因果推斷書籍which causal inference book you should read
因果推斷是最近比較火的一個方向，看到了一篇介紹因果推斷相關資料的部落格文章，作者是Yoshua Bengio的博士生。
原始文章標題：Which causal inference book you should read： A flowchart and a list of short book reviews
文章作者：Brady Neal
文章引用：
@misc{Neal2019which-causal-inference-book，
author = {Brady Neal}，
title = {Which causal inference book you should read}，
day = {23}，
month = {November}，
year = {2019}，
url = {
https：//www。
bradyneal。com/which-cau
sal-inference-book
}，
note = {Online； accessed 18-February-2021}
}
全文翻譯如下：
文章最後編輯時間：2020-08-18
免責宣告：下面流程圖有兩本書我沒有讀過，我仍然在流程圖中列了出來，是因為我對它們的內容足夠了解。我在“迷你評論”的章節中列出了我對於閱讀過的書籍的短評。
Flowchart
書籍內容閱讀建議
Mini Reviews
為了更好的決定閱讀哪本因果推斷的書，建議閱讀下面我對每本書的的簡短評論。我大致按照我讀的順序來介紹下面的書。
Elements of Causal Inference
對於來自機器學習背景的人來說，這本書非常棒。這本書甚至有兩個章節專門用來連線因果推理和機器學習。這本書可能是現代因果發現（結構學習）技術的最佳書籍。在其它書籍中，術語“因果推理”（causal inference）不包括因果發現（causal discovery），但在本書中是包含的，這是因為這本書的很大一部分是關於因果發現的。本書同時也會給你提供因果模型（SCMS）的良好基礎。
Causal Inference: What If
這本書是我讀過的最實用的一本。例如，它是唯一一本涵蓋被稱為“積極性”（或“重疊性”）（positivity/overlap）的書，這是估計因果效應所必須滿足的重要前提條件。這也是這4本書中唯一真正設計瞭如何估計結果模型和傾向評分模型的書，這兩個模型在實踐中都是用來估計因果效應的。實際上，本書中有很大一部分專門介紹可在實踐中使用的各種估計量。Jamie Robins（作者之一）在流行病學和因果推理中更是一個非常重要的人物。朱迪亞·珀爾（Judea Pearl）認為調整公式（adjustment formula）在他的1986年的論文中就被包含了（這是第一次在文獻中出現調整公式）。
Causal Inference in Statistics: A Primer
對大部分人來說，這本可能是作為閱讀第一本因果推理的最好的一本書。這本書是對因果推理和SCM的清晰，簡單，快速的介紹。Pearl是第一作者，他為因果推理做出了許多重要的貢獻並開創了SCM。
Causality
我只向想成為SCM專家的人推薦這本書。這本書的獨特之處在於，是我向那些熟悉SCM並希望成為SCM專家的人唯一推薦的一本書。這本書有很多很好的理論，通常不容易閱讀。如果你不瞭解SCM或沒有足夠的動力去學習更多關於SCM的知識，這本書這幾乎是難以理解的。綜上所述，這本書經常被網上的人刻薄地評價，我懷疑這些苛刻的評論大部分來自對理論不太感興趣的人。我認為，在對因果關係有了深刻的理解之後（例如透過閱讀其他書籍），你會對本書有更好的理解。如果你在因果關係研究中過早的讀了這本書，我認為稍後再讀這本書絕對會更好一些。
Counterfactuals and Causal Inference: Methods and Principles for Social Research
這是另一本實用的書（除了Hernán&Robins，也即
What If那邊
）。由於作者有許多詳細的例子，而且涵蓋了來自經濟學、計算機科學和社會科學文獻中的因果推理相關的話題，因此篇幅要長得多，作者講述了社會科學中的許多例子。作為一個喜歡抽象而不喜歡舉例的人，我覺得這本書有時有點囉嗦，有些例子似乎太長了。有所有細節的優點是，可以將你引向相關文獻併為你提供這些論文中最關鍵的細節。這本書從潛在結果（potential outcomes）和圖形因果模型（graphical causal models）兩個角度很好進行了融合和比較。這本書透過不同的3個章節給出來了基於條件的3中不同型別的因果效應的估計器：匹配，迴歸和逆機率加權。真本書還專門介紹了工具變數（instrumental variables）和前門調節（frontdoor adjustment）。
Mostly Harmless Econometrics
如果你想了解經濟學家對因果推理的一般看法，那麼這本書就非常適合，我相信這本書在計量經濟學課程中被廣泛使用。這本書與其他書完全不同，它不太關注基於條件的估計量（考慮後門調整）。相反，它把重點放在準實驗（quasi-experimental ）方法上，例如工具變數， differences-in-differences和迴歸不連續性設計。由於這本書是2008年出版的，因此不會涵蓋一些最新最新方法，比如：合成控制（synthetic controls）。如果想閱讀涵蓋合成控制的最新教科書，Scott Cunningham的“Causal Inference： The Mixtape”值得一讀。
Other Books to Consider
接下來將列出一些書，目前還沒有找到一個把這些書加入到當前的流程圖的方法。其中一些可能會被納入將來版本的流程圖中。目前，我對每一個說一點：
Explanation in Causal Inference: Methods for Mediation and Interaction
（VanderWeele， 2015）-這本書是mediation與interaction的必修課。本書旨在讓更廣大的讀者閱讀，因此它不是特別技術性。但是，附錄是這本書很重的一部分，包含了技術型的讀者想要的所有技術細節。此外，此書還獲得了美國統計協會2015年的“Causality in Statistics Education”獎。
Observation and Experiment: An Introduction to Causal Inference
（Rosenbaum， 2017） - Rosenbaum寫了上邊流程圖的“Design of Observational Studies” （2010） ，他還在2002年寫了另一本關於因果推理的書。從我讀過的內容來看，這本2017年的書比他2010年的書要簡單得多。 Rosenbaum這樣描述他對這本書的看法：這本書的目標是在儘量準確的前提下清晰明確地提出因果推理的概念，同時使用最少的技術資料。
Causation, Prediction, and Search
（Spirtes et al。， 2001） - 這本書的前兩位作者（Peter Spirtes和Clark Glymour）提出了經典的PC（Peter and Clark）演算法來進行馬爾可夫等價圖的結構學習。 Pearl認為此書的第一版（1993）第一次提出”干預對應於除去因果圖中干預節點的所有入邊“了想法。 Pearl認為此書是第一次明確了調整公式（adjustment formula）（與Robins 1986年論文中的隱式提出相對應）。
Actual Causality
（Halpern， 2016） - Joseph Halpern在研究”X導致Y“的實際含義方面做了很多工作。這可能是瞭解”某些原因導致其他結果“的主要書籍。
當然，還有其他一些：例如，Cosma Shalizi即將出版的
Advanced Data Analysis from an Elementary Point of View book
一書，van der Laan和Rose在2011年發表的
Targeted Learning
，以及其他我不知道的。
其它推薦
因果推斷資源彙總：
