VIP内容

【导读】哈佛大学公共卫生学院(HSPH)Miguel Hernan与Jamie Robins 教授共同编著了关于因果逻辑推断方面的书作《Causal Inference: What If》,总共分3个部分,22章,311多页,对因果推理的概念和方法做了系统性阐述,是各个领域包括经济学、健康医疗、心理学、计算机等从业人士的重要参鉴材料。

地址: https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/

在本书中,我们强调需要足够认真对待因果问题,才能明确表述它,我们还区别了数据和因果推断假设的不同作用。一旦建立了这些基础,因果推断就必然变得不那么随意,这有助于防止混淆。然后,本书描述了各种数据分析方法,这些方法可用于在收集一组人口中每个个体的数据时,在一组特定的假设下估算感兴趣的因果关系。本书的一个关键信息是,因果推断不能简化为用于数据分析技巧的集合。

本书分为三个难度越来越大的部分:第一部分讲述没有模型的因果推断(即,因果关系的非参数辨识),第二部分是关于模型的因果推论(即,通过参数化模型对因果关系的估计),第三部分从复杂的纵贯数据中得出因果关系的推断(即,估算时变处理的因果关系)。全书还专门设置了很多要点(Fine Points)和技术点(Technical points),解释了正文中提到的某些主题。要点针对所有读者,而技术点则是为接受过统计学方面中等程度训练的读者设计的。本书对之前分散在多个学科期刊中的因果推断概念和方法进行了紧凑的介绍。我们希望对因果推断感兴趣的任何学科的读者都能有所裨益,例如流行病、统计学、心理学、经济学、社会学、政治学、计算机科学。

第 1-10 章重点讲述一些基本概念,通过大量的简单实例和图形的方式,深入浅出地介绍了因果推断中的核心概念和方法。第 11-18 章讲述了各种各样用于进行因果推断的模型,包括工具变量法 (IV)、倾向得分匹配分析 (PSM)、调节效应、结构方程等。第 19-25 章介绍了较为复杂的情形,如面板数据、 动态处理效应、反馈效应等。

目录内容: 第一部分 无模型的因果推断 1 A definition of causal effect 3 2 Randomized experiments 13 3 Observational studies 25 4 Effect modification 41 5 Interaction 55 6 Graphical representation of causal effects 69 7 Confounding 83 8 Selection bias 99 9 Measurement bias 113 10 Random variability 123

第二部分 有模型的因果推断
11 Why model? 139 12 IP weighting and marginal structural models 149 13 Standardization and the parametric g-formula 161 14 G-estimation of structural nested models 171 15 Outcome regression and propensity scores 183 16 Instrumental variable estimation 193 17 Causal survival analysis 209 18 Variable selection for causal inference 223

第三部分 复杂纵向数据因果推断 19 Time-varying treatments 235
20 Treatment-confounder feedback 247 21 G-methods for time-varying treatments 257 22 Target trial emulation 277

成为VIP会员查看完整内容
0
75
Top