“Causal Inference: What If”的版本间的差异
（建立内容为“待建立”的新页面） |
|||
| 第1行： | 第1行： | ||
| − | + | 此词条由因果科学读书会词条梳理志愿者雨轩翻译审校，未经专家审核，带来阅读不便，请见谅。 | |
| + | |||
| + | == 概要及简介 == | ||
| + | 这本书描述了各种数据分析方法，以估计在一组特定的假设下，当数据被收集到人口中的每个个体时，利益的因果效应。这本书的一个关键信息是，因果推断不能简化为数据分析的食谱集合。 | ||
| + | |||
| + | 本书按难度递增分为三个部分:第一部分是关于没有模型的因果推断(即，因果效应的非参数识别)，第二部分是关于有模型的因果推断(即，用参数模型估计因果效应)，第三部分是关于从复杂纵向数据进行因果推断(即，时变处理的因果效应估计)。 | ||
| + | |||
| + | 在整本书中穿插了诸多精细点和技术点，阐述了在把本书中提到的某些主题。“精细点”面向所有读者，“技术点”面向经过中级统计培训的读者。这本书描述了各种数据分析方法，以估计在一组特定的假设下，当数据被收集到人口中的每个个体时，利益的因果效应。这本书的一个关键信息是，因果推断不能简化为数据分析的集合。 | ||
| + | |||
| + | == 作者信息 == | ||
| + | 米格尔·埃尔南是西班牙裔美国流行病学家。他是哈佛大学陈曾熙公共卫生学院CAUSALab研究小组的主任以及生物统计学和流行病学教授，也是哈佛-麻省理工医疗科技学院健康科学与技术项目的教员。 | ||
| + | |||
| + | 埃尔南进行研究以了解哪些方法可以改善人类健康。他与来自多个国家的合作者一起设计了医疗保健数据库、流行病学研究和随机试验的分析。他是全球高被引科学家<ref>Web of Science Highly Cited Researchers</ref>。他的免费 edX 课程《因果图》<ref>edX Causal Diagrams course</ref>已经有超过 50,000 人注册。他与詹姆斯·罗宾斯合着的著作《因果推理：假设》，也可在线免费获得，并广泛用于研究人员的培训。 | ||
| + | |||
| + | 埃尔南是Epidemiology（期刊）的名誉编辑，也是Biometrics（期刊）、American Journal of Epidemiology和Journal of the American Statistical Association 的前副主编。他曾是美国食品和药物管理局的特别政府雇员，并曾在美国国家科学院、工程院和医学院的多个委员会任职。 | ||
| + | |||
| + | 詹姆斯·罗宾斯是一位流行病学家和生物统计学家，他以推进从复杂的观察性研究和随机试验中得出因果推论的方法而闻名，特别是那些治疗随时间变化的试验。他是2013年内森曼特尔统计和流行病学终身成就奖的获得者。 | ||
| + | |||
| + | 他于 1976 年毕业于圣路易斯华盛顿大学的医学专业。他目前是哈佛大学陈曾熙公共卫生学院的Mitchell L. 和 Robin LaFoley Dong 流行病学教授。他在学术期刊上发表了100 多篇论文，是ISI高被引研究员。<ref>James Robins — Mitchell L. and Robin LaFoley Dong Professor of Epidemiology. Harvard School of Public Health (Accessed 15 March 2008).</ref> | ||
| + | |||
| + | == 目录 == | ||
| + | 一、没有模型的因果推断 | ||
| + | |||
| + | 1：因果效应的定义 | ||
| + | |||
| + | 2：随机实验 | ||
| + | |||
| + | 3：观察研究 | ||
| + | |||
| + | 4：效应修正 | ||
| + | |||
| + | 5：交互 | ||
| + | |||
| + | 6：因果效应的图形表示 | ||
| + | |||
| + | 7：混淆 | ||
| + | |||
| + | 8：选择偏差 | ||
| + | |||
| + | 9：测量偏差 | ||
| + | |||
| + | 10：随机可变性 | ||
| + | |||
| + | 二、基于模型的因果推理 | ||
| + | |||
| + | 11：为什么使用模型? | ||
| + | |||
| + | 12：IP加权和边际结构模型 | ||
| + | |||
| + | 13：标准化与参数g-公式 | ||
| + | |||
| + | 14：结构嵌套模型的g-估计 | ||
| + | |||
| + | 15：结果回归和倾向得分 | ||
| + | |||
| + | 16：工具变量估计 | ||
| + | |||
| + | 17：因果生存分析 | ||
| + | |||
| + | 18：因果推断的变量选择 | ||
| + | |||
| + | 三、从复杂的纵向数据进行因果推断 | ||
| + | |||
| + | 19：时变处理 | ||
| + | |||
| + | 20：实验组-混淆因素反馈 | ||
| + | |||
| + | 21：G-方法的时变处理 | ||
| + | |||
| + | 22：目标试验模拟 | ||
| + | |||
| + | == 本书数据和代码<ref>https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/</ref> == | ||
| + | |||
| + | * NHEFS data | ||
| + | ** In [https://cdn1.sph.harvard.edu/wp-content/uploads/sites/1268/2012/10/nhefs_sas.zip SAS], [https://cdn1.sph.harvard.edu/wp-content/uploads/sites/1268/2012/10/nhefs_stata.zip Stata], [https://cdn1.sph.harvard.edu/wp-content/uploads/sites/1268/2017/01/nhefs_excel.zip MS Excel], and [https://cdn1.sph.harvard.edu/wp-content/uploads/sites/1268/1268/20/nhefs.csv CSV] formats | ||
