你应该阅读哪本因果推断书籍: 一份进阶流程图和简短书评列表

凡是搞计量经济的，都关注这个号了

稿件：[e-mail]

所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.

关于因果推断，我们引荐了①关于各种因果识别方法的120份经典实证文献汇总”，②哈佛大学新修订完成的因果推断经典大作免费下载！附数据和code，③因果推断的统计方法总结, 177份文献，④政策评估的计量方法综述, 包括最新因果推断方法，⑤在教育领域使用IV, RDD, DID, PSM多吗? 使用具体文献，⑥看完顶级期刊文章后, 整理了内生性处理小册子，⑤工具变量精辟解释, 保证你一辈子都忘不了，⑦DID, 合成控制, 匹配, RDD四种方法比较, 适用范围和特征，⑧关于双重差分法DID的32篇精选Articles专辑！⑨关于(模糊)断点回归设计的100篇精选Articles专辑！⑩匹配方法(matching)操作指南, 值得收藏的16篇文章等，⑪MIT广为流传的政策"处理效应"读本，⑫DID的研究动态和政策评估中应用的文献综述，⑬最新政策效应评估的四种方法，⑭政策效应评估的基本问题等。

1.用"因果关系图"来进行因果推断的新技能，2.因果推断专题：因果图，3.因果推断专题：有向无环图DAG，4.confounder与collider啥区别? 混淆 vs 对撞，5.三张图秒懂, 混淆, 中介, 调节, 对撞, 暴露, 结果和协变量的复杂关系，6.中介效应检验流程, 示意图公布, 不再畏惧中介分析，7.图灵奖得主Pearl的因果推断新科学，Book of Why?  8.前沿: nature刊掀起DAG热, 不掌握就遭淘汰无疑！因果关系研究的图形工具!9.前沿: 卫星数据在实证研究中的应用, 用其开展因果推断的好处！10.7大因果推断大法精选实证论文, 可用于中国本土博士课堂教学！11.随机分配是什么, 为什么重要, 对因果关系影响几何？12.应用计量经济学现状: 因果推断与政策评估最全综述，13.疫情期计量课程免费开放！面板数据, 因果推断, 时间序列分析与Stata应用，14.Python做因果推断的方法示例, 解读与code，15.内生转换模型vs内生处理模型vs样本选择模型vs工具变量2SLS，16.不用IV, 基于异方差识别方法解决内生性, 赐一篇文献等等。

---

今天，我们引荐一份“阅读因果推断书籍流程图“。先参看：①哈佛大学新修订完成的因果推断经典大作免费下载！附数据和code！②图灵奖得主Pearl的因果推断新科学, Why?③计量课程免费开放！面板数据, 因果推断, 时间序列分析与Stata应用（慕课上有不少免费课程，建议年轻学者好好使用）。

*注: 点击图片看大图，里面每一本书籍都给出了对应的封面图，此外还介绍了一些其他因果推断书籍。计量社群里天天都在传阅各种因果推断书籍，对这些书籍感兴趣的可以到社群交流研讨。

一、因果推断进阶书籍流程图

简短评论

结合自己的经验和网上的信息评论以下书籍。

Causal Inference for Statistics, Social, and Biomedical Sciences: An Introduction (Imbens & Rubin, 2015)

《统计学、社会科学及生物医学领域中的因果推断导论》

Imbens和Rubin合著的《统计学、社会科学及生物医学领域中的因果推断导论》在2015年出版后，被誉为“因果推断”领域最经典的教科书。有人评价说：“这本书让我觉得我之前统计学的东西都白学了。”

读完本书，我也知道了因果推理的五个步骤。1.原因是什么？2.结果是什么？3.确认三个要点 （是否纯属巧合？是否存在第三变量？是否存在逆向因果关系？） 4.制造反事实， 5.调整到可比较的状态。通过以上五个步骤，我们便可以轻松地掌握因果推理。

Mostly Harmless Econometrics by Joshua D. Angrist and Jörn-Steffen Pischke:

《基本无害的计量经济学》

在经济学、管理学领域广受欢迎，成为硕博研究生必读经典计量书籍，可以参看：USA经管商博士最狂热崇拜的计量书籍震撼出炉。关于安神，可以参看：①我是安神, 我为因果推断计量代言，②Sims与安神的论战从未停止,JOE卷入第三次大论战，③Angrist因果推断课程，经典期刊读物汇集，④J.Angrist就因果推断长篇评论+音频版，⑤J.Angrist就因果推断长篇评论+音频版(2)，⑥安神+克拉克奖得主的RDD论文, 断点回归设计。

