因果推斷

以下是核心內(nèi)容的基本架構(gòu)，方便大家更好地了解這本書：
首先，作者介紹了有關(guān)因果推理、概率與回歸相關(guān)概念和理論，為新接觸因果推理的讀者更好地學(xué)習(xí)打好基礎(chǔ)。 第一章引言作者通過識別需求的價格彈性等一系列案例，介紹了因果推理的含義、如何區(qū)分相關(guān)性與因果關(guān)系等基本內(nèi)容； 第二章概率與回歸回顧中，從基礎(chǔ)的概率理論出發(fā)，回顧了隨機過程、樣本空間、統(tǒng)計獨立性、事件和條件概率以及期望值、方差等統(tǒng)計定義。在此基礎(chǔ)上，介紹了普通小二乘法、方差分析理論、穩(wěn)健標(biāo)準(zhǔn)誤等統(tǒng)計數(shù)據(jù)分析的基本方法。 其次，為更好地識別因果關(guān)系，第三章至第五章介紹了因果推理的工具。 第三章引入有向無環(huán)圖 (DAG)，這是一個有助于澄清變量之間的因果關(guān)系的強大的工具，討論了后門標(biāo)準(zhǔn)和對撞機偏差兩個概念。詳細閱讀這一章對后續(xù)閱讀有很大的幫助； 第四章討論了潛在結(jié)果因果模型。因果效應(yīng)可被定義為實際發(fā)生狀態(tài)和反事實狀態(tài)之間的比較，潛在結(jié)果表示法用反事實表示因果關(guān)系。書中定義了各種類型的因果效應(yīng)：平均處理效應(yīng) (ATE)、干預(yù)組的平均處理效應(yīng) (ATT)、控制組的平均處理效應(yīng) (ATU)等。潛在結(jié)果因果模型成立依賴兩個關(guān)鍵假設(shè)：一是強調(diào)被干預(yù)對象相互獨立；二是在一定條件下，分配機制不會對潛在結(jié)果產(chǎn)生影響。潛在結(jié)果是由分配機制決定的，也十分強調(diào)匹配和傾向值分析對因果推理的重要性； 第五章繼續(xù)描述匹配和分配問題。貫穿這一章的概念是有條件獨立假設(shè) (CIA)，通過學(xué)生分配問題表明處理分配是有條件的隨機。當(dāng)樣本較少時，分配缺乏足夠的數(shù)據(jù)，因而使得匹配和傾向值分析顯得尤為重要。精確匹配和近似匹配均是因果推理的重要組成部分，傾向得分匹配作為一個工具，以使不同組別具有可比性。 后，在剩下的第六章至第十章，此書理論結(jié)合案例，分別介紹了識別因果推理的策略，包括斷點回歸、工具變量、面板數(shù)據(jù)、差分、合成控制五個方法。 斷點回歸 (Regression Discontinuity)的設(shè)計圍繞核心變量、臨界值、處理組分配和結(jié)果本身之間的關(guān)系。精確斷點回歸是其中一種方法，使用一個連續(xù)的分?jǐn)?shù)，通過任意選擇一個臨界值來分配處理組和控制組，比較高于和低于臨界值的人來估計一種特定的平均值。作者借助一個案例 “復(fù)制一個流行的設(shè)計：接近的選舉” 進行具體說明； 工具變量 (Instrumental Variables)設(shè)計可能是有史以來重要的研究設(shè)計之一。作者從顯示一系列因果效應(yīng)的 DAG 開始進行分析，認(rèn)為其包含了理解工具變量策略所需的所有信息。工具變量法通常用于解決遺漏變量偏差、測量誤差等問題，兩階段小二乘法是一個比較常用的方法，書中提供了一些數(shù)據(jù)，幫助讀者更好地理解如何在實際數(shù)據(jù)中實現(xiàn)兩階段小二乘法。與斷點回歸不同，工具變量法的識別假設(shè)有 5 個。這使得使用工具變量法時通常出現(xiàn)弱工具變量等問題，因而研究者很難找到滿足所有 5 個條件的工具變量； 面板數(shù)據(jù) (Panel Data)包含不同單位時間內(nèi)重復(fù)測量的縱向數(shù)據(jù)。固定效應(yīng)是一種估計因果效應(yīng)有用的方法。只要處理和結(jié)果隨時間變化，并且存在嚴(yán)格的外生性，那么固定效應(yīng)將消除任何和所有未觀測和觀測的處理變量相關(guān)的不隨時間變化的協(xié)變量。但是，這種方法不能處理隨時間變化的、未觀測到的異質(zhì)性，而且當(dāng)存在強反向因果路徑時，面板方法是有偏的。作者通過回顧描述面板數(shù)據(jù)的 DAG 情況下，討論一篇論文，然后在 R 和 Stata 中進行一個數(shù)據(jù)集的練習(xí)，很好的解釋了上述問題； 差分 (Difference-In-Differences)已經(jīng)成為定量社會科學(xué)中受歡迎的研究設(shè)計之一。作者以簡單的形式（同時處理一組單位）和更常見的形式（即在不同時間點處理一組單位）來解釋差分方法。這一章的重點是確定估計處理效應(yīng)所需的假設(shè)，包括通過事件研究提供平行趨勢證據(jù)、安慰劑的重要性、有時間差異的雙向固定效應(yīng)等； 合成控制 (Synthetic Control)目前是一個活躍的研究領(lǐng)域，人們期望通過合成控制方法進行大量的證偽聯(lián)系。使用合成控制法進行比較案例研究，必須通過基于安慰劑的推斷找到確切的  值，檢查預(yù)處理的匹配，調(diào)查用于匹配的協(xié)變量的平衡性，并通過安慰劑估計檢驗?zāi)Ｐ偷挠行?。書中通過 “監(jiān)獄建設(shè)和黑人男性監(jiān)獄” 的案例，展示了如何在 Stata 中估計合成控制方法。但是，還有很多相關(guān)問題書中沒有給出解決方法。   因果推理是一個重要且有趣的領(lǐng)域，越來越受到社會科學(xué)研究者的關(guān)注。 潛在結(jié)果因果模式提供了一種直觀的方式來思考因果效應(yīng)，該模型在理解使用異質(zhì)的準(zhǔn)實驗研究設(shè)計來確定因果關(guān)系所需的假設(shè)方法非常有效； 有向無環(huán)圖對項目的設(shè)計階段非常有用，在理論模型和對某些現(xiàn)象的理解以及識別所關(guān)心的因果效應(yīng)的策略方面都受到關(guān)注； 其它的識別因果效應(yīng)的策略是目前微觀經(jīng)濟學(xué)中常見的。  
第一章 導(dǎo)論
什么是因果推斷？
不要混淆相關(guān)性和因果性
最優(yōu)化使一切變得內(nèi)生
示例：確定需求的價格彈性
總結(jié)
第二章 概率與回歸知識復(fù)習(xí)

