因果推断导论--统计学、生物医学与社会科学的视角_[美]吉多?W.因本斯 [美]唐纳德?B.鲁宾著，肖志国黎德元秦国友朱仲义译_9787543236745

在社会科学和生物医学中，大多数问题本质上都是关于因果关系的问题：如果个人或群体的部分环境发生变化，将会发生什么？在这个开创性的文本中，两位世界知名的专家提出了研究这类问题的统计方法。
本书从潜在结果的概念出发。一个研究对象的潜在结果与其暴露于特定的处理或制度时所实现的结果相对应。在这种方法中，因果效应是对这些潜在结果的比较。因果推断的基本问题在于，我们只能观察到一个特定对象的一个潜在结果。本书的作者先讨论了随机实验如何使因果关系的评估成为可能，接着介绍非实验的观察性研究中的因果推断方法。他们列出了因果推断所需的假设，并描述了主要的分析方法，包括匹配、倾向得分和工具变量工具。书中包含了许多详细的应用程序，尤其侧重于在实践层面探讨实证研究。

在许多统计应用中，令人感兴趣的问题很大程度上与因果关系有关，而不仅仅是描述或关联的问题。例如，医学研究人员可能希望了解一种新药对某种疾病的疗效。经济学家可能对揭示职业培训计划对个人就业前景的影响，以及新税或法规对经济活动的影响感兴趣。社会学家可能关注离婚对子女后续教育的影响。在本书中，我们讨论研究这些问题的统计方法。
这本书起源于我们在 1992 年于哈佛大学任教期间的一次对话。我们发现，虽然我们都对因果关系的问题感兴趣，但由于来自不同学科，习惯于不同的术语和惯例，我们在交流想法时遇到了困难。然而，对这些不同领域中的想法的兴奋激励我们利用这些困难，从而开展了长期的合作，包括项目研究、研究生和本科教学以及论文指导。本书是这种合作的体现。
本书直接基于我们在哈佛大学的一些学期和季度课程，起初是共同授课，之后我们分别在加州大学洛杉矶分校、加州大学伯克利分校和斯坦福大学教授了多年课程。这些课程主要面向统计学、经济学、商学和其他应用统计学领域的研究生和本科生。此外，我们还在巴塞罗那、北京、柏林、伯尔尼、日内瓦、马斯特里赫特、墨西哥城、迈阿密、蒙得维的亚、圣地亚哥、斯德哥尔摩、乌普萨拉、维珍塔尔、苏黎世，以及在世界银行等机构和组织中教授了这些课程的简化版本。
这本书采用的方法具有几个关键特点。首先，我们的观点是所有因果问题都与具体的干预或处理措施有关。其次，因果问题被视为潜在结果的比较，每个潜在结果对应于处理的水平。如果处理采用了相应的水平，就可以观察到每个潜在结果。在处理采用了特定水平之后，只有与该水平对应的潜在结果才会被实际观察到。因果效应涉及观察到的结果与可能观察到其他潜在结果之间的比较，这些结果是处理采用了不同水平时应当被观察到的，但事实上没有被观察到。因果推断因此本质上是一个缺失数据问题，就像所有缺失数据问题一样，由决定哪些数据值被观察到和哪些数据值缺失的机制发挥关键作用。在因果推断中，这个机制被称为分配机制（assignment mechanism），它决定了所研究个体采取的处理水平。
这本书分为七个部分。在第一部分中，阐述我们在因果推断方面的基本理念，并描述潜在结果框架。接下来的三个部分根据分配机制的假设进行区分。在第二部分中，我们假设分配机制与经典随机实验相一致。
在第三部分中，我们假设分配机制在某种明确定义的意义上是正则的，这扩展了随机实验的范围。在本书的这一部分中，讨论了我们称为观察性研究的设计阶段，我们认为这一阶段对于保证结论的可靠性非常重要。在接下来的第四部分，我们讨论具有正则分配机制的研究的数据分析。在这里，我们考虑匹配和子分类程序，以及基于模型和加权的方法。
在第五部分中，我们放松了这种正则性的假设，并讨论更一般的分配机制。首先，我们评估正则性所需的关键假设，即无混杂性。在本书的这一部分中，我们还探讨了放松一些关键特征的敏感性分析。
在本书的第六部分中，我们考虑分配机制是正则的，但分配的执行并不完美的情况。因此，接受处理的概率可能取决于个体的可观察和未观察特征以及结果。为了解决这些复杂性，我们转向工具变量方法。本书的第七部分是结论。
与所有书籍一样，我们的书也有局限性。首要的是我们专注于二元处理。尽管许多结果可以很容易地推广到多值处理，但我们专注于二元处理的情况，因为在这种情况下已经涉及了许多关键的概念问题。其次，在本书的大部分内容中，我们做出了稳定性假设，即应用于一个个体的处理不会影响其他个体的结果，并且没有未被代表的处理版本。以本书中讨论的因果关系概念为基础的、关于通过网络和同伴效应进行相互作用的研究越来越多。最后，尽管我们将本书设计为理论严密且有原则的著作，但我们专注于实际而不是数学结果，本书包括使用真实数据集的详细应用，以符合我们的目标读者，即应用领域的研究人员的需要。

我要评论