因果分析简介

什么是介绍因果分析的好书？我正在考虑一个介绍，它既可以解释因果分析的原理，又可以说明如何使用不同的统计方法来应用这些原理。

尝试使用Morgan and Winship（2007）进行社会科学研究，或者使用Hernan and Robins（即将发表）进行流行病学研究。尽管仍在进行中，但这看起来会非常好。

对于回归型模型的因果解释必须假设的条件，Morgan和Winship特别擅长。

Pearl（2000）从根本上来说并没有介绍性，尽管最终是一本不错的书。您可能会发现他的一些网站和特定文章很有用，尤其是在解释结构方程模型时。它们大多作为技术报告提供。

更新：珍珠，Glymour和朱厄尔的（2017）因果推断统计：入门，是入门虽然。而且也很好。

Pearl最近出版了一本针对初学者的新书：《统计中的因果推断：入门》。如果您以前从未见过有向无环图的因果关系，则应该从这里开始。并且您应该完成本书的所有学习问题-这将帮助您熟悉新的工具和表示法。

Pearl还发布了面向普通读者的书《为什么之书》（The Book of Why），该书将于2018年5月发行。

同样针对初学者，MiguelHernán刚刚在edX 因果图上开设了一个新的因果推论课程：在得出结论之前先进行假设。

在《社会研究的因果分析手册》中，Felix Elwert的第13章中也有很好的文字，这是对图形模型的非常友好的介绍。

其他两篇对因果图进行“温和介绍”（如Pearl所说）的优秀论文是Pearl（2003）和Pearl（2009）。第一篇论文也进行了讨论。

正如其他人所提到的那样，《摩根和Winship》是一本非常不错的教科书，对社会科学家来说是非常友好而又全面的介绍，它涵盖了图形模型和潜在成果。

Imbens和Rubin最近有一本书，在很大程度上涵盖了随机实验的某些部分，但是DAGS上没有任何内容-它只会使您了解潜在的结果框架，因此您需要用其他书籍作为补充，如上所述。

在经济学家中，Angrist和Pischke撰写的研究生和本科书籍很受欢迎。但重要的是要注意它们专注于常见的策略/技巧 -工具变量，差异差异，RDD等。因此，您可以获得更实用的视角，但仅此而已，您就不会变得更大有关识别问题的图片。

如果您对因果发现感兴趣并且想要一种更面向机器学习的方法，则Peters，Janzing和Scholkopf会出版一本有关因果推断元素的新书，该pdf是免费的。

这里值得一提的是“统计教育中的因果关系”奖。在其网页上，您可以找到自2013年以来每年都获奖的多个课程的幻灯片和其他材料。在这方面，也值得一提的是VanderWeele的书。

最后，正如已经明显提到的那样，有Pearl现在的经典著作。上面引用的更初步的材料的阅读材料将帮助您阅读。

我对Austin Nichols即将出版的《因果推论：测量x对y的影响》寄予很高的期望。预计出版日期为2013年。同时，他的讲义和论文对面板方法，工具变量，倾向得分匹配/重新加权以及回归不连续性进行了很好的概述。所有这些估计量（和RCT）之间的比较以及Stata微型教程（如果您不是Stata用户，可以跳过）特别有用。如果您想深入了解，则提供了精选的参考。不幸的是，这里的结构方程式并不多，尽管Morgan and Winship一书也是如此。他们的ARS论文 是简短的（尽管有些过时的）概述。

我发现Pearl是对该材料的有趣但困难的介绍。如果这是我第一次接触这些想法，我不知道阅读完该书后该知道如何很好地应用任何方法是否会走开。

最后，这是密歇根大学2012年因果推论研讨会的经济学家James Heckman和Pearl的视频演示和幻灯片。这里有很多关于结构模型的东西。

Cosma Shalizi的教科书《从基本角度看高级数据分析》很好地涵盖了因果关系。（该教科书仍处于草稿形式，并且可以pdf格式在线获得，因此它具有免费提供的额外好处。）

但是，您应该决定是否对以下方法感兴趣：（a）估计因果效应的大小，或（b）学习因果网络的结构（即了解哪些变量会影响其他变量）。关于（a）的参考文献很多，我认为Pearl的因果关系是最好的。（b）的介绍性参考文献很少；我认为Cosma的教科书是最好的，但并不全面。

CMU在2013年举办了一些因果结构学习的精彩介绍性演讲。RichardScheines提出了使用 Tetrad 进行因果推理的教程，这是对基本概念的漫长而温和的介绍。弗雷德里克·埃伯哈特（Frederick Eberhardt）展示了《全因果发现》（All of Causal Discovery），这是一本有关最新技术的快速概述。它们之一或两者都可能有帮助；弗雷德里克（Frederick）的演讲应该为您提供下一步的思路。

我建议：

使用回归和多层次/层次模型进行数据分析（Gelman和Hill）

第九章和第10章是关于因果推理和公开访问。

众所周知，盖尔曼（Gelman）是一位出色的作家，他详尽地描述了复杂的概念。

还可以考虑他的网络博客：http : //andrewgelman.com/。关于因果推理的材料很多。

您无法获得所有可能方法的全部信息，但是您可能会对所发生的事情获得非常详尽的解释。

PS：盖尔曼（Gelman）的8所学校的治疗效果分析成为贝叶斯统计建模的经典例子。