Introducción al análisis causal

Question

¿Qué libros son buenos para introducir el análisis causal? Estoy pensando en una introducción que explique los principios del análisis causal y muestre cómo se pueden utilizar distintos métodos estadísticos para aplicar estos principios.

Answer 1

Pearl ha publicado recientemente un nuevo libro, dirigido a principiantes: Inferencia causal en estadística: A Primer . Si nunca has visto la causalidad con grafos acíclicos dirigidos, aquí es donde debes empezar. Y deberías hacer todas las preguntas de estudio del libro -- esto te ayudará a familiarizarte con las nuevas herramientas y notación.

Pearl también publica un libro dirigido al público en general, El libro de los porqués que estará disponible en mayo de 2018.

También dirigido a principiantes, Miguel Hernán acaba de iniciar un nuevo curso de inferencia causal en edX Diagramas causales: Dibuje sus suposiciones antes que sus conclusiones.

En el Manual de análisis causal para la investigación social , también hay un buen texto de Felix Elwert, capítulo 13, que es una introducción muy amigable a los modelos gráficos.

Otros dos buenos artículos con "introducciones suaves" (como le gusta decir a Pearl) a los gráficos causales son Perla (2003 ) y Pearl (2009). El primer documento también incluye debates.

Como ya han mencionado otras personas, Morgan y Winship es un muy buen libro de texto --- para 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 los experimentos aleatorios, pero no hay nada sobre DAGS --- sólo le expondrá al marco de resultados potenciales, por lo que necesita complementarlo con otros libros, como el mencionado anteriormente.

Entre los economistas, el graduado y licenciatura Los libros de Angrist y Pischke son muy populares. Pero es importante observar que se centran en estrategias y trucos habituales --- variables instrumentales, diferencias en diferencias, RDD, etc. De este modo, podrá hacerse una idea de una perspectiva más aplicada, pero sólo con eso no obtendrá una visión más amplia de los problemas de identificación.

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

Merece la pena mencionar aquí la Premio "Causalidad en la enseñanza de la Estadística". En su página web puedes encontrar diapositivas y otros materiales de varias clases que han ganado el premio cada año desde su inicio en 2013. En esta línea también cabe destacar El libro de VanderWeele.

Por último, como obviamente ya se ha mencionado, hay El ya clásico libro de Pearl . Las lecturas de los materiales más preliminares citados anteriormente le ayudarán a leerlo.

Answer 2

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

Morgan y Winship es particularmente bueno sobre lo que debe suponerse para las interpretaciones causales de los modelos de tipo regresión.

Pearl (2000) no es en ningún sentido introductorio, aunque en última instancia es una muy buena lectura. Puede que algunos de sus sitio web y artículos específicos útiles, en particular sobre la interpretación de los modelos de ecuaciones estructurales. La mayoría están disponibles como informes técnicos.

Actualización : Pearl, Glymour y Jewell's (2017) Inferencia causal en estadística: A Primer , es aunque introductoria. Y muy bueno también.

Answer 3

Tengo muchas expectativas puestas en el próximo libro de Austin Nichols Inferencia causal: Medición del efecto de x en y . La fecha de publicación prevista es 2013 . Mientras tanto, su folleto y papel ofrecen una buena visión general de los métodos de panel, las variables instrumentales, el ajuste/reponderación de la puntuación de propensión y la discontinuidad de la regresión. Las comparaciones entre todos estos estimadores (y ECA) son especialmente útiles, así como los minitutoriales de Stata (que pueden omitirse si no se es usuario de Stata). Si desea profundizar en el tema, se proporcionan referencias seleccionadas. Desafortunadamente, no hay mucho sobre ecuaciones estructurales aquí, aunque eso también es cierto del libro de Morgan y Winship. Su Documento ARS es un resumen más breve, aunque algo anticuado.

Pearl me pareció una introducción interesante, aunque difícil, a este material. Si hubiera sido mi primer contacto con estas ideas, no sé si habría salido de la lectura sabiendo aplicar muy bien alguno de los métodos.

Por último presentaciones de vídeo y diapositivas por el economista James Heckman y Pearl del Simposio sobre Inferencia Causal de 2012 en la Universidad de Michigan. Mucho material sobre modelos estructurales aquí.

Answer 4

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

No obstante, debe decidir si le interesan los métodos para (a) estimación de la magnitud de los efectos causales o (b) aprender la estructura de las redes causales (es decir, aprender qué variables influyen en qué otras). Hay muchas referencias para (a), creo que Pearl's Causalidad es el mejor. Hay pocas referencias introductorias para (b); creo que el libro de texto de Cosma es el mejor, pero no es exhaustivo.

La CMU acogió unas magníficas charlas introductorias sobre el aprendizaje de estructuras causales en 2013. Richard Scheines presentó una tutorial sobre inferencia causal con Tetrad una larga y suave introducción a los conceptos básicos. Frederick Eberhardt presentó Todo sobre el descubrimiento causal una rápida visión general del estado de la cuestión. Uno de ellos, o ambos, pueden ser útiles; la charla de Frederick debería darte muchas ideas sobre por dónde seguir.

Answer 5

Yo recomendaría:

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

Capítulo 9 y Capítulo 10 son sobre inferencia causal y de acceso público.

Gelman es conocido por ser un gran autor que describe a fondo conceptos complejos.

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

No se obtiene una visión completa de todos los métodos posibles, pero probablemente se obtendría una explicación muy elaborada sobre lo que está pasando.

PS: El análisis del efecto del tratamiento en 8 escuelas de Gelman se convirtió en un ejemplo clásico de estadística bayesiana de modelización jerárquica.