Forward from: Канал влияния
📚 Книга по причинному выводу
Недавно мы писали про прикладное и облегчённое введение в причинный анализ от Мартина Хубера и упомянули его более раннюю и фундаментальную книгу «Causal Analysis: Impact Evaluation and Causal Machine Learning with Applications in R». Книга вошла в финалисты PROSE Award 2024 в категории Computing and Information Sciences – и заслуженно: по охвату методов идентификации это весьма достойный текст
Структура учебника строится по нарастающей сложности идентификационных стратегий: от эксперимента и линейной регрессии к selection on observables, causal machine learning, instrumental variables, DiD, synthetic control, RDD/kink/bunching designs. Автор рассчитывает на наличие у читателя базовых знаний теории вероятностей, регрессионного анализа и навыка тестирования гипотез, но не перегибает с избыточной детализацией, погружая читателя лишь в необходимые для повествования детали
Относительно конкурентов книга выгодно выделяется наличием современных инструментов, которые редко встречаются в стандартных учебниках по causal inference. Вместе с разрывной регрессией Хубер разбирает regression kink design и bunching designs, обсуждает ситуацию частичного выполнения предпосылок в главах про partial identification и sensitivity analysis, а также разбирает нарушения SUTVA в главе про interference effects
Рынок учебников по causal inference за последние годы сильно вырос. На наш взгляд книга Хубера занимает нишу между двумя лагерями. С одной стороны – популярные онлайн-учебники вроде «Causal Inference: The Mixtape» Каннингема и «The Effect» Хантингтона-Кляйна, которые выбирают разговорный, интуитивный тон изложения и осознанно жертвуют частью формальной строгости ради доступности для более широкой аудитории. С другой стороны рынка — классические тексты типа Angrist & Pischke, которые дают строгий формальный аппарат, но почти не касаются causal machine learning и не покрывают такие узкоспециализированные темы, как bunching designs или interference effects
Книга подходит продвинутым в статистике студентам, аспирантам и исследователям. Каждую главу сопровождают примеры на R, но, в отличие от «Firms and Organizations», без дублирования на Python. Тем не менее учебник хорошо закрывает задачу понимания границ применимости методов и даёт обзор тем, которые обычно остаются за рамками стандартных курсов
Напоминаем, что про другие книги по причинному выводу можно почитать тут, тут и тут
#канал_рекомендует
@causal_channel
Недавно мы писали про прикладное и облегчённое введение в причинный анализ от Мартина Хубера и упомянули его более раннюю и фундаментальную книгу «Causal Analysis: Impact Evaluation and Causal Machine Learning with Applications in R». Книга вошла в финалисты PROSE Award 2024 в категории Computing and Information Sciences – и заслуженно: по охвату методов идентификации это весьма достойный текст
Структура учебника строится по нарастающей сложности идентификационных стратегий: от эксперимента и линейной регрессии к selection on observables, causal machine learning, instrumental variables, DiD, synthetic control, RDD/kink/bunching designs. Автор рассчитывает на наличие у читателя базовых знаний теории вероятностей, регрессионного анализа и навыка тестирования гипотез, но не перегибает с избыточной детализацией, погружая читателя лишь в необходимые для повествования детали
Относительно конкурентов книга выгодно выделяется наличием современных инструментов, которые редко встречаются в стандартных учебниках по causal inference. Вместе с разрывной регрессией Хубер разбирает regression kink design и bunching designs, обсуждает ситуацию частичного выполнения предпосылок в главах про partial identification и sensitivity analysis, а также разбирает нарушения SUTVA в главе про interference effects
Рынок учебников по causal inference за последние годы сильно вырос. На наш взгляд книга Хубера занимает нишу между двумя лагерями. С одной стороны – популярные онлайн-учебники вроде «Causal Inference: The Mixtape» Каннингема и «The Effect» Хантингтона-Кляйна, которые выбирают разговорный, интуитивный тон изложения и осознанно жертвуют частью формальной строгости ради доступности для более широкой аудитории. С другой стороны рынка — классические тексты типа Angrist & Pischke, которые дают строгий формальный аппарат, но почти не касаются causal machine learning и не покрывают такие узкоспециализированные темы, как bunching designs или interference effects
Книга подходит продвинутым в статистике студентам, аспирантам и исследователям. Каждую главу сопровождают примеры на R, но, в отличие от «Firms and Organizations», без дублирования на Python. Тем не менее учебник хорошо закрывает задачу понимания границ применимости методов и даёт обзор тем, которые обычно остаются за рамками стандартных курсов
Напоминаем, что про другие книги по причинному выводу можно почитать тут, тут и тут
#канал_рекомендует
@causal_channel