https://nickchk.com/causalgraphs.html
Causal inference! With animations! 😄
The post explains and illustrates basic notions and methods of causal inference with examples from econometrics. And animated plots, yep.
#causalinference #statistics
Causal inference! With animations! 😄
The post explains and illustrates basic notions and methods of causal inference with examples from econometrics. And animated plots, yep.
#causalinference #statistics
👍1
https://econml.azurewebsites.net/spec/spec.html
The EconML Python SDK, developed by the ALICE team at MSR New England, incorporates individual machine learning steps into interpretable causal models.
Pretty cool. Docs feature introduction into the topic and the methods.
#datascience #causalinference #machinelearning
The EconML Python SDK, developed by the ALICE team at MSR New England, incorporates individual machine learning steps into interpretable causal models.
Pretty cool. Docs feature introduction into the topic and the methods.
#datascience #causalinference #machinelearning
https://mixtape.scunning.com/
Another book on #causalinference ! Looks like a hot topic. 😄
Judging by the cover it predominantly describes "classical" methods like matching, regression discontinuity, difference-in-differences and alike. They promise examples and exercises in R (and Stata, but who cares about that?).
Another book on #causalinference ! Looks like a hot topic. 😄
Judging by the cover it predominantly describes "classical" methods like matching, regression discontinuity, difference-in-differences and alike. They promise examples and exercises in R (and Stata, but who cares about that?).
Scunning
Causal Inference The Mixtape
https://www.markhw.com/blog/causalforestintro
A hands-on overview and tutorial on estimating Heterogeneous Treatment Effects in particular with honest causal forests (R package
#statistics #causalinference
A hands-on overview and tutorial on estimating Heterogeneous Treatment Effects in particular with honest causal forests (R package
grf).#statistics #causalinference
Mark H. White II, PhD
Explicitly Optimizing on Causal Effects via the Causal Random Forest: A Practical Introduction and Tutorial — Mark H. White II…
UPDATE (February 2023): An updated and expanded version of this post now appears as a book chapter. If you wish to cite this guide, you can do so using: Green, J., & White, M. H., II. (2023). Machine Learning for Experiments in the Social Sciences.…
https://dmkpress.com/catalog/computer/statistics/978-5-93700-245-7/
«В поисках эффекта. Планирование экспериментов и причинный вывод в статистике»
ДМК перевели и издали книгу Nick Huntington-Klein, оригинал которой (и ещё записи лекций в придачу) можно найти онлайн:
https://www.theeffectbook.net/
(или купить на Amazon).
Я, безусловно, это дело полностью одобряю и поддерживаю. Во-первых, я — фанат "причинного вывода" (или "вывода причин"? короче, causal inference). Никому не интересно, что рост продаж коррелирует с увеличением маркетингового бюджета, все хотят знать, приводит ли увеличение бюджета на маркетинг к (дополнительному) росту продаж или нет. Во-вторых, я знаю автора как инициатора и основного контрибьютора https://lost-stats.github.io/ а также видео на YouTube — он создаёт впечатление знающего и весёлого малого. В-третьих, в своём учебнике он делает упор на концептуальное понимание причинности или её отсутствия, планирование экспериментов (experimental design) и казуальные графы a la Judea Pearl. Но и примеры реализации методов causal inference на R, Python и Stata тоже приводит (их и домашние задания можно забрать с GitHub по ссылкам с сайта книги).
Единственное, что вызывает подозрения — перевод статистических терминов. Estimator почему-то называют "оценивателем", и я не думаю, что наши статистики так говорят... Впрочем, в остальном перевод выглядит вполне достойным и передающим немного шутливый авторский стиль.
#book #statistics #causalinference
«В поисках эффекта. Планирование экспериментов и причинный вывод в статистике»
ДМК перевели и издали книгу Nick Huntington-Klein, оригинал которой (и ещё записи лекций в придачу) можно найти онлайн:
https://www.theeffectbook.net/
(или купить на Amazon).
Я, безусловно, это дело полностью одобряю и поддерживаю. Во-первых, я — фанат "причинного вывода" (или "вывода причин"? короче, causal inference). Никому не интересно, что рост продаж коррелирует с увеличением маркетингового бюджета, все хотят знать, приводит ли увеличение бюджета на маркетинг к (дополнительному) росту продаж или нет. Во-вторых, я знаю автора как инициатора и основного контрибьютора https://lost-stats.github.io/ а также видео на YouTube — он создаёт впечатление знающего и весёлого малого. В-третьих, в своём учебнике он делает упор на концептуальное понимание причинности или её отсутствия, планирование экспериментов (experimental design) и казуальные графы a la Judea Pearl. Но и примеры реализации методов causal inference на R, Python и Stata тоже приводит (их и домашние задания можно забрать с GitHub по ссылкам с сайта книги).
