Giới thiệu về phân tích nguyên nhân

Những cuốn sách tốt giới thiệu phân tích nguyên nhân là gì? Tôi đang nghĩ về một giới thiệu rằng cả hai đều giải thích các nguyên tắc phân tích nguyên nhân và cho thấy các phương pháp thống kê khác nhau có thể được sử dụng như thế nào để áp dụng các nguyên tắc này.

Hãy thử Morgan và Winship (2007) cho một khoa học xã hội hoặc Hernan và Robins (sắp tới) để thực hiện dịch tễ học. Mặc dù vẫn đang trong quá trình, điều này có vẻ như sẽ rất tốt.

Morgan và Winship đặc biệt tốt về những gì phải được giả định cho các diễn giải nguyên nhân của mô hình kiểu hồi quy.

Pearl (2000) không có ý nghĩa giới thiệu, mặc dù cuối cùng là một bài đọc rất tốt. Bạn có thể thấy một số trang web của anh ấy và các bài viết cụ thể hữu ích, đặc biệt là về việc diễn giải các mô hình phương trình cấu trúc. Chúng chủ yếu có sẵn như là báo cáo kỹ thuật.

Cập nhật : Pearl, Glymour và Jewell's (2017) Suy luận nguyên nhân trong thống kê: Một Primer , mặc dù là giới thiệu. Và cũng rất tốt.

Pearl gần đây đã xuất bản một cuốn sách mới, dành cho người mới bắt đầu: Suy luận nguyên nhân trong Thống kê: Một mồi . Nếu bạn chưa bao giờ thấy quan hệ nhân quả với các biểu đồ chu kỳ có hướng trước đây, thì đây là lúc bạn nên bắt đầu. Và bạn nên làm tất cả các câu hỏi nghiên cứu của cuốn sách, điều này sẽ giúp bạn làm quen với các công cụ và ký hiệu mới.

Pearl cũng đang phát hành một cuốn sách dành cho đối tượng chung, Cuốn sách Tại sao sẽ ra mắt vào tháng 5 năm 2018.

Cũng dành cho người mới bắt đầu, Miguel Hernán vừa bắt đầu một khóa học suy luận nguyên nhân mới về Sơ đồ nguyên nhân edX : Vẽ giả định của bạn trước khi kết luận của bạn.

Trong Sổ tay phân tích nguyên nhân cho nghiên cứu xã hội , cũng có một văn bản rất hay của Felix Elwert, Chương 13, đây là phần giới thiệu rất thân thiện với các mô hình đồ họa.

Hai bài báo hay khác với "lời giới thiệu nhẹ nhàng" (như Pearl muốn nói) cho đồ thị nhân quả là Pearl (2003 ) và Pearl (2009). Bài báo đầu tiên đi kèm với các cuộc thảo luận là tốt.

Như những người khác đã đề cập, Morgan và Winship là một cuốn sách giáo khoa rất hay --- dành cho các nhà khoa học xã hội một phần giới thiệu rất thân thiện nhưng toàn diện --- và nó bao gồm cả các mô hình đồ họa và kết quả tiềm năng.

Có một cuốn sách gần đây của Imbens và Rubin , bao gồm phần lớn các thí nghiệm ngẫu nhiên, nhưng không có gì trên DAGS --- nó sẽ chỉ đưa bạn đến khuôn khổ kết quả tiềm năng, vì vậy bạn cần bổ sung nó vào các cuốn sách khác, như một trong những đề cập ở trên.

Trong số các nhà kinh tế, sách tốt nghiệp và đại học của Angrist và Pischke là phổ biến. Nhưng điều quan trọng cần lưu ý là họ tập trung vào các chiến lược / thủ thuật phổ biến --- biến công cụ, khác biệt, RDD, v.v. Vì vậy, bạn có thể có được một hương vị của một quan điểm được áp dụng nhiều hơn, nhưng chỉ với điều đó bạn sẽ không nhận được lớn hơn hình ảnh về vấn đề nhận dạng.

Nếu bạn quan tâm đến khám phá nguyên nhân và muốn một cách tiếp cận theo định hướng Machine Learning hơn, Peters, Janzing và Scholkopf có một cuốn sách mới về các yếu tố suy luận nguyên nhân , pdf là miễn phí.

Điều đáng nói ở đây là giải thưởng "Nhân quả trong giáo dục thống kê". Trên trang web của nó, bạn có thể tìm thấy các slide và các tài liệu khác cho một số lớp đã giành giải thưởng mỗi năm kể từ đầu năm 2013. Trong đó, cũng đáng chú ý cuốn sách của VanderWeele.