复旦大学经济学院兰小欢教授评价道：

适合做研究的人使用，不适合初学者。适合做reduced form的人用，这是目前集大成的指南。对OLS和IV，从方法论到各种应用，讲解极为详细。本书一个很重要的核心观念，就是把所有目前流行的带实验色彩的估计方法，全部放在回归的框架中分析和讨论，包括DID,DD, MATCHING。没有任何关于field experiment的内容，没有任何实验设计的内容。

Morgan, Winship. “Counterfactuals and Causal Inference: Methods and Principles for Social Research”，

《反事实和因果推断：社会研究的方法和原则》

对于涵盖潜在结果和图形模型框架的一般介绍，这本书是计量领域必读作品，强烈建议各位购买阅读，或到计量社群获取该书籍。这本书曾是一位老外审稿人推荐给计量妹的，说里面对于因果推断讲解比较全面，而且可操作性也很强。

计量社群资深群友@GingLam 评论道：

如果没有研读过这本书，你大概会错过社会学因果分析在近30年最精彩的讨论，然后在研究设计上落后“30年。

Angrist, Pischke. “Mastering Metrics: The Path from Cause to Effect”

着眼于计量经济学视角，重点在于局部识别。这本书与Mostly Harmless Econometrics是姐妹篇，但比MEH少一些技术性的东西，因此建议与其一同购买阅读。

Elements of Causal Inference: Foundations and Learning Algorithms

对于那些来自机器学习背景的人来说，这本书真是太棒了。它甚至有两章致力于将因果推断与机器学习联系起来。这本书可能是现代因果发现（结构学习）技术的最佳图书。尽管“因果推断”一词在其他书籍中并未包括因果发现，但在本书中却包含了因果发现。这是因为本书的很大一部分致力于因果发现。而且它仍然为你提供结构因果模型（Structural causal models，简称SCMs）的良好基础。

Causal Inference: What If

这本书是我读过的所有书中最实用的一本。例如，它是唯一涵盖称为“positivity”（或“重叠”）的概念的书，而这是估计因果关系必须满足的重要条件。这也是这4本书中唯一一本真正涉及如何估计结果模型和倾向得分模型的书，这两个模型都常用于估计实践中的因果关系。实际上，本书中有很大一部分专门用于可以在实践中使用的各种估计值。Jamie Robins（作者之一）在流行病学和因果推断中是一个非常重要的人物。例如，图灵奖得主Judea Pearl认为他的调整公式在其1986年论文中就隐含出现了（这是第一次在文献中可以看出该调整公式）。

Causal Inference in Statistics: A Primer

这本书可能是使用人数最多的最好的一本书。它对因果推断和SCM（结构因果模型）有着清晰和快速的介绍。Pearl是第一作者，他为因果推断做出了许多重要贡献，开创了SCM（结构因果模型）。

Causality

我只会向想成为SCM（结构因果模型）专家的人推荐这本书。这本书是独特的，因为它是我向那些熟悉SCM并希望成为SCM专家的人唯一推荐的一本书。它有很多很好的理论，因此通常不容易阅读。如果你没有任何SCM知识或没有足够的动力去学习更多有关SCM的知识，这本书几乎是难以理解的。综上所述，我认为这本书经常被网上人刻薄地刻画。而这些苛刻的评论中有许多来自对理论不太感兴趣的人。在对因果关系有了深刻的理解之后（例如通过阅读其他书籍），人们会对这本书有更好的理解。

Causal Inference: The Mixtape (Cunningham, 2018)，参看：我是如何从一个诗人变成一个计量实证高手, 并且还出版了一本计量书籍！

Explanation in Causal Inference: Methods for Mediation and Interaction (VanderWeele, 2015)

这本书是成为中介与调整效应专家的必经之路。本书的主要部分旨在让广大读者阅读，因此它不是技术性的。但是，附录几乎可以当作一本独立的书来阅读，并且包含技术精通的读者可能想要的所有技术细节。此外，这本书还获得了美国统计协会2015年的“统计教育因果关系”奖。

Observation and Experiment: An Introduction to Causal Inference(Rosenbaum, 2017)

Rosenbaum撰写了上面流程图中的“Design of Observational Studies” (2010) 一书，以及他2002年写的另一本因果推断书籍。目前的信念是，这本2017年的书比他2010年的书更引人入胜。罗森鲍姆（Rosenbaum）是这样描述他对这本书的看法的：

我在本书中的目标是以合理的精度，但以最少的技术资料，清晰地提出因果推断的概念。

Causation, Prediction, and Search (Spirtes et al., 2001)

这本书的前两位作者（Peter Spirtes和Clark Glymour）提出了经典的PC算法（Peter and Clark）来进行结构的学习。Pearl将此书归功于第一本使调整公式得以明确的出版物。

Actual Causality (Halpern, 2016)