Единственное, что вызывает подозрения — перевод статистических терминов. Estimator почему-то называют "оценивателем", и я не думаю, что наши статистики так говорят... Впрочем, в остальном перевод выглядит вполне достойным и передающим немного шутливый авторский стиль.
#book #statistics #causalinference
Dmkpress
В поисках эффекта. Планирование экспериментов и причинный вывод в статистике
Купить книгу «В поисках эффекта. Планирование экспериментов и причинный вывод в статистике», автора Хантингтон-Клейн Н. в издательстве «ДМК Пресс». Выгодные цены в Москве, доставка. Заказать книги и учебники на официальном сайте издательства.
❤2👏1
https://causalml-book.org/
#free #book on #causalinference and CausalML #machinelearning with a lot of Google Colab Notebooks in Python and R using EconML and DoubleML packages.
#free #book on #causalinference and CausalML #machinelearning with a lot of Google Colab Notebooks in Python and R using EconML and DoubleML packages.
causalml-book.org
Applied Causal Inference Powered by ML and AI. Victor Chernozhukov, Christian Hansen, Nathan Kallus, Martin Spindler, Vasilis Syrgkanis.
👏2😁1
https://macartan.github.io/integrated_inferences/index.html
"Integrated Inferences: Causal Models for Qualitative and Mixed-Method Research"
Macartan Humphreys and Alan M. Jacobs
A #free #book providing thorough overview of Causal Models and #causalinference methods, and applying them to both qualitative and quantitative research in social sciences. Comes with an R package and examples.
"Integrated Inferences: Causal Models for Qualitative and Mixed-Method Research"
Macartan Humphreys and Alan M. Jacobs
A #free #book providing thorough overview of Causal Models and #causalinference methods, and applying them to both qualitative and quantitative research in social sciences. Comes with an R package and examples.
macartan.github.io
Integrated Inferences: Causal Models for Qualitative and Mixed-Method Research
Bayesian causal models for integrated inferences.
https://dmkpress.com/catalog/computer/statistics/978-5-93700-349-2/
Это ДМК перевёл на русский язык
https://matheusfacure.github.io/python-causality-handbook/landing-page.html
Лично я — всецело и полностью одобряю. Во-первых — популяризация #causalinference среди русскоязычной аудитории (кто ещё не освоил английский). Во-вторых — возможность полистать бумажную книгу. Ну и в-третьих — материал-то отличный!
Для тех, кто ещё не перешёл по ссылке, несколько "highlights".
Книга покрывает очень широкий спектр вопросов и методов "причинного вывода" начиная с Randomized Controlled Trials в качестве "золотого стандарта" и далее по Graphical Causal Models, Instrumental Variables, Synthetic Control, Difference-in-Differences, Propensity Scores и всё остальное.
Довольно нетипично, что вторая часть рассказывает про некоторые "EconML" казуальные модели — Meta-Learners, Double ML, вот это вот всё.
Наличествует огромное количество объяснений и примеров на Python, математические формулы (и некоторые теоремы) тоже присутствуют.
Это ДМК перевёл на русский язык
https://matheusfacure.github.io/python-causality-handbook/landing-page.html
Лично я — всецело и полностью одобряю. Во-первых — популяризация #causalinference среди русскоязычной аудитории (кто ещё не освоил английский). Во-вторых — возможность полистать бумажную книгу. Ну и в-третьих — материал-то отличный!
Для тех, кто ещё не перешёл по ссылке, несколько "highlights".
Книга покрывает очень широкий спектр вопросов и методов "причинного вывода" начиная с Randomized Controlled Trials в качестве "золотого стандарта" и далее по Graphical Causal Models, Instrumental Variables, Synthetic Control, Difference-in-Differences, Propensity Scores и всё остальное.
Довольно нетипично, что вторая часть рассказывает про некоторые "EconML" казуальные модели — Meta-Learners, Double ML, вот это вот всё.
Наличествует огромное количество объяснений и примеров на Python, математические формулы (и некоторые теоремы) тоже присутствуют.
Dmkpress
Причинно-следственный анализ для смелых и честных
Купить книгу «Причинно-следственный анализ для смелых и честных», автора Факур М. в издательстве «ДМК Пресс». Выгодные цены в Москве, доставка. Заказать книги и учебники на официальном сайте издательства.
👍4
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.
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.
Dmkpress
Причинно-следственный анализ в науке о данных
Купить книгу «Причинно-следственный анализ в науке о данных», автора Роберт Алекс Руис де Вилья в издательстве «ДМК Пресс». Выгодные цены в Москве, доставка. Заказать книги и учебники на официальном сайте издательства.
👎1