| + | ** [https://cdn1.sph.harvard.edu/wp-content/uploads/sites/1268/2012/10/NHEFS_Codebook.xls Codebook] | ||
| + | * Computer code | ||
| + | ** [https://cdn1.sph.harvard.edu/wp-content/uploads/sites/1268/2019/01/sas_part2.zip SAS] by Roger Logan | ||
| + | ** [https://cdn1.sph.harvard.edu/wp-content/uploads/sites/1268/2022/01/stata_part2.zip Stata] by Eleanor Murray and Roger Logan | ||
| + | ** [https://cdn1.sph.harvard.edu/wp-content/uploads/sites/1268/1268/20/Rcode_CIpart2.zip R] by Joy Shi and Sean McGrath. [https://remlapmot.github.io/cibookex-r/ Rendered version] by Tom Palmer. | ||
| + | ** [https://github.com/jrfiedler/causal_inference_python_code Python] and [https://github.com/jrfiedler/causal_inference_julia_code Julia] by James Fiedler | ||
| + | ** Parametric g-formula software in [https://github.com/CausalInference/gfoRmula R] and [https://github.com/CausalInference/GFORMULA-SAS SAS] | ||
2022年6月2日 (四) 16:56的版本
此词条由因果科学读书会词条梳理志愿者雨轩翻译审校，未经专家审核，带来阅读不便，请见谅。
概要及简介
这本书描述了各种数据分析方法，以估计在一组特定的假设下，当数据被收集到人口中的每个个体时，利益的因果效应。这本书的一个关键信息是，因果推断不能简化为数据分析的食谱集合。
本书按难度递增分为三个部分:第一部分是关于没有模型的因果推断(即，因果效应的非参数识别)，第二部分是关于有模型的因果推断(即，用参数模型估计因果效应)，第三部分是关于从复杂纵向数据进行因果推断(即，时变处理的因果效应估计)。
在整本书中穿插了诸多精细点和技术点，阐述了在把本书中提到的某些主题。“精细点”面向所有读者，“技术点”面向经过中级统计培训的读者。这本书描述了各种数据分析方法，以估计在一组特定的假设下，当数据被收集到人口中的每个个体时，利益的因果效应。这本书的一个关键信息是，因果推断不能简化为数据分析的集合。
作者信息
米格尔·埃尔南是西班牙裔美国流行病学家。他是哈佛大学陈曾熙公共卫生学院CAUSALab研究小组的主任以及生物统计学和流行病学教授，也是哈佛-麻省理工医疗科技学院健康科学与技术项目的教员。
埃尔南进行研究以了解哪些方法可以改善人类健康。他与来自多个国家的合作者一起设计了医疗保健数据库、流行病学研究和随机试验的分析。他是全球高被引科学家[1]。他的免费 edX 课程《因果图》[2]已经有超过 50,000 人注册。他与詹姆斯·罗宾斯合着的著作《因果推理：假设》，也可在线免费获得，并广泛用于研究人员的培训。
埃尔南是Epidemiology（期刊）的名誉编辑，也是Biometrics（期刊）、American Journal of Epidemiology和Journal of the American Statistical Association 的前副主编。他曾是美国食品和药物管理局的特别政府雇员，并曾在美国国家科学院、工程院和医学院的多个委员会任职。
詹姆斯·罗宾斯是一位流行病学家和生物统计学家，他以推进从复杂的观察性研究和随机试验中得出因果推论的方法而闻名，特别是那些治疗随时间变化的试验。他是2013年内森曼特尔统计和流行病学终身成就奖的获得者。
他于 1976 年毕业于圣路易斯华盛顿大学的医学专业。他目前是哈佛大学陈曾熙公共卫生学院的Mitchell L. 和 Robin LaFoley Dong 流行病学教授。他在学术期刊上发表了100 多篇论文，是ISI高被引研究员。[3]
目录
一、没有模型的因果推断
1：因果效应的定义
2：随机实验
3：观察研究
4：效应修正
5：交互
6：因果效应的图形表示
7：混淆
8：选择偏差
9：测量偏差
10：随机可变性
二、基于模型的因果推理
11：为什么使用模型?
12：IP加权和边际结构模型
13：标准化与参数g-公式
14：结构嵌套模型的g-估计
15：结果回归和倾向得分
16：工具变量估计
17：因果生存分析
18：因果推断的变量选择
三、从复杂的纵向数据进行因果推断
19：时变处理
20：实验组-混淆因素反馈
21：G-方法的时变处理
22：目标试验模拟
本书数据和代码[4]
- NHEFS data
- Computer code
- ↑ Web of Science Highly Cited Researchers
- ↑ edX Causal Diagrams course
- ↑ James Robins — Mitchell L. and Robin LaFoley Dong Professor of Epidemiology. Harvard School of Public Health (Accessed 15 March 2008).
- ↑ https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/