Introducción al análisis causal.

¿Cuáles son buenos libros que introducen el análisis causal? Estoy pensando en una introducción que explica los principios del análisis causal y muestra cómo se pueden utilizar diferentes métodos estadísticos para aplicar estos principios.

Pruebe Morgan and Winship (2007) para una toma de ciencias sociales o Hernan and Robins (de próxima publicación) para una toma epidemiológica. Aunque todavía está en progreso, parece que va a ser muy bueno.

Morgan and Winship es particularmente bueno en lo que se debe suponer para las interpretaciones causales de los modelos de tipo regresión.

Pearl (2000) no es en ningún sentido introductorio, aunque finalmente es una muy buena lectura. Puede encontrar útil algunos de sus sitios web y artículos específicos, particularmente en la interpretación de modelos de ecuaciones estructurales. En su mayoría están disponibles como informes técnicos.

Actualización : la inferencia causal en estadística de Pearl, Glymour y Jewell (2017) es , sin embargo , introductoria. Y muy bien también.

Pearl publicó recientemente un nuevo libro, dirigido a principiantes: Inferencia causal en estadística: una cartilla . Si nunca antes ha visto la causalidad con gráficos acíclicos dirigidos, aquí es donde debe comenzar. Y debe hacer todas las preguntas de estudio del libro, esto le ayudará a familiarizarse con las nuevas herramientas y la notación.

Pearl también lanzará un libro dirigido a la audiencia general, The Book of Why, que estará disponible en mayo de 2018.

También dirigido a principiantes, Miguel Hernán acaba de comenzar un nuevo curso de inferencia causal en diagramas causales edX : dibuje sus suposiciones antes de sus conclusiones.

En el Manual de Análisis Causal para la Investigación Social , también hay un muy buen texto de Felix Elwert, Capítulo 13, que es una introducción muy amigable a los modelos gráficos.

Otros dos buenos documentos con "introducciones suaves" (como le gusta decir a Pearl) a los gráficos causales son Pearl (2003 ) y Pearl (2009). El primer documento viene con discusiones también.

Como han mencionado otras personas, Morgan and Winship es un libro de texto muy bueno, para los científicos sociales, una introducción muy amigable pero completa, y cubre tanto los modelos gráficos como los resultados potenciales.

Hay un libro reciente de Imbens y Rubin , que cubre en mayor medida algunas partes de experimentos aleatorios, pero no hay nada en DAGS, solo lo expondrá al marco de resultados potenciales, por lo que debe complementarlo con otros libros, como el mencionado anteriormente.

Entre los economistas, los libros de posgrado y licenciatura de Angrist y Pischke son populares. Pero es importante notar que se enfocan en estrategias / trucos comunes: variables instrumentales, diferencias en diferencias, RDD, etc. Para que pueda obtener una idea de una perspectiva más aplicada, pero solo con eso no obtendrá el mayor imagen sobre problemas de identificación.

Si está interesado en el descubrimiento causal y desea un enfoque más orientado al aprendizaje automático, Peters, Janzing y Scholkopf tienen un nuevo libro sobre Elementos de inferencia causal , el pdf es gratuito.

Vale la pena mencionar aquí el premio "Causalidad en la educación estadística". En su página web puede encontrar diapositivas y otros materiales para varias clases que ganaron el premio de cada año desde su inicio en 2013. En este sentido también vale la pena notar el libro de VanderWeele.

Finalmente, como obviamente ya se mencionó, está el libro clásico de Pearl . Las lecturas de los materiales más preliminares citados anteriormente lo ayudarán a leerlo.

Tengo grandes expectativas para el próximo libro de Austin Nichols Causal Inference: Measuring the Effect of x on y . La fecha de publicación esperada es 2013 . Mientras tanto, su folleto y su documento proporcionan una buena visión general de los métodos del panel, las variables instrumentales, la coincidencia / ponderación de puntaje de propensión y la discontinuidad de la regresión. Las comparaciones entre todos estos estimadores (y ECA) son especialmente útiles, así como los mini-tutoriales de Stata (que se pueden omitir si no es un usuario de Stata). Se proporcionan referencias curadas si desea profundizar. Desafortunadamente, no hay mucho sobre ecuaciones estructurales aquí, aunque eso también es cierto para el libro Morgan and Winship. Su papel ARS es un resumen más corto, aunque algo anticuado.

Encontré que Pearl es una introducción interesante, pero difícil, de este material. Si fue mi primera exposición a estas ideas, no sé si me habría ido después de leerlo sabiendo cómo aplicar muy bien cualquiera de los métodos.

Finalmente, aquí hay presentaciones en video y diapositivas del economista James Heckman y Pearl del Simposio de Inferencia Causal 2012 en la Universidad de Michigan. Muchas cosas sobre modelos estructurales aquí.

El libro de texto de Cosma Shalizi Análisis avanzado de datos desde un punto de vista elemental tiene una excelente cobertura de causalidad. (El libro de texto aún está en forma de borrador y está disponible en línea como un pdf, por lo que tiene el beneficio adicional de ser gratuito).

Sin embargo, debe decidir si está interesado en métodos para (a) estimar el tamaño de los efectos causales , o (b) aprender la estructura de las redes causales (es decir, aprender qué variables influyen en cuáles otras). Hay muchas referencias para (a), creo que la causalidad de Pearl es la mejor. Hay pocas referencias introductorias para (b); Creo que el libro de texto de Cosma es el mejor, pero no es exhaustivo.

CMU organizó algunas excelentes charlas introductorias sobre el aprendizaje de la estructura causal en 2013. Richard Scheines presentó un tutorial sobre inferencia causal utilizando Tetrad , una introducción larga y suave a los conceptos básicos. Frederick Eberhardt presentó All of Causal Discovery , una visión rápida del estado del arte. Uno o ambos pueden ser útiles; La charla de Frederick debería darle muchas ideas sobre dónde ir después.

Yo lo recomiendo:

Análisis de datos mediante regresión y modelos multinivel / jerárquicos (Gelman & Hill)

Chapter9 y Capítulo 10 están a punto de inferencia causal y accesible al público.

Se sabe que Gelman es un gran autor que describe conceptos complejos a fondo.

Considere también su blog web: http://andrewgelman.com/ hay muchos materiales sobre inferencia causal.

No obtiene una imagen completa de todos los métodos posibles, pero probablemente obtendrá una explicación muy elaborada sobre lo que está sucediendo.

PD: El análisis del efecto del tratamiento de las 8 escuelas de Gelman se convirtió en un ejemplo clásico de estadísticas bayesianas de modelado jerárquico.