因果数据科学
免费的因果推论资源
定期更新的免费资源集合的方法,探索和掌握因果推论的话题
- - -
因为我已经问了很多次方法的建议和资源因果推论,我决定收集在这篇文章中我个人认为是最好的网上免费资源方法领域或扩大你的知识。我将尝试提出不同类型的资源,这样您就可以选择最适合你的学习方式:视频讲座、书籍、文章、代码示例,等等…选择的格式最适合你!
几免责声明在开始之前。这篇文章是非常主观的:我只涵盖资源,我知道,我已经使用。我的背景比贝叶斯频率论者,我更熟悉潜在结果的因果框架比其他框架,如有向无环图。我决定只列出免费资源,因此很多书将缺席(是的,没有主要是无害的计量经济学也不这本书的原因在这里)。如果我忘记了什么东西,让我知道!
我把这篇文章分为4个主要部分,媒体类型:讲座、博客、书籍等等。在每个部分中,我将个人偏好的内容,从我最喜欢的。享受吧!
讲座
我从视频讲座,因为它一直是我最喜欢的学习媒介。betway娱乐官网我个人认为没有什么比面对面的教学,但讲座录音是最好紧随其后。
博士课程的应用方法
- 作者:保罗Goldsmith-Pinkham(耶鲁大学)
- 一年:2021
- 困难:中级到高级
- 评论:最好的资源在网上因果推论,这就是保罗的记录在耶鲁大学的课程。主要包括准实验的方法,提供了直觉和细节。
博士计量经济学课程
- 作者:克里斯•康伦(纽约大学)
- 一年:2020
- 水平:研究
- 评论:巨大的资源,涵盖了各种各样的主题主要是有关“结构”的方法。特别是,它是为数不多的资源在此列表中覆盖极值估计(初速,GMM)。
机器学习和因果推论
- 作者阿塞:苏珊,Jann这位和斯蒂芬赌(斯坦福大学)
- 一年:2022
- 水平:研究
- 评论:一个简短的课程主要研究人员专注于异构治疗效果的评估。内容非常先进,但博览会是清晰和搭配的例子。
因果推理过程
- 作者:尼尔布雷迪(米拉-魁北克人工智能研究所)。
- 一年:2020
- 水平:初学者和中级
- 评论:一个很平易近人的因果推论的介绍。涵盖了潜在结果框架和熟练的技艺。客座演讲从阿塞苏珊和(加上一个教授阿尔波特•阿拜迪额外的与Jushua Benjo)。
因果关系训练营
- 作者:各种西蒙斯教授的研究所(伯克利)。
- 一年:2022
- 水平:初学者和中级
- 评论:不同于其他资源,这个训练营侧重于DAG和做微积分的方法。
法阅读小组
- 作者:多个人员
- 一年:2021
- 水平:先进的研究
- 评论:短的爆炸diff-in-diffs文学讲座,由作者自己。额外的值许多观众的提问。
用面板数据因果推论短期课程
- 作者:以徐(斯坦福大学)
- 一年:2021
- 水平:先进
- 评论:为期3天的课程录音在圣路易斯华盛顿大学与面板数据覆盖准实验的方法。先进水平和指向前沿研究领域。
博客
博客是我第二喜欢的资源:他们将更加直观的和非正式的博览会与代码。他们缺乏的直接参与讲座,但你通常可以直接玩代码。
勇敢的和真正的因果推论
- 作者:Matheus Facure
- 一年:定期更新
- 水平:中级到高级
- 评论:如果你喜欢玩代码而不是读数学,这是资源给你。它涵盖了各种各样的话题,总是将方程转化为非常可读的代码。个人最喜欢的!
