modelowania hierarchicznego.