Introdução à análise causal

Quais são os bons livros que introduzem análise causal? Estou pensando em uma introdução que explique os princípios da análise causal e mostre como diferentes métodos estatísticos podem ser usados ​​para aplicar esses princípios.

Tente Morgan e Winship (2007) para um exame de ciências sociais ou Hernan and Robins (no prelo) para um exame epidemiológico. Embora ainda esteja em andamento, parece que vai ser muito bom.

Morgan e Winship são particularmente bons no que deve ser assumido para interpretações causais de modelos do tipo regressão.

Pearl (2000) não é de forma alguma introdutória, embora, em última análise, seja uma leitura muito boa. Você pode achar útil alguns de seus sites e artigos específicos, particularmente na interpretação de modelos de equações estruturais. Eles estão disponíveis principalmente como relatórios técnicos.

Atualização : Inferência Causal em Estatística: A Primer de Pearl, Glymour e Jewell (2017) , é introdutória. E muito bom também.

Pearl publicou recentemente um novo livro, destinado a iniciantes: Inferência Causal em Estatística: Uma cartilha . Se você nunca viu causalidade com gráficos acíclicos direcionados antes, é aqui que você deve começar. E você deve fazer todas as perguntas de estudo do livro - isso ajudará você a se familiarizar com as novas ferramentas e notações.

Pearl também está lançando um livro destinado ao público em geral, The Book of Why, que estará disponível em maio de 2018.

Também voltado para iniciantes, Miguel Hernán acaba de iniciar um novo curso de inferência causal nos diagramas causais edX : faça suas suposições antes de suas conclusões.

No Manual de Análise Causal para Pesquisa Social , também há um texto muito bom de Felix Elwert, Capítulo 13, que é uma introdução muito amigável aos modelos gráficos.

Outros dois bons artigos com "apresentações gentis" (como Pearl gosta de dizer) em gráficos causais são: Pearl (2003 ) e Pearl (2009). O primeiro artigo vem com discussões também.

Como outras pessoas mencionaram, Morgan e Winship são um livro muito bom - para cientistas sociais uma introdução muito amigável, mas abrangente - e abrange modelos gráficos e possíveis resultados.

Há um livro recente de Imbens e Rubin , que cobre em grande parte algumas partes de experimentos aleatórios, mas não há nada no DAGS - ele apenas o expõe à estrutura de resultados em potencial, portanto, você deve complementá-la com outros livros, como o mencionado acima.

Entre os economistas, os livros de graduação e pós - graduação de Angrist e Pischke são populares. Mas é importante notar que eles se concentram estratégias / truques comuns - variáveis ​​instrumentais, diferenças nas diferenças, RDD etc. Para que você possa ter uma ideia de uma perspectiva mais aplicada, mas apenas com isso você não obterá maior imagem sobre problemas de identificação.

Se você está interessado em descoberta causal e deseja uma abordagem mais orientada ao aprendizado de máquina, Peters, Janzing e Scholkopf lançam um novo livro com a inferência Elements of Causal , o pdf é gratuito.

Vale mencionar aqui o prêmio "Causalidade na Educação Estatística". Em sua página da web, você encontra slides e outros materiais para várias classes que ganharam o prêmio a cada ano desde o início de 2013. Nesse sentido, também vale a pena observar o livro de VanderWeele.

Finalmente, como obviamente já mencionado, há o livro clássico de Pearl . As leituras dos materiais mais preliminares citados acima ajudarão você a lê-lo.

Tenho grandes expectativas para o próximo livro de Austin Nichols, Causal Inference: Measuring the Effect of x on y . A data prevista de publicação é 2013 . Enquanto isso, seu folheto e papel fornecem uma boa visão geral dos métodos do painel, variáveis ​​instrumentais, correspondência / reponderação do escore de propensão e descontinuidade da regressão. As comparações entre todos esses estimadores (e ECRs) são especialmente úteis, bem como os mini-tutoriais Stata (que podem ser ignorados se você não for um usuário Stata). Referências selecionadas são fornecidas se você quiser ir mais fundo. Infelizmente, não há muito sobre equações estruturais aqui, embora isso também seja verdade no livro de Morgan e Winship. O artigo da ARS é uma visão geral mais curta, embora um pouco datada.

Eu achei Pearl uma introdução interessante, mas difícil, a esse material. Se foi minha primeira exposição a essas idéias, não sei se teria ido embora depois de ler, sabendo como aplicar qualquer um dos métodos muito bem.

Finalmente, aqui estão as apresentações em vídeo e slides do economista James Heckman e Pearl do Causal Inference Symposium 2012 da Universidade de Michigan. Muitas coisas sobre modelos estruturais aqui.

O livro de Cosma Shalizi, Análise Avançada de Dados de um Ponto de Vista Elementar, tem uma excelente cobertura de causalidade. (O livro ainda está em forma de rascunho e está disponível on-line como PDF, portanto, tem o benefício adicional de ser gratuito.)

Você deve decidir, no entanto, se está interessado em métodos para (a) estimar o tamanho dos efeitos causais ou (b) aprender a estrutura das redes causais (ou seja, aprender quais variáveis ​​influenciam quais outras). Existem muitas referências para (a), acho que a causalidade de Pearl é a melhor. Existem poucas referências introdutórias para (b); Eu acho que o livro de Cosma é o melhor, mas não é abrangente.

A CMU organizou algumas ótimas palestras introdutórias sobre aprendizado de estrutura causal em 2013. Richard Scheines apresentou um tutorial sobre inferência causal usando o Tetrad , uma introdução longa e suave aos conceitos básicos. Frederick Eberhardt apresentou o All of Causal Discovery , uma visão geral rápida do estado da arte. Um ou ambos podem ser úteis; A palestra de Frederick deve lhe dar muitas idéias sobre para onde ir a seguir.

Eu recomendo:

Análise de dados usando regressão e modelos multiníveis / hierárquicos (Gelman & Hill)

Os capítulos 9 e 10 são sobre inferência causal e acessíveis ao público.

Gelman é conhecido por ser um grande autor que descreve conceitos complexos completamente.

Considere também seu blog: http://andrewgelman.com/ : há muitos materiais sobre inferência causal.

Você não tem uma visão completa de todos os métodos possíveis, mas provavelmente obterá uma explicação muito elaborada sobre o que está acontecendo.

PS: A análise do efeito do tratamento de 8 escolas de Gelman se tornou um exemplo clássico de estatística bayesiana de modelagem hierárquica.