Pengantar analisis kausal

Apa buku bagus yang memperkenalkan analisis kausal? Saya sedang memikirkan pengantar yang keduanya menjelaskan prinsip-prinsip analisis sebab akibat dan menunjukkan bagaimana metode statistik yang berbeda dapat digunakan untuk menerapkan prinsip-prinsip ini.

Coba Morgan dan Winship (2007) untuk mengambil ilmu sosial atau Hernan dan Robins (akan datang) untuk mengambil epidemiologis. Meski masih dalam proses, sepertinya ini akan sangat bagus.

Morgan dan Winship sangat baik pada apa yang harus diasumsikan untuk interpretasi kausal dari model tipe regresi.

Pearl (2000) sama sekali tidak memiliki pengantar, meskipun pada akhirnya merupakan bacaan yang sangat bagus. Anda mungkin menemukan beberapa situs web dan artikel spesifiknya bermanfaat, khususnya dalam menafsirkan model persamaan struktural. Sebagian besar tersedia sebagai laporan teknis.

Update : Pearl, Glymour and Jewell's (2017) Inferensial Kausal dalam Statistik: A Primer , adalah pengantar. Dan sangat bagus juga.

Pearl baru-baru ini menerbitkan buku baru, yang ditujukan untuk pemula: Inferensial Kausal dalam Statistik: A Primer . Jika Anda belum pernah melihat hubungan sebab akibat dengan grafik asiklik terarah sebelumnya, di sinilah Anda harus memulai. Dan Anda harus melakukan semua pertanyaan studi buku ini —— ini akan membantu Anda berkenalan dengan alat dan notasi baru.

Pearl juga merilis buku yang ditujukan untuk khalayak umum, The Book of Why yang akan tersedia Mei 2018.

Juga ditujukan untuk pemula, Miguel Hernán baru saja memulai kursus inferensi kausal baru pada edX Diagram Kausal: Gambar Asumsi Anda Sebelum Kesimpulan Anda.

Dalam Buku Pegangan Analisis Kausal untuk Penelitian Sosial , ada juga teks yang sangat bagus oleh Felix Elwert, Bab 13, yang merupakan pengantar yang sangat ramah untuk model grafis.

Dua makalah bagus lainnya dengan "perkenalan lembut" (seperti Pearl suka katakan) ke grafik kausal adalah Pearl (2003 ) dan Pearl (2009). Makalah pertama dilengkapi dengan diskusi juga.

Seperti yang telah disebutkan orang lain, Morgan dan Winship adalah buku teks yang sangat bagus --- bagi para ilmuwan sosial pengantar yang sangat ramah namun komprehensif --- dan itu mencakup model grafis dan hasil potensial.

Ada buku terbaru oleh Imbens dan Rubin , yang mencakup sebagian besar eksperimen acak, tetapi tidak ada apa-apa tentang DAGS --- itu hanya akan memaparkan Anda pada kerangka hasil potensial, jadi Anda perlu menambahnya dengan buku-buku lain, seperti yang disebutkan di atas.

Di antara ekonom, lulusan dan sarjana buku oleh Angrist dan Pischke yang populer. Tetapi penting untuk memperhatikan bahwa mereka fokus pada strategi / trik umum --- variabel instrumental, perbedaan-dalam-perbedaan, RDD dll. Jadi Anda bisa mendapatkan aroma perspektif yang lebih terapan, tetapi hanya dengan itu Anda tidak akan mendapatkan yang lebih besar gambar tentang masalah identifikasi.

Jika Anda tertarik pada penemuan sebab-akibat dan menginginkan pendekatan yang lebih berorientasi pada Pembelajaran Mesin, Peters, Janzing dan Scholkopf memiliki buku baru tentang inferensi Elemen Penyebab , pdf gratis.

Layak disebutkan di sini hadiah "Kausalitas dalam Pendidikan Statistik". Di halaman webnya, Anda dapat menemukan slide dan materi lainnya untuk beberapa kelas yang memenangkan hadiah untuk setiap tahun sejak awal 2013. Dalam nada ini, Anda juga layak memperhatikan buku VanderWeele.

