查看原文
其他

你应该阅读哪本因果推断书籍: 一份进阶流程图和简短书评列表

因果推断研究小组 计量经济圈 2022-05-11

凡是搞计量经济的,都关注这个号了

稿件:econometrics666@126.com

所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.

关于因果推断,我们引荐了关于各种因果识别方法的120份经典实证文献汇总”,哈佛大学新修订完成的因果推断经典大作免费下载!附数据和code,因果推断的统计方法总结, 177份文献政策评估的计量方法综述, 包括最新因果推断方法在教育领域使用IV, RDD, DID, PSM多吗? 使用具体文献,看完顶级期刊文章后, 整理了内生性处理小册子工具变量精辟解释, 保证你一辈子都忘不了DID, 合成控制, 匹配, RDD四种方法比较, 适用范围和特征关于双重差分法DID的32篇精选Articles专辑!关于(模糊)断点回归设计的100篇精选Articles专辑!匹配方法(matching)操作指南, 值得收藏的16篇文章等,MIT广为流传的政策"处理效应"读本DID的研究动态和政策评估中应用的文献综述最新政策效应评估的四种方法政策效应评估的基本问题等。

1.用"因果关系图"来进行因果推断的新技能2.因果推断专题:因果图3.因果推断专题:有向无环图DAG4.confounder与collider啥区别? 混淆 vs 对撞5.三张图秒懂, 混淆, 中介, 调节, 对撞, 暴露, 结果和协变量的复杂关系6.中介效应检验流程, 示意图公布, 不再畏惧中介分析7.图灵奖得主Pearl的因果推断新科学,Book of Why?  8.前沿: nature刊掀起DAG热, 不掌握就遭淘汰无疑!因果关系研究的图形工具!9.前沿: 卫星数据在实证研究中的应用, 用其开展因果推断的好处!10.7大因果推断大法精选实证论文, 可用于中国本土博士课堂教学!11.随机分配是什么, 为什么重要, 对因果关系影响几何?12.应用计量经济学现状: 因果推断与政策评估最全综述13.疫情期计量课程免费开放!面板数据, 因果推断, 时间序列分析与Stata应用14.Python做因果推断的方法示例, 解读与code15.内生转换模型vs内生处理模型vs样本选择模型vs工具变量2SLS16.不用IV, 基于异方差识别方法解决内生性, 赐一篇文献等等。


今天,我们引荐一份“阅读因果推断书籍流程图“。先参看:哈佛大学新修订完成的因果推断经典大作免费下载!附数据和code!图灵奖得主Pearl的因果推断新科学, Why?计量课程免费开放!面板数据, 因果推断, 时间序列分析与Stata应用(慕课上有不少免费课程,建议年轻学者好好使用)。

*注: 点击图片看大图,里面每一本书籍都给出了对应的封面图,此外还介绍了一些其他因果推断书籍。计量社群里天天都在传阅各种因果推断书籍,对这些书籍感兴趣的可以到社群交流研讨。
一、因果推断进阶书籍流程图

简短评论

结合自己的经验和网上的信息评论以下书籍。

Causal Inference for Statistics, Social, and Biomedical Sciences: An Introduction (Imbens & Rubin, 2015)

《统计学、社会科学及生物医学领域中的因果推断导论》
Imbens和Rubin合著的《统计学、社会科学及生物医学领域中的因果推断导论》在2015年出版后,被誉为“因果推断”领域最经典的教科书。有人评价说:“这本书让我觉得我之前统计学的东西都白学了。”
读完本书,我也知道了因果推理的五个步骤。1.原因是什么?2.结果是什么?3.确认三个要点 (是否纯属巧合?是否存在第三变量?是否存在逆向因果关系?) 4.制造反事实, 5.调整到可比较的状态。通过以上五个步骤,我们便可以轻松地掌握因果推理。

Mostly Harmless Econometrics by Joshua D. Angrist and Jörn-Steffen Pischke:

《基本无害的计量经济学》

在经济学、管理学领域广受欢迎,成为硕博研究生必读经典计量书籍,可以参看:USA经管商博士最狂热崇拜的计量书籍震撼出炉。关于安神,可以参看:我是安神, 我为因果推断计量代言,②Sims与安神的论战从未停止,JOE卷入第三次大论战,③Angrist因果推断课程,经典期刊读物汇集,④J.Angrist就因果推断长篇评论+音频版,⑤J.Angrist就因果推断长篇评论+音频版(2),⑥安神+克拉克奖得主的RDD论文, 断点回归设计

复旦大学经济学院兰小欢教授评价道:

