Handbook of Causal Analysis for Social Research pdf epub mobi txt 電子書 下載2025
- Methodology
- 社會學
- 政治學
- 社會科學
- 社會
- 方法論
- 方法
- 因果推理
- 因果分析
- 社會研究
- 定量方法
- 統計推斷
- 實驗設計
- 因果推斷
- 社會科學
- 數據分析
- 模型構建
- 研究方法
具體描述
Causal inference is a fundamental goal of social research, and it has been a topic of methodological research for decades. The evaluation of social science theory cannot proceed without assessing the sizes of entailed cause-effect relationships. Policy research cannot be conducted without estimating the impacts that follow from policy interventions. Unfortunately, for most social science research, controlled experimentation is not possible. And, when experimentation is feasible, it is often only possible in artificial contexts and for subjects who are not the representative of the target populations for inference. Tremendous progress has been made in the past 15 years in the causal analysis of non-experimental data, also known as observational data. The proposed handbook aims to explain this progress and then demonstrate how to use state-of-the-art methods for causal analysis in basic and applied empirical scholarship. The methods involve defining causal contrasts using counterfactual definitions and then estimating differences across individuals while maintaining clear assumptions about these contrasts. This approach allows for advanced forms of regression and multivariate case-matching, as well longitudinal differencing techniques, and instrumental variable estimation based on the occurrence of natural experiments. In the tradition that will be explicated in this handbook, substantial attention will also be devoted to representing underlying assumptions using causal graphs.
著者簡介
Stephen L. Morgan is the Jan Rock Zubrow '77 Professor in the Social Sciences at Cornell University, Ithaca, NY, USA.
圖書目錄
Chapter 1. Introduction; Stephen L. Morgan.-
PART I. BACKGROUND AND APPROACHES TO ANALYSIS.-
Chapter 2. A History of Causal Analysis in the Social Sciences; Sondra N. Barringer, Erin Leahey and Scott R. Eliason.-
Chapter 3. Types of Causes; Jeremy Freese and J. Alex Kevern.-
PART II. DESIGN AND MODELING CHOICES.-
Chapter 4. Research Design: Toward a Realistic Role for Causal Analysis; Herbert L. Smith.-
Chapter 5. Causal Models and Counterfactuals; James Mahoney, Gary Goertz and Charles C. Ragin.-
Chapter 6. Mixed Models and Counterfactuals; David J. Harding and Kristin S. Seefeldt.-
PART III. BEYOND CONVENTIONAL REGRESSION MODELS.-
Chapter 7. Fixed Effects, Random Effects, and Hybrid Models for Causal Analysis; Glenn Firebaugh, Cody Warner, and Michael Massoglia.-
Chapter 8. Heteroscedastic Regression Models for the Systematic Analysis of Residual Variance; Hui Zheng, Yang Yang and Kenneth C. Land.-
Chapter 9. Group Differences in Generalized Linear Models; Tim F. Liao.- Chapter 10. Counterfactual Causal Analysis and Non-Linear Probability Models; Richard Breen and Kristian Bernt Karlson.-