因果推理及其在在线行业应用
- 作者:亚历克斯·邓(Airbnb)
- 一年:2018
- 水平:中级
- 评论详细:不幸的是不完整的,但涵盖了工业应用,专注于实验和AB测试。
法的博客
- 作者:主要是Bret Zeldow和劳拉•哈特菲尔德(哈佛医学院)
- 一年:2019
- 水平:中级
- 评论详细:覆盖法估计,从基础研究前沿,从医学的角度来看。
书
有几本书在网上免费提供,但是他们都是很好的资源,大多发表在过去几年。显著的缺席是主要是无害的计量经济学和任何高级计量经济学的书(我个人很喜欢计量经济学的布鲁斯·汉森这是免费在线直到最近)。
因果推论:赠送
- 作者:斯科特·坎宁安(贝勒大学)
- 一年:2021
- 水平:中级
- 评论:非常可读的书,包括潜在结果的基础框架与单词比方程。它还带有文内代码R, Python,占据。第二版是在路上。
的影响
- 作者:尼克·c·Huntington-Klein(西雅图大学)
- 一年:2021
- 水平:中级到高级
- 评论:伟大的资源覆盖各种各样的准实验方法的细节。比自制录像技术和全面,但仍非常可读,交替文本和代码(主要是R)。
- 奖金:有在Youtube上录音!
因果推论:如果
- 作者:米格尔赫尔南(哈佛大学)
- 一年:2022
- 水平:中级到高级
- 评论:最后一个资源,并非来自经济学!覆盖主要是熟练的技艺和实验中,有很多的代码在R, Python等。更多的学术,但不如前两个可读。
其他
最后,一些混合资源不符合前面的类别(但不是那么有趣或有用的)。
AEA继续教育系列
- 作者:不同的教授
- 一年:从2009年起
- 水平:先进的研究
- 评论:美国经济协会的课程集合,从该领域的主要研究人员。通常有一个因果推论和计量经济学课程每年。
最近和相关课程:
- 抽样方法:现代设计和推理(2022),由圭佑Hirano(耶鲁大学)和杰克·波特(威斯康辛大学麦迪逊分校)
- 掌握主要是无害的计量经济学(2020),教授阿尔波特•阿拜迪约书亚·安格瑞斯特和克里斯多夫·沃尔特斯(麻省理工学院)
- 机器学习和计量经济学(2018),由苏珊•阿塞和Guido Imbens(斯坦福大学)
NBER夏季研究所方法讲座
- 作者:旋转教授
- 一年:从2007年起
- 水平:研究
- 评论:一组专题(大部分)计量经济学和因果推论,从该领域的主要研究人员。这个系列不是结构化的,而是包含了非常高品质的材料。
最近和相关讲座:
- 经验贝叶斯应用程序(2022),由克里斯托弗·沃尔特斯(麻省理工学院)
- 合成控制:方法和实践(2021)(MIT)教授阿尔波特•阿拜迪
- 回归不连续面设计:实践和主题(2021),由Matias均(普林斯顿大学)
计量经济学的加里·张伯伦研讨会
- 作者:旋转教授
- 一年:从2020年起
- 水平:研究
- 评论:最先进的(消化)资源名单上。这是一个研讨会系列,展示他们的(通常是yet-to-be-published)的研究人员在因果推论。
EconML文档页面
- 作者:研究人员在微软
- 水平:先进
- 评论:图书馆涵盖了各种各样的主题,主要是在因果推论的交集和机器学习。一切都很好记录和搭配代码示例。
CausalML文档页面
- 作者:科学家在超级
- 水平:代码
- 评论:causalML包的文档,主要覆盖异构治疗效果的评估。太精细比EconML页面,但同时包含理论和例子。
A / B测试
- 作者:科学家在谷歌
- 水平:初学者
- 评论:初学者课程ab测试和随机实验。从最基本的开始几乎没有什么是理所当然的。伟大的第一种方法(或准备面试)。
二等奖
- 深入因果机器学习:很多代码从诅咒在斯坦福大学和麻省理工学院,但不幸的是并不总是有据可查。
- PyWhy文档(例DoWhy):最大的因果推论的文档库。
- DoubleML文档:图书馆/ debiased估计的两倍。