适合做研究的人使用,不适合初学者。适合做reduced form的人用,这是目前集大成的指南。对OLS和IV,从方法论到各种应用,讲解极为详细。本书一个很重要的核心观念,就是把所有目前流行的带实验色彩的估计方法,全部放在回归的框架中分析和讨论,包括DID,DD, MATCHING。没有任何关于field experiment的内容,没有任何实验设计的内容。

Morgan, Winship. “Counterfactuals and Causal Inference: Methods and Principles for Social Research”,
《反事实和因果推断:社会研究的方法和原则》
对于涵盖潜在结果和图形模型框架的一般介绍,这本书是计量领域必读作品,强烈建议各位购买阅读,或到计量社群获取该书籍。这本书曾是一位老外审稿人推荐给计量妹的,说里面对于因果推断讲解比较全面,而且可操作性也很强。
计量社群资深群友@GingLam 评论道:

如果没有研读过这本书,你大概会错过社会学因果分析在近30年最精彩的讨论,然后在研究设计上落后“30年。

Angrist, Pischke. “Mastering Metrics: The Path from Cause to Effect
着眼于计量经济学视角,重点在于局部识别。这本书与Mostly Harmless Econometrics是姐妹篇,但比MEH少一些技术性的东西,因此建议与其一同购买阅读。

Elements of Causal Inference: Foundations and Learning Algorithms

对于那些来自机器学习背景的人来说,这本书真是太棒了。它甚至有两章致力于将因果推断与机器学习联系起来。这本书可能是现代因果发现(结构学习)技术的最佳图书。尽管“因果推断”一词在其他书籍中并未包括因果发现,但在本书中却包含了因果发现。这是因为本书的很大一部分致力于因果发现。而且它仍然为你提供结构因果模型(Structural causal models,简称SCMs)的良好基础。

Causal Inference: What If

这本书是我读过的所有书中最实用的一本。例如,它是唯一涵盖称为“positivity”(或“重叠”)的概念的书,而这是估计因果关系必须满足的重要条件。这也是这4本书中唯一一本真正涉及如何估计结果模型和倾向得分模型的书,这两个模型都常用于估计实践中的因果关系。实际上,本书中有很大一部分专门用于可以在实践中使用的各种估计值。Jamie Robins(作者之一)在流行病学和因果推断中是一个非常重要的人物。例如,图灵奖得主Judea Pearl认为他的调整公式在其1986年论文中就隐含出现了(这是第一次在文献中可以看出该调整公式)。

Causal Inference in Statistics: A Primer

这本书可能是使用人数最多的最好的一本书。它对因果推断和SCM(结构因果模型)有着清晰和快速的介绍。Pearl是第一作者,他为因果推断做出了许多重要贡献,开创了SCM(结构因果模型)。

Causality

我只会向想成为SCM(结构因果模型)专家的人推荐这本书。这本书是独特的,因为它是我向那些熟悉SCM并希望成为SCM专家的人唯一推荐的一本书。它有很多很好的理论,因此通常不容易阅读。如果你没有任何SCM知识或没有足够的动力去学习更多有关SCM的知识,这本书几乎是难以理解的。综上所述,我认为这本书经常被网上人刻薄地刻画。而这些苛刻的评论中有许多来自对理论不太感兴趣的人。在对因果关系有了深刻的理解之后(例如通过阅读其他书籍),人们会对这本书有更好的理解。

Causal Inference: The Mixtape (Cunningham, 2018),参看:我是如何从一个诗人变成一个计量实证高手, 并且还出版了一本计量书籍!


Explanation in Causal Inference: Methods for Mediation and Interaction (VanderWeele, 2015)

这本书是成为中介与调整效应专家的必经之路。本书的主要部分旨在让广大读者阅读,因此它不是技术性的。但是,附录几乎可以当作一本独立的书来阅读,并且包含技术精通的读者可能想要的所有技术细节。此外,这本书还获得了美国统计协会2015年的“统计教育因果关系”奖。

Observation and Experiment: An Introduction to Causal Inference(Rosenbaum, 2017)
Rosenbaum撰写了上面流程图中的“Design of Observational Studies” (2010) 一书,以及他2002年写的另一本因果推断书籍。目前的信念是,这本2017年的书比他2010年的书更引人入胜。罗森鲍姆(Rosenbaum)是这样描述他对这本书的看法的:

我在本书中的目标是以合理的精度,但以最少的技术资料,清晰地提出因果推断的概念。

Causation, Prediction, and Search (Spirtes et al., 2001)

这本书的前两位作者(Peter Spirtes和Clark Glymour)提出了经典的PC算法(Peter and Clark)来进行结构的学习。Pearl将此书归功于第一本使调整公式得以明确的出版物。