约瑟夫·哈珀恩（Joseph Halpern）在尝试捕获X导致Y的实际含义方面做了很多工作。这可能是了解某些原因导致其他原因的主要书籍。

当然，还有其他一些东西：例如， Advanced Data Analysis from an Elementary Point of View book, Targeted Learning (van der Laan & Rose, 2011)。

https://www.bradyneal.com/which-causal-inference-book

---

二、因果推断阅读清单

这是我已经阅读过的一些因果推断主题的书籍和文章列表。它还包含我计划每日阅读的书籍。我将通过更多因果推断资源来更新此列表。

书籍：

• Causal Inference by Miguel Hernán and Jamie Robins: 我读过的最实用的书。强烈推荐。

• Why: A Guide to Finding and Using Causesby Samantha Kleinberg: 该主题的高级介绍。我在“为什么你应该停止担心深度学习并加深对因果关系的理解”中讨论了要点。

• Causality, Probability, and Time by Samantha Kleinberg: 比Kleinberg的另一本书更具技术性。顾名思义，时间是本书中介绍的方法的核心。但是，我仍然不确定这些方法在实际数据上的实用性。

• Causal Inference in Statistics: A Primerby Judea Pearl, Madelyn Glymour, Nicholas P. Jewell: 相当了解Judea Pearl的作品。我没有发现它很实用，但是我相信它可以帮助我理解Hernán和Robins的因果推断的图形建模部分。

• Elements of Causal Inference: Foundations and Learning Algorithms这本书的名称显然是对Trevor Hastie，Robert Tibshirani和Jerome Friedman的经典著作《统计学习的元素》的reference。不幸的是，这本书没有像Hastie等人的书那样广泛使用——它包含了一些有趣的想法，但是看来从最小的假设出发，从数据中进行因果学习的算法还没有足够的可扩展性供实际使用，而将来这可能会改变。

• Causality: Models, Reasoning, and Inferenceby Judea Pearl: 我还没看过，但我认为希望学习因果推断方法的人会很受用。

• The Book of Why: The New Science of Cause and Effectby Judea Pearl and Dana Mackenzie: 看起来这本书可能值得一读，尽管看起来技术性不足以应用于我的工作。可以参看：图灵奖得主Pearl的因果推断新科学, Why?

• 对于统计估计和分析设计：Rosenbaum, “Design of Observational Studies”

• 对于与机器学习的连接：Peters, Janzing, Schoelkopf. “Elements of Causal Inference: Foundations and Learning Algorithms”

文章：

• Does water kill? A call for less casual causal inferencesby Miguel Hernán: 一个很好的证明为什么谈论因果关系需要明确的干预措施。

• The C-Word: Scientific Euphemisms Do Not Improve Causal Inference From Observational Databy Miguel Hernán:因果推断的高级总结，以及需要明确说明科学研究的因果目标的必要条件。

• The Environment and Disease: Association or Causation?by Austin Bradford Hill: 关于Bradford Hill因果关系标准的经典讨论。强烈推荐，因为该1965年的论文还预见了统计学显著性狂热问题。

• Causal inference in statistics: An overview by Judea Pearl:Pearl的作品的总结，此刻可能有些过时（从2009年开始）。如果你还没有准备好阅读他的书，此文仍然值得一读。

• Simpson’s Paradox: An Anatomy by Judea Pearl: 解释了辛普森悖论及其与因果推理的关系。本文值得一读，尽管我发现需要进一步阅读才能更好地理解因果模型为何“解决”了这一悖论。

  https://yanirseroussi.com/causal-inference-reading-list/
  

还有哪些因果推断书籍，而你最喜欢哪本因果推断书籍？

下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。

2.5年，计量经济圈近1000篇不重类计量文章，

可直接在公众号菜单栏搜索任何计量相关问题,

Econometrics Circle

数据系列：空间矩阵 | 工企数据 | PM2.5 | 市场化指数 | CO2数据 |  夜间灯光 | 官员方言  | 微观数据 | 内部数据计量系列：匹配方法 | 内生性 | 工具变量 | DID | 面板数据 | 常用TOOL | 中介调节 | 时间序列 | RDD断点 | 合成控制 | 200篇合辑 | 因果识别 | 社会网络 | 空间DID数据处理：Stata | R | Python | 缺失值 | CHIP/ CHNS/CHARLS/CFPS/CGSS等 |干货系列：能源环境 | 效率研究 | 空间计量 | 国际经贸 | 计量软件 | 商科研究 | 机器学习 | SSCI | CSSCI | SSCI查询 | 名家经验计量经济圈组织了一个计量社群，有如下特征：热情互助最多、前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此，建议积极进取和有强烈研习激情的中青年学者到社群交流探讨，始终坚信优秀是通过感染优秀而互相成就彼此的。