Akhirnya, seperti yang sudah jelas disebutkan, sekarang ada buku klasik Pearl . Bacaan dari bahan yang lebih awal yang dikutip di atas akan membantu Anda membacanya.

Saya memiliki harapan yang sangat tinggi untuk buku Austin Nichols yang akan terbit, Causal Inference: Measuring the Effect of x on y . Tanggal publikasi yang diharapkan adalah 2013 . Sementara itu, selebaran dan makalahnya memberikan tinjauan yang bagus tentang metode panel, variabel instrumental, pencocokan skor kecenderungan / reweighting, dan diskontinuitas regresi. Perbandingan antara semua penaksir ini (dan RCT) sangat berguna, serta tutorial mini Stata (yang dapat dilewati jika Anda bukan pengguna Stata). Referensi kurasi disediakan jika Anda ingin menggali lebih dalam. Sayangnya, tidak ada banyak persamaan struktural di sini, meskipun itu juga berlaku untuk buku Morgan dan Winship. Kertas ARS mereka adalah ikhtisar yang lebih pendek, meskipun agak tanggal.

Saya menemukan Pearl sebagai pengantar yang menarik, tetapi sulit, untuk materi ini. Jika itu adalah paparan pertama saya terhadap ide-ide ini, saya tidak tahu apakah saya akan pergi setelah membacanya mengetahui bagaimana menerapkan salah satu metode dengan sangat baik.

Akhirnya, berikut ini adalah presentasi video dan slide oleh ekonom James Heckman dan Pearl dari Simposium Inferensial 2012 di University of Michigan. Banyak hal pada model struktural di sini.

Buku teks Cosma Shalizi, Analisis Data Lanjutan dari Sudut Pandang Dasar memiliki cakupan sebab-akibat yang sangat baik. (Buku teks masih dalam bentuk konsep, dan tersedia online sebagai pdf, sehingga memiliki manfaat tambahan yaitu bebas.)

Anda harus memutuskan, apakah Anda tertarik pada metode untuk (a) memperkirakan ukuran efek kausal , atau (b) mempelajari struktur jaringan sebab-akibat (yaitu mempelajari variabel mana yang memengaruhi yang lain). Ada banyak referensi untuk (a), saya pikir Pearl's Causality adalah yang terbaik. Ada beberapa referensi pengantar untuk (b); Saya pikir buku teks Cosma adalah yang terbaik, tetapi tidak komprehensif.

CMU menjadi tuan rumah beberapa pembicaraan pengantar yang bagus tentang pembelajaran struktur kausal pada tahun 2013. Richard Scheines mempresentasikan tutorial tentang inferensial kausal menggunakan Tetrad , pengantar yang panjang dan lembut untuk konsep-konsep dasar. Frederick Eberhardt mempersembahkan All of Causal Discovery , tinjauan cepat tentang keadaan seni. Satu atau keduanya mungkin bermanfaat; Pembicaraan Frederick harus memberi Anda banyak ide tentang ke mana harus pergi selanjutnya.

Saya akan merekomendasikan:

Analisis Data Menggunakan Regresi dan Model Bertingkat / Hirarki (Gelman & Hill)

Chapter9 dan Chapter10 sekitar kausal inferensi dan dapat diakses publik.

Gelman dikenal sebagai penulis hebat yang menggambarkan konsep-konsep kompleks secara menyeluruh.

Juga pertimbangkan blog web-nya: http://andrewgelman.com/ ada banyak materi tentang inferensi kausal.

Anda tidak mendapatkan gambaran lengkap dari semua metode yang mungkin, tetapi Anda mungkin akan mendapatkan penjelasan yang sangat terperinci tentang apa yang sedang terjadi.

PS: Analisis efek perawatan 8 sekolah Gelman menjadi contoh klasik dari statistik bayesian pemodelan hierarkis.