Actual Causality (Halpern, 2016)

约瑟夫·哈珀恩(Joseph Halpern)在尝试捕获X导致Y的实际含义方面做了很多工作。这可能是了解某些原因导致其他原因的主要书籍。

当然,还有其他一些东西:例如, Advanced Data Analysis from an Elementary Point of View book, Targeted Learning (van der Laan & Rose, 2011)。

https://www.bradyneal.com/which-causal-inference-book


二、因果推断阅读清单

这是我已经阅读过的一些因果推断主题的书籍和文章列表。它还包含我计划每日阅读的书籍。我将通过更多因果推断资源来更新此列表。
书籍:
  • Causal Inference by Miguel Hernán and Jamie Robins: 我读过的最实用的书。强烈推荐。

  • Why: A Guide to Finding and Using Causesby Samantha Kleinberg: 该主题的高级介绍。我在“为什么你应该停止担心深度学习并加深对因果关系的理解”中讨论了要点。

  • Causality, Probability, and Time by Samantha Kleinberg: 比Kleinberg的另一本书更具技术性。顾名思义,时间是本书中介绍的方法的核心。但是,我仍然不确定这些方法在实际数据上的实用性。

  • Causal Inference in Statistics: A Primerby Judea Pearl, Madelyn Glymour, Nicholas P. Jewell: 相当了解Judea Pearl的作品。我没有发现它很实用,但是我相信它可以帮助我理解Hernán和Robins的因果推断的图形建模部分。

  • Elements of Causal Inference: Foundations and Learning Algorithms这本书的名称显然是对Trevor Hastie,Robert Tibshirani和Jerome Friedman的经典著作《统计学习的元素》的reference。不幸的是,这本书没有像Hastie等人的书那样广泛使用——它包含了一些有趣的想法,但是看来从最小的假设出发,从数据中进行因果学习的算法还没有足够的可扩展性供实际使用,而将来这可能会改变。

  • Causality: Models, Reasoning, and Inferenceby Judea Pearl: 我还没看过,但我认为希望学习因果推断方法的人会很受用。

  • 对于统计估计和分析设计:Rosenbaum, “Design of Observational Studies

  • 对于与机器学习的连接:Peters, Janzing, Schoelkopf. “Elements of Causal Inference: Foundations and Learning Algorithms
文章:
  • Does water kill? A call for less casual causal inferencesby Miguel Hernán: 一个很好的证明为什么谈论因果关系需要明确的干预措施。

  • The C-Word: Scientific Euphemisms Do Not Improve Causal Inference From Observational Databy Miguel Hernán:因果推断的高级总结,以及需要明确说明科学研究的因果目标的必要条件。

  • The Environment and Disease: Association or Causation?by Austin Bradford Hill: 关于Bradford Hill因果关系标准的经典讨论。强烈推荐,因为该1965年的论文还预见了统计学显著性狂热问题。

  • Causal inference in statistics: An overview by Judea Pearl:Pearl的作品的总结,此刻可能有些过时(从2009年开始)。如果你还没有准备好阅读他的书,此文仍然值得一读。

  • Simpson’s Paradox: An Anatomy by Judea Pearl: 解释了辛普森悖论及其与因果推理的关系。本文值得一读,尽管我发现需要进一步阅读才能更好地理解因果模型为何“解决”了这一悖论。

    https://yanirseroussi.com/causal-inference-reading-list/

还有哪些因果推断书籍,而你最喜欢哪本因果推断书籍?
下面这些短链接文章属于合集,可以收藏起来阅读,不然以后都找不到了。

2.5年,计量经济圈近1000篇不重类计量文章,

可直接在公众号菜单栏搜索任何计量相关问题,

Econometrics Circle




数据系列空间矩阵 | 工企数据 | PM2.5 | 市场化指数 | CO2数据 |  夜间灯光 | 官员方言  | 微观数据 | 内部数据计量系列匹配方法 | 内生性 | 工具变量 | DID | 面板数据 | 常用TOOL | 中介调节 | 时间序列 | RDD断点 | 合成控制 | 200篇合辑 | 因果识别 | 社会网络 | 空间DID数据处理Stata | R | Python | 缺失值 | CHIP/ CHNS/CHARLS/CFPS/CGSS等 |干货系列能源环境 | 效率研究 | 空间计量 | 国际经贸 | 计量软件 | 商科研究 | 机器学习 | SSCI | CSSCI | SSCI查询 | 名家经验计量经济圈组织了一个计量社群,有如下特征:热情互助最多前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此,建议积极进取和有强烈研习激情的中青年学者到社群交流探讨,始终坚信优秀是通过感染优秀而互相成就彼此的。

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存