來源：計量經(jīng)濟學服務中心

本文約2700字，建議閱讀8分鐘?
本文為你介紹了因果推斷書籍的代碼合集。

1、Causal Inference: The Mixtape

來源：

https://mixtape.scunning.com/index.html

簡介

這是《Causal Inference: The Mixtape》的在線版本，因果推理包括一些工具，讓社會科學家能夠確定什么導致什么。在一個混亂的世界里，因果推理有助于確定所研究行為的因果關(guān)系——例如，提高最低工資對就業(yè)的影響(或缺乏影響)，幼兒教育對以后生活中的監(jiān)禁的影響，或者在發(fā)展中地區(qū)引進蚊帳對經(jīng)濟增長的影響。Scott Cunningham使用一系列建模技術(shù)和用于R和Stata編程語言的編碼指令，向?qū)W生和實踐者介紹了獲得因果關(guān)系問題有意義答案的必要方法。

書籍目錄

1介紹
2概率與回歸回顧
3有向無環(huán)圖
4潛在結(jié)果因果模型
5匹配與子分類
6斷點回歸
7工具變量
8面板數(shù)據(jù)
9雙重差分
10合成控制
11結(jié)論
教學資源
致謝
勘誤表
參考文獻

代碼鏈接

為了方便大家學習，我們將相關(guān)代碼fork到了碼云倉庫，大家可以在線收藏學習?

https://gitee.com/econometric/causal--inference--the--mixtape

2、Causal Inference: What If

內(nèi)容簡介：本書由哈佛大學 Miguel Hernan、Jamie Robins 教授編著，對因果推理的概念和方法做了系統(tǒng)性闡述。該書在知乎等各大平臺一直是呼聲很高的書籍，眾多計量學者期待已久，目前該書。

書籍開源地址：

https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/

下載地址：

https://cdn1.sph.harvard.edu/wp-content/uploads/sites/1268/2019/10/ci_hernanrobins_14oct19.pdf

代碼鏈接

https://gitee.com/econometric/causal_inference_python_code

3、Mostly Harmless Econometrics

由Joshua D. Angrist和J?rn-Steffen Pischke合作撰寫的計量經(jīng)濟學經(jīng)典著作Mostly Harmless Econometrics: An Empiricist's Companion詳細介紹了應用實證研究中的核心計量工具，為社會科學研究者提供了一份精煉的操作指南。

作者從因果關(guān)系及其識別的角度展開了本書的論述。對于社會科學研究者而言，其所關(guān)心的一個核心問題便是因果推論，即探討某一事件產(chǎn)生的原因及其影響。這對于結(jié)果預測和政策制定都具有重要意義。那么，因果推論該如何進行呢？通常而言，利用觀測數(shù)據(jù)對受某一事件影響的群體和未受該事件影響的群體進行比較是最直觀的研究方法。然而，由于反事實的無法獲得及選擇性偏誤（selection bias）的存在，上述影響并非真正的因果聯(lián)系。在本書作者看來，要展開因果推論，隨機實驗是最具可信度、最有影響力的一種研究設計，并從數(shù)學推導和研究例證（如Tennessee STAR experiment）兩方面為此提供了充分證據(jù)。

然而，隨機實驗耗時長、成本高、可能遭遇學術(shù)倫理問題，因此對大多數(shù)學者來說未必具有現(xiàn)實可操作性。為此，本書作者以隨機實驗為基準（benchmark），把目光轉(zhuǎn)向了自然實驗（natural experiment）及準自然實驗（quasi-experiment）。利用自然實驗及準自然實驗進行因果推斷，需要充分利用本書所關(guān)注的核心計量工具：多元回歸分析、工具變量方法（IV）和雙重差分策略（DID）。本書在第三章主要討論了多元回歸分析方法。這一方法主要是指在控制了其他與殘差項不相關(guān)的變量之后，用被解釋變量對核心解釋變量進行回歸分析。該方法對提高估計準確性并揭示可能的因果關(guān)系大有裨益，而且也是接下來討論的IV、DID等工具之基礎(chǔ)。IV在本書第四章得到討論。盡管工具變量不易尋找，但一旦找到合適的工具變量之后，使用兩階段普通最小二乘法便可較為精準地獲得因果聯(lián)系。當然，工具變量方法并非萬無一失，局部有效性（LATE）等問題也受到了作者高度關(guān)注。DID在本書第五章得到呈現(xiàn)。作為處理遺漏變量問題、進行因果推論的有效方法，雙重差分同樣備受作者重視。與此相關(guān)，作者還在本章中就固定效應及面板數(shù)據(jù)處理進行了細致分析。以上便是本書的核心內(nèi)容。接下來本書還進行了一些拓展討論，主要涉及斷點回歸分析、分位數(shù)回歸分析及回歸分析中的標準差處理。