第三章 有向無環(huán)圖
有向無環(huán)圖表示法的介紹
第四章 潛在結(jié)果因果模型
物理隨機化
隨機化推斷
總結(jié)

第五章 匹配和子分類
子分類
精確匹配
近似匹配
第六章 斷點回歸
斷點回歸非常常見
使用RDD進行評估
對識別的挑戰(zhàn)
復(fù)刻一個流行設(shè)計：勢均力敵的選舉
拐點回歸設(shè)計
結(jié)論
第七章 工具變量
工具變量的歷史：父與子
工具變量的直覺認(rèn)識
同質(zhì)性處理效應(yīng)
父母濫食冰毒和兒童寄養(yǎng)
弱工具變量問題
異質(zhì)性處理效應(yīng)
應(yīng)用
流行的IV設(shè)計
結(jié)論

第八章 面板數(shù)據(jù)
DAG的例子
估計
數(shù)據(jù)練習(xí)：對成人服務(wù)提供者的調(diào)查
總結(jié)

第九章 雙重差分
約翰·斯諾=的霍亂假說
估計
推斷
通過事件研究和前期的平行提供平行趨勢的證據(jù)
安慰劑對DD方法的重要性
具有時間差異的雙向固定效應(yīng)
結(jié)論

第十章 合成控制法
比較案例研究的介紹
監(jiān)獄建設(shè)和黑人男性監(jiān)禁
本書總結(jié)