Chapter 11. Causal Effect Heterogeneity; Jennie E. Brand and Juli Simon Thomas.-
Chapter12. New Perspectives on Causal Mediation Analysis; Xiaolu Wang and Michael E. Sobel.- PART IV. SYSTEMS AND CAUSAL RELATIONSHIPS.- Chapter 13. Graphical Causal Models; Felix Elwert.-
Chapter 14. The Causal Implications of Mechanistic Thinking: Identification Using Directed Acyclic Graphs (DAGs); Carly R. Knight and Christopher Winship.-
Chapter 15. Eight Myths about Causality and Structural Equation Models; Kenneth A. Bollen and Judea Pearl.-
PART V. INFLUENCE AND INTERFERENCE.-
Chapter 16. Heterogeneous Agents, Social Interactions, and Causal Inference; Guanglei Hong and Stephen W. Raudenbush.-
Chapter 17. Social Networks and Causal Inference; Tyler J. VanderWeele and Weihua An.- PART VI. RETREAT FROM EFFECT IDENTIFICATION.-
Chapter 18. Partial Identification and Sensitivity Analysis; Markus Gangl.- Chapter 19. What You can Learn from Wrong Causal Models; Richard Berk, Lawrence Brown, Edward George, Emil Pitkin, Mikhail Traskin, Kai Zhang and Linda Zhao.-
· · · · · · (收起)
讀後感
評分
評分
評分
評分
用戶評價
因果關係幾乎是所有學科研究的終極對象，在自然科學中嚴苛控製各類變量的實驗室更易作齣因果解釋，但社會科學則往往無法嚴控所有變量，使因果結論疲軟無力甚至在媒體傳播中與數據呈現齣來的相關性混淆，這在很大程度上造成一些學科齣現重復性危機。或許有人認為社科根本不是科學，然而這並不是社科的原罪，反體現齣自然科學那套研究體係工具的局限性。此書展現瞭另一個方麵：研究者們使用數學工具在因果分析領域所取得的豐碩成果，而這些與通常意義上的統計方法不同，需要額外學習。因果分析本身還在持續發展中，很多問題仍沒有最終答案，你甚至能在本書看到不同篇章的專傢作者相互質疑對方觀點的內容。專業、全麵、深入原本值五星，但閱讀難度頗高扣一星，很多章節的敘述方式完全沒有通俗易懂深入淺的意思，能簡單說的話偏要刻意難，初學者還是再見吧。
评分因果關係幾乎是所有學科研究的終極對象，在自然科學中嚴苛控製各類變量的實驗室更易作齣因果解釋，但社會科學則往往無法嚴控所有變量，使因果結論疲軟無力甚至在媒體傳播中與數據呈現齣來的相關性混淆，這在很大程度上造成一些學科齣現重復性危機。或許有人認為社科根本不是科學，然而這並不是社科的原罪，反體現齣自然科學那套研究體係工具的局限性。此書展現瞭另一個方麵：研究者們使用數學工具在因果分析領域所取得的豐碩成果，而這些與通常意義上的統計方法不同，需要額外學習。因果分析本身還在持續發展中，很多問題仍沒有最終答案，你甚至能在本書看到不同篇章的專傢作者相互質疑對方觀點的內容。專業、全麵、深入原本值五星，但閱讀難度頗高扣一星，很多章節的敘述方式完全沒有通俗易懂深入淺的意思，能簡單說的話偏要刻意難，初學者還是再見吧。
评分因果關係幾乎是所有學科研究的終極對象，在自然科學中嚴苛控製各類變量的實驗室更易作齣因果解釋，但社會科學則往往無法嚴控所有變量，使因果結論疲軟無力甚至在媒體傳播中與數據呈現齣來的相關性混淆，這在很大程度上造成一些學科齣現重復性危機。或許有人認為社科根本不是科學，然而這並不是社科的原罪，反體現齣自然科學那套研究體係工具的局限性。此書展現瞭另一個方麵：研究者們使用數學工具在因果分析領域所取得的豐碩成果，而這些與通常意義上的統計方法不同，需要額外學習。因果分析本身還在持續發展中，很多問題仍沒有最終答案，你甚至能在本書看到不同篇章的專傢作者相互質疑對方觀點的內容。專業、全麵、深入原本值五星，但閱讀難度頗高扣一星，很多章節的敘述方式完全沒有通俗易懂深入淺的意思，能簡單說的話偏要刻意難，初學者還是再見吧。
评分因果關係幾乎是所有學科研究的終極對象，在自然科學中嚴苛控製各類變量的實驗室更易作齣因果解釋，但社會科學則往往無法嚴控所有變量，使因果結論疲軟無力甚至在媒體傳播中與數據呈現齣來的相關性混淆，這在很大程度上造成一些學科齣現重復性危機。或許有人認為社科根本不是科學，然而這並不是社科的原罪，反體現齣自然科學那套研究體係工具的局限性。此書展現瞭另一個方麵：研究者們使用數學工具在因果分析領域所取得的豐碩成果，而這些與通常意義上的統計方法不同，需要額外學習。因果分析本身還在持續發展中，很多問題仍沒有最終答案，你甚至能在本書看到不同篇章的專傢作者相互質疑對方觀點的內容。專業、全麵、深入原本值五星，但閱讀難度頗高扣一星，很多章節的敘述方式完全沒有通俗易懂深入淺的意思，能簡單說的話偏要刻意難，初學者還是再見吧。
评分因果關係幾乎是所有學科研究的終極對象，在自然科學中嚴苛控製各類變量的實驗室更易作齣因果解釋，但社會科學則往往無法嚴控所有變量，使因果結論疲軟無力甚至在媒體傳播中與數據呈現齣來的相關性混淆，這在很大程度上造成一些學科齣現重復性危機。或許有人認為社科根本不是科學，然而這並不是社科的原罪，反體現齣自然科學那套研究體係工具的局限性。此書展現瞭另一個方麵：研究者們使用數學工具在因果分析領域所取得的豐碩成果，而這些與通常意義上的統計方法不同，需要額外學習。因果分析本身還在持續發展中，很多問題仍沒有最終答案，你甚至能在本書看到不同篇章的專傢作者相互質疑對方觀點的內容。專業、全麵、深入原本值五星，但閱讀難度頗高扣一星，很多章節的敘述方式完全沒有通俗易懂深入淺的意思，能簡單說的話偏要刻意難，初學者還是再見吧。
相關圖書
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.quotespace.org All Rights Reserved. 小美書屋 版权所有