Einführung in die Kausalanalyse

Was sind gute Bücher, die die Kausalanalyse einführen? Ich denke an eine Einführung, die sowohl die Prinzipien der Kausalanalyse erklärt als auch zeigt, wie verschiedene statistische Methoden verwendet werden könnten, um diese Prinzipien anzuwenden.

Versuchen Sie Morgan und Winship (2007) für eine sozialwissenschaftliche Aufnahme oder Hernan und Robins (in Vorbereitung) für eine epidemiologische Aufnahme. Obwohl noch im Gange, sieht es so aus, als würde es sehr gut werden.

Morgan und Winship sind besonders gut darin, was für die kausale Interpretation von Regressionsmodellen angenommen werden muss.

Pearl (2000) ist in keiner Weise einleitend, obwohl letztendlich eine sehr gute Lektüre. Möglicherweise finden Sie einige seiner Websites und Artikel nützlich, insbesondere zur Interpretation von Strukturgleichungsmodellen. Sie sind meist als technische Berichte verfügbar.

Update : Pearl, Glymour und Jewells (2017) Causal Inference in Statistics: Ein Primer , ist jedoch einleitend. Und auch sehr gut.

Pearl hat kürzlich ein neues Buch für Anfänger veröffentlicht: Causal Inference in Statistics: A Primer . Wenn Sie noch nie zuvor Kausalität mit gerichteten azyklischen Graphen gesehen haben, sollten Sie hier beginnen. Und Sie sollten alle Studienfragen des Buches beantworten - dies wird Ihnen helfen, sich mit den neuen Werkzeugen und der Notation vertraut zu machen.

Pearl veröffentlicht auch ein Buch für das allgemeine Publikum, The Book of Why, das ab Mai 2018 erhältlich sein wird.

Ebenfalls für Anfänger gedacht, hat Miguel Hernán gerade einen neuen Kurs über kausale Folgerungen in edX- Kausaldiagrammen gestartet : Zeichnen Sie Ihre Annahmen vor Ihren Schlussfolgerungen.

Im Handbuch der Kausalanalyse für die Sozialforschung gibt es auch einen sehr guten Text von Felix Elwert, Kapitel 13, der eine sehr freundliche Einführung in grafische Modelle darstellt.

Weitere zwei gute Arbeiten mit "sanften Einführungen" (wie Pearl gerne sagt) in kausale Graphen sind Pearl (2003 ) und Pearl (2009). Das erste Papier enthält auch Diskussionen.

Wie andere bereits erwähnt haben, ist Morgan and Winship ein sehr gutes Lehrbuch - für Sozialwissenschaftler eine sehr freundliche und dennoch umfassende Einführung - und es deckt sowohl grafische Modelle als auch mögliche Ergebnisse ab.

Es gibt ein kürzlich erschienenes Buch von Imbens und Rubin , in dem einige Teile von randomisierten Experimenten in größerem Umfang behandelt werden. DAGS enthält jedoch keine Informationen. wie oben erwähnt.

Unter Wirtschaftswissenschaftlern sind die Diplom- und Grundstudienbücher von Angrist und Pischke beliebt. Aber es ist wichtig zu beachten, dass sie sich auf gemeinsame Strategien / Tricks konzentrieren - instrumentelle Variablen, Unterschiede zwischen den Unterschieden, RDD usw. Damit Sie einen Eindruck von einer angewandten Perspektive bekommen, aber nur, dass Sie nicht größer werden Bild über Identifikationsprobleme.

Wenn Sie an kausalen Entdeckungen interessiert sind und einen eher auf maschinelles Lernen ausgerichteten Ansatz wünschen, haben Peters, Janzing und Scholkopf ein neues Buch mit Elementen kausaler Folgerungen herausgebracht . Das PDF ist kostenlos.

Erwähnenswert ist hier der Preis "Kausalität in der Statistikpädagogik". Auf seiner Webseite finden Sie Folien und andere Materialien für mehrere Klassen, die seit Beginn des Jahres 2013 den Preis für jedes Jahr gewonnen haben. In diesem Sinne ist auch das Buch von VanderWeele erwähnenswert .

