Ещё одна книжка от ДМК про #causalinference
https://dmkpress.com/catalog/computer/data/978-5-93700-365-2/
"Причинно-следственный анализ в науке о данных"

Несмотря на #datascience в названии, в большей степени является введением в Causal Machine Learning (#CausalML) в целом и DoubleML в частности. Что? вообще-то? хорошо и интересно.

В любом случае, автор делает акцент на вопросах практического применения статистического вывода причин и эффектов, в каких случаях он подходит, а в каких — нет, и что делать чтобы подходил хорошо и давал осмысленные (и обоснованные) результаты. В частности, подробно обсуждается A/B тестирование.

Для этого в книге даётся много примеров кода на R и Python.

Одновременно с этим рассматриваются более "классические" методы, такие как инструментальные переменные, difference-in-differences, propensity scores и causal graphs a-la Judea Pearl (вместе с понятием d-separation).

Автор не чурается математики, и в приложениях приводит доказательства ряда "технических" статистических теорем о свойствах рассматриваемых методов.

Некоторые сомнения вызывает вопрос перевода технических и статистических терминов, как и корректность словосочетания "краткое главление". Но есть надежда, что ещё успеют исправить хотя бы опечатки.