Introduzione all'analisi causale

Quali sono i buoni libri che introducono l'analisi causale? Sto pensando a un'introduzione che spiega entrambi i principi dell'analisi causale e mostra come diversi metodi statistici potrebbero essere usati per applicare questi principi.

Prova Morgan and Winship (2007) per una presa di scienze sociali o Hernan e Robins (di prossima pubblicazione) per una presa epidemiologica. Anche se è ancora in corso, sembra che sarà molto buono.

Morgan e Winship sono particolarmente bravi su ciò che deve essere assunto per interpretazioni causali di modelli di tipo regressione.

Pearl (2000) non è in alcun modo introduttivo, sebbene alla fine sia un'ottima lettura. È possibile trovare utili alcuni dei suoi siti Web e articoli specifici, in particolare sull'interpretazione dei modelli di equazioni strutturali. Sono disponibili principalmente come rapporti tecnici.

Aggiornamento : Pearl, Glymour e Jewell (2017) Causal Inference in Statistics: A Primer , è comunque introduttivo. E anche molto bene.

Pearl ha recentemente pubblicato un nuovo libro, rivolto ai principianti: Causal Inference in Statistics: A Primer . Se non hai mai visto la causalità con grafici aciclici diretti prima, è qui che dovresti iniziare. E dovresti fare tutte le domande di studio del libro — questo ti aiuterà a conoscere i nuovi strumenti e la notazione.

Pearl sta inoltre pubblicando un libro destinato al grande pubblico, The Book of Why, che sarà disponibile a maggio 2018.

Destinato anche ai principianti, Miguel Hernán ha appena iniziato un nuovo corso di inferenza causale sui diagrammi causali di edX : disegna i tuoi presupposti prima delle tue conclusioni.

Nel Manuale di Analisi causale per la ricerca sociale , c'è anche un ottimo testo di Felix Elwert, capitolo 13, che è un'introduzione molto amichevole ai modelli grafici.

Altri due buoni articoli con "introduzioni delicate" (come piace dire a Pearl) ai grafici causali sono Pearl (2003 ) e Pearl (2009). Il primo documento tratta anche di discussioni.

Come altri hanno già detto, Morgan e Winship sono un ottimo libro di testo --- per gli scienziati sociali un'introduzione molto amichevole ma completa --- e copre sia i modelli grafici che i risultati potenziali.

C'è un libro recente di Imbens e Rubin , che copre in gran parte alcune parti di esperimenti randomizzati, ma non c'è nulla su DAGS --- ti esporrà solo al quadro dei risultati potenziali, quindi devi integrarlo con altri libri, come quello sopra menzionato.

Tra gli economisti, i libri di laurea e di laurea di Angrist e Pischke sono popolari. Ma è importante notare che si concentrano su strategie / trucchi comuni : variabili strumentali, differenze nelle differenze, RDD ecc. Quindi puoi ottenere un assaggio di una prospettiva più applicata, ma solo con ciò non otterrai il più grande foto sui problemi di identificazione.

Se sei interessato alla scoperta causale e desideri un approccio più orientato all'apprendimento automatico, Peters, Janzing e Scholkopf hanno un nuovo libro su Elements of Causal Inference , il pdf è gratuito.

Vale la pena menzionare qui il premio "Causalità nell'educazione statistica". Sulla sua pagina web è possibile trovare diapositive e altri materiali per diverse classi che hanno vinto il premio per ogni anno dall'inizio del 2013. In questo senso vale la pena notare anche il libro di VanderWeele.

Infine, come ovviamente già menzionato, c'è il libro ormai classico di Pearl . Le letture dei materiali più preliminari sopra citati ti aiuteranno a leggerlo.

Ho aspettative molto alte per il prossimo libro di Austin Nichols Causal Inference: Measuring the Effect of x on y . La data di pubblicazione prevista è il 2013 . Nel frattempo, il suo volantino e il documento forniscono una buona panoramica dei metodi del pannello, delle variabili strumentali, della corrispondenza / ripesatura del punteggio di propensione e della discontinuità di regressione. I confronti tra tutti questi stimatori (e RCT) sono particolarmente utili, così come i mini tutorial di Stata (che possono essere saltati se non sei un utente Stata). I riferimenti curati vengono forniti se si desidera approfondire. Sfortunatamente, non c'è molto sulle equazioni strutturali qui, anche se questo è vero anche per il libro di Morgan e Winship. La loro carta ARS è una panoramica più breve, anche se un po 'datata.

Ho trovato Pearl come un'introduzione interessante, ma difficile, a questo materiale. Se fosse stata la mia prima esposizione a queste idee, non so se mi sarei allontanato dopo averlo letto sapendo come applicare uno dei metodi molto bene.

Infine, ecco le presentazioni video e le diapositive dell'economista James Heckman e Pearl del Causal Inference Symposium 2012 dell'Università del Michigan. Un sacco di cose sui modelli strutturali qui.

Il libro di testo di Cosma Shalizi Advanced Data Analysis da un punto di vista elementare ha un'eccellente copertura della causalità. (Il libro di testo è ancora in forma di bozza ed è disponibile online come pdf, quindi ha l'ulteriore vantaggio di essere gratuito.)

Dovresti decidere, tuttavia, se sei interessato a metodi per (a) stimare la dimensione degli effetti causali o (b) apprendere la struttura delle reti causali (cioè apprendere quali variabili influenzano quali altre). Ci sono molti riferimenti per (a), penso che la causalità di Pearl sia la migliore. Ci sono alcuni riferimenti introduttivi per (b); Penso che il libro di testo di Cosma sia il migliore, ma non è completo.

Nel 2013 la CMU ha ospitato alcuni grandi colloqui introduttivi sull'apprendimento della struttura causale. Richard Scheines ha presentato un tutorial sull'inferenza causale usando Tetrad , una lunga e delicata introduzione ai concetti di base. Frederick Eberhardt ha presentato All of Causal Discovery , una panoramica frenetica dello stato dell'arte. Uno o entrambi possono essere utili; Il discorso di Federico dovrebbe darti molte idee su dove andare dopo.

Consiglierei:

Analisi dei dati mediante regressione e modelli multilivello / gerarchici (Gelman & Hill)

Capitolo 9 e Capitolo10 sono circa inferenza causale e accessibile al pubblico.

Gelman è noto per essere un grande autore che descrive a fondo concetti complessi.

Considera anche il suo blog web: http://andrewgelman.com/ ci sono molti materiali sull'inferenza causale.

Non ottieni il quadro completo di tutti i metodi possibili, ma probabilmente otterrai una spiegazione molto elaborata su ciò che sta accadendo.

PS: l'analisi dell'effetto terapeutico di Gelman su 8 scuole è diventata un classico esempio di statistiche bayesiane sulla modellizzazione gerarchica.