Schließlich gibt es, wie offensichtlich bereits erwähnt, Pearl's jetzt klassisches Buch . Die Lektüre der oben genannten vorläufigen Materialien hilft Ihnen beim Lesen.

Ich habe sehr hohe Erwartungen an Austin Nichols bevorstehendes Buch Causal Inference: Measuring the Effect of x on y . Das voraussichtliche Erscheinungsdatum ist 2013 . In der Zwischenzeit bieten sein Handout und seine Arbeit einen schönen Überblick über Panel-Methoden, instrumentelle Variablen, das Anpassen / Neugewichten von Neigungswerten und die Diskontinuität von Regressionen. Besonders nützlich sind die Vergleiche zwischen all diesen Schätzern (und RCTs) sowie die Stata-Mini-Tutorials (die übersprungen werden können, wenn Sie kein Stata-Benutzer sind). Kuratierte Referenzen werden bereitgestellt, wenn Sie tiefer graben möchten. Leider gibt es hier nicht viel über Strukturgleichungen, obwohl dies auch für das Morgan and Winship-Buch gilt. Ihr ARS-Papier ist eine kürzere, wenn auch etwas veraltete Übersicht.

Ich fand Pearl eine interessante, aber schwierige Einführung in dieses Material. Wenn ich zum ersten Mal mit diesen Ideen in Berührung gekommen wäre, hätte ich nach dem Lesen keine Ahnung, wie ich eine der Methoden sehr gut anwenden kann.

Abschließend finden Sie hier Videopräsentationen und Folien der Ökonomen James Heckman und Pearl vom Causal Inference Symposium 2012 an der University of Michigan. Hier gibt es viele Dinge zu Strukturmodellen.

Cosma Shalizis Lehrbuch Fortgeschrittene Datenanalyse aus elementarer Sicht deckt die Ursachen ausgezeichnet ab. (Das Lehrbuch befindet sich noch in Entwurfsform und ist online als PDF verfügbar. Es hat also den zusätzlichen Vorteil, dass es kostenlos ist.)

Sie sollten sich jedoch entscheiden, ob Sie an Methoden interessiert sind, um (a) die Größe der kausalen Effekte abzuschätzen oder (b) die Struktur kausaler Netzwerke zu lernen (dh zu lernen, welche Variablen welche anderen beeinflussen). Es gibt viele Referenzen für (a), ich denke, Pearl's Causality ist die beste. Es gibt nur wenige einleitende Verweise für (b); Ich denke, Cosmas Lehrbuch ist das beste, aber es ist nicht umfassend.

Die CMU veranstaltete 2013 einige großartige Einführungsvorträge zum Thema Kausalstrukturlernen. Richard Scheines präsentierte ein Tutorial zum Thema Kausale Inferenz mit Tetrad , eine lange und sanfte Einführung in die grundlegenden Konzepte. Frederick Eberhardt präsentierte All of Causal Discovery , einen schnellen Überblick über den Stand der Technik. Einer oder beide von ihnen können hilfreich sein; Fredericks Vortrag sollte Ihnen viele Ideen geben, wohin Sie als nächstes gehen sollten.

Ich würde empfehlen:

Datenanalyse mit Regression und mehrstufigen / hierarchischen Modellen (Gelman & Hill)

Kapitel 9 und Kapitel 10 handeln von kausalen Schlussfolgerungen und sind öffentlich zugänglich.

Gelman ist als großer Autor bekannt, der komplexe Konzepte gründlich beschreibt.

Beachten Sie auch seinen Web-Blog: http://andrewgelman.com/ Es gibt viele Materialien über kausale Folgerungen.

Sie erhalten nicht das vollständige Bild aller möglichen Methoden, aber wahrscheinlich erhalten Sie eine sehr ausführliche Erklärung darüber, was vor sich geht.

PS: Gelmans Analyse der Behandlungseffekte in 8 Schulen wurde zu einem klassischen Beispiel für die Bayes'sche Statistik der hierarchischen Modellierung.