Cuối cùng, như rõ ràng đã được đề cập, có cuốn sách kinh điển bây giờ của Pearl . Các bài đọc của các tài liệu sơ bộ hơn được trích dẫn ở trên sẽ giúp bạn đọc nó.

Tôi có những kỳ vọng rất cao cho cuốn sách sắp tới của Austin Nichols Suy luận nguyên nhân: Đo lường hiệu quả của x đối với y . Ngày xuất bản dự kiến ​​là 2013 . Trong lúc này, ông Bản và giấy cung cấp một cái nhìn tổng quan tốt đẹp của phương pháp bảng điều khiển, biến công cụ, điểm phù hợp xu hướng / reweighting, và gián đoạn hồi quy. Các so sánh giữa tất cả các công cụ ước tính này (và RCT) đặc biệt hữu ích, cũng như các hướng dẫn nhỏ của Stata (có thể bỏ qua nếu bạn không phải là người dùng Stata). Tài liệu tham khảo giám tuyển được cung cấp nếu bạn muốn đào sâu hơn. Thật không may, không có nhiều phương trình cấu trúc ở đây, mặc dù điều đó cũng đúng với cuốn sách Morgan và Winship. Giấy ARS của họ là một cái nhìn ngắn hơn, mặc dù có phần ngày, tổng quan.

Tôi thấy Pearl là một giới thiệu thú vị, nhưng khó khăn, cho tài liệu này. Nếu đó là lần đầu tiên tôi tiếp xúc với những ý tưởng này, tôi không biết liệu mình có bỏ đi được không sau khi đọc nó biết cách áp dụng bất kỳ phương pháp nào rất tốt.

Cuối cùng, đây là các bài thuyết trình và slide của nhà kinh tế James Heckman và Pearl từ Hội nghị chuyên đề suy luận nhân quả năm 2012 tại Đại học Michigan. Rất nhiều thứ trên các mô hình cấu trúc ở đây.

Sách giáo khoa Cosma Shalizi Phân tích dữ liệu nâng cao từ quan điểm cơ bản có phạm vi bảo hiểm tuyệt vời về quan hệ nhân quả. (Sách giáo khoa vẫn ở dạng bản nháp và có sẵn trực tuyến dưới dạng pdf, vì vậy nó có thêm lợi ích là miễn phí.)

Tuy nhiên, bạn nên quyết định xem bạn có quan tâm đến các phương pháp để (a) ước tính kích thước của các hiệu ứng nhân quả hay (b) tìm hiểu cấu trúc của các mạng nhân quả (nghĩa là học các biến nào ảnh hưởng đến các biến khác). Có rất nhiều tài liệu tham khảo cho (a), tôi nghĩ rằng Pearlality là tốt nhất. Có một vài tài liệu tham khảo giới thiệu cho (b); Tôi nghĩ rằng sách giáo khoa của Cosma là tốt nhất, nhưng nó không toàn diện.

CMU đã tổ chức một số buổi nói chuyện giới thiệu tuyệt vời về học tập cấu trúc nhân quả vào năm 2013. Richard Scheines đã trình bày một hướng dẫn về suy luận nguyên nhân bằng cách sử dụng Tetrad , một giới thiệu dài và nhẹ nhàng về các khái niệm cơ bản. Frederick Eberhardt đã trình bày All of Causal Discovery , một tổng quan nhanh về tình trạng của nghệ thuật. Một hoặc cả hai có thể hữu ích; Cuộc nói chuyện của Frederick sẽ cho bạn rất nhiều ý tưởng về nơi sẽ đi tiếp theo.

Tôi khuyên bạn nên:

Phân tích dữ liệu bằng mô hình hồi quy và đa cấp / phân cấp (Gelman & Hill)

Chương 9 và Chương 10 là về suy luận nguyên nhân và có thể truy cập công khai.

Gelman được biết đến là một tác giả tuyệt vời, người mô tả các khái niệm phức tạp một cách kỹ lưỡng.

Cũng xem xét blog web của mình: http://andrewgelman.com/ có rất nhiều tài liệu về suy luận nguyên nhân.

Bạn không có được bức tranh đầy đủ về tất cả các phương pháp có thể, nhưng có lẽ bạn sẽ nhận được một lời giải thích rất công phu về những gì đang diễn ra.

Tái bút: Phân tích hiệu quả điều trị 8 trường của Gelman đã trở thành một ví dụ kinh điển về thống kê Bayes về mô hình phân cấp.