值得一提的是，不同于一般的計量經(jīng)濟學教科書，本書具有如下幾方面有必要說明的特點：首先，本書并不對各種計量方法進行面面俱到的介紹，而是主要討論在實證操作中處于核心地位的幾類方法，對基本概念和技術(shù)問題的強調(diào)也穿插于核心方法的介紹及操作例證的講解之中；其次，一般的計量經(jīng)濟學教科書非常關(guān)注經(jīng)典假設及其違反的情況，本書則對此保持更為寬容的態(tài)度，并未在此花費太多篇幅；最后，在回歸結(jié)果的統(tǒng)計性質(zhì)中，本書更重視無偏性與一致性，對有效性的關(guān)注相對較弱。

評價：

“Finally – An econometrics book for practitioners! Not only for students, Mostly Harmless Econometricsis a fantastic resource for anyone who does empirical work.” — Sandra Black, UCLA

“This is a remarkable book–it does the profession a great service by taking knowledge that is usually acquired over many years and distilling it in such a succinct manner.” — Amitabh Chandra, Harvard Kennedy School of Government

“MHE is a fantastic book that should be read cover-to-cover by any young applied micro economist. ?The book provides an excellent mix of statistical detail, econometric intuition and practical instruction. ?The topic coverage includes the bulk of econometric tools used in the vast majority of applied microeconomics. ?I wish there was an econometric textbook this well done when I was in graduate school.” — Bill Evans, University of Notre Dame

Mostly Harmless Replication

一個大膽的嘗試，用以下語言復制了《無害計量經(jīng)濟學》一書中的表格和數(shù)字: Stata R Python Julia

為什么要這么瘋狂呢?我的主要動機是看看我是否可以在我的工作流中用R、Python或Julia替換Stata，所以我嘗試用這些語言復制大部分無害的計量經(jīng)濟學。

目錄如下：

Questions?about?Questions
The?Experimental?Ideal
Making?Regression?Make?Sense
Instrumental?Variables?in?Action
Parallel?Worlds
Getting?a?Little?Jumpy
Quantile?Regression
Nonstandard?Standard?Error?Issues

查看Wiki中的入門指南，了解使用每種語言設置機器的技巧。

代碼鏈接：

https://gitee.com/econometric/mostly-harmless-replication

4、基本有用的計量經(jīng)濟學（MUSE）

簡介 該書主要特色是利用潛在結(jié)果語言和因果圖介紹各種識別策略。全書以隨機化實驗為基礎(chǔ)，首先介紹了潛在結(jié)果和分配機制的概念，并利用潛在結(jié)果定義因果效應。然后介紹了隨機化實驗，一種特殊的分配機制，可以消除選擇偏差，成為觀測研究中各種識別策略的基礎(chǔ)。所有的識別策略都是通過一定的設計模擬隨機化實驗，從而得到可信的因果效應估計。另外，作者還簡要介紹了因果圖方法，它是與潛在結(jié)果框架完全等價的因果模型，但是更加直觀，容易使用。在這三個理論的基礎(chǔ)上，本書介紹了線性回歸、匹配方法、工具變量法、面板數(shù)據(jù)方法和斷點回歸設計等幾種在觀測研究中常用的因果效應識別策略。最后，對于每種識別策略，作者還利用具體實例講解各策略在Stata軟件中的實現(xiàn)。

代碼鏈接：

https://gitee.com/econometric/causalinference

5、The Effect: An Introduction to Research Design and Causality

簡介

這本書旨在向?qū)W生(和非學生)介紹在觀察數(shù)據(jù)的背景下研究設計和因果關(guān)系的概念。這本書以一種直觀和平易近人的方式編寫，沒有過多的技術(shù)細節(jié)。既然回歸和研究設計是兩種根本不同的東西，為什么要同時講授呢?首先了解為什么要以某種方式構(gòu)建設計，以及您想對數(shù)據(jù)做什么，然后了解如何運行適當模型的技術(shù)細節(jié)。

這本書由第一部分專門研究設計和因果關(guān)系，使用因果圖使識別的概念直接，和第2部分專門實現(xiàn)和常見的研究設計，如回歸與控制和斷點。你可以在左邊看到各個章節(jié)并在它們之間導航(如果你在一個小屏幕上，在頂部的下拉菜單中)。

如果您想運行本書中的代碼示例，您將需要causaldata包，它包含大多數(shù)代碼塊的示例數(shù)據(jù)?？梢栽赗中使用install.packages(' Causaldata ')安裝Causaldata，在Stata中使用ssc install causaldata，或者在Python中使用 pip install causaldata。

代碼鏈接：

https://gitee.com/econometric/CausalitySlides

編輯：王菁