Cantitate/Preț
Produs
Total produse
Vezi coșul
Causal Inference in Statistics de Judea Pearl

Causal Inference in Statistics

Autor Judea Pearl, Madelyn Glymour, Nicholas P. Jewell
Notă:  5.00 · o notă - 1 recenzie 
en Limba Engleză Paperback – 4 mar 2016

În volumul Causal Inference in Statistics, autorii propun o abordare pedagogică riguroasă, menită să demistifice terminologia complexă a inferenței cauzale moderne. Merită menționat că această ediție funcționează ca un manual de tranziție, fiind special structurată pentru a ghida cititorul de la statistica descriptivă tradițională către analiza cauzală aplicată. Spre deosebire de lucrările anterioare ale autorului, accentul cade aici pe claritatea didactică, oferind întrebări de verificare la finalul fiecărui capitol pentru a facilita învățarea activă. Putem afirma că progresia materialului este logică și accesibilă: volumul debutează cu o recapitulare necesară a probabilităților și regresiei, elemente esențiale pentru a înțelege de ce metodele clasice eșuează adesea în rezolvarea dilemelor decizionale, cum este celebrul paradox al lui Simpson. Ulterior, textul introduce modelele cauzale structurale și graficele direcționate, oferind instrumente matematice concrete pentru a diferenția corelația de cauzalitate. Acoperă aceeași arie tematică precum Fundamentals of Causal Inference de Babette A. Brumback, dar cu o abordare mult mai axată pe fundamentele matematice ale graficelor cauzale și mai puțin pe implementarea specifică în limbajul R. În contextul operei lui Judea Pearl, această lucrare servește drept punte între teoria densă din Causality și abordarea narativă, de popularizare, din The Book of Why. Este, în esență, instrumentul practic de care au nevoie cercetătorii pentru a aplica conceptele teoretice ale lui Pearl în seturi de date reale.

Citește tot Restrânge

Preț: 28323 lei

Puncte Express: 425

Carte disponibilă

Livrare economică 30 aprilie-14 mai
Livrare express 15-21 aprilie pentru 2388 lei

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9781119186847
ISBN-10: 1119186846
Pagini: 160
Dimensiuni: 172 x 244 x 15 mm
Greutate: 0.29 kg
Editura: John Wiley & Sons, Inc.
Locul publicării:Chichester, United Kingdom

Public țintă

Undergraduate and graduate students, researchers and practitioners in disciplines such as medicine, engineering or the social sciences who need to understand statistical methodology. Applied scientists who analyse data, who teach others how to analyse data, or who are learning how to analyse data. STM GR Adv Text, Tier 2

Recenzii de la cititorii Books Express

Alexandru Stoica a dat nota:

Inferența cauzală este un domeniu aflat în continuă creștere, care promite că se va intersecta din ce în ce mai tare cu cel al învățării automate (machine learning). Cum Judea Pearl este un pionier al domeniului, tot ce este scris de el pe această temă merită citit, însă nu fără un simț critic alert: distincția dintre treapta "Intervention" și treapta "Counterfactual" din faimoasa sa scară a cauzalității este puțin artificială. De asemenea, scepticismul lui în privința potențialului RL-ului (reinforcement learning) în problemele cauzale nu pare pe deplin justificat. "Causal inference în statistics" este o carte aproape pur tehnică, densă și subțire (120 de pagini), de dificultate medie spre ridicată pentru cineva care deja are fundamente bune în statistică. Conține fundamentele inferenței cauzale (concepte despre independență, SCM, d-separare, variabile confundante sau mediatoare, etc.) O alternativă tehnică mai ușoară ar fi "Introduction to Causal Inference" de Brady Neal sau "Causal Inference: What If" de Jamie Robins și Miguel Hernan, carte care pare mai bine scrisă, deși folosește notații mai puțin standard. O alternativă mai puțin tehnică și mult mai filosofică ar fi "The book of why", tot de Judea Pearl - o carte care trebuie citită pentru cei care vor să înțeleagă rolul fundamental al cauzalității.

Citește tot Restrânge

De ce să citești această carte

Suntem de părere că această carte este esențială pentru oricine dorește să treacă dincolo de simpla corelație în analiza datelor. Cititorul câștigă o înțelegere clară a modului în care intervențiile afectează rezultatele, folosind un limbaj matematic simplificat. Este recomandată studenților și cercetătorilor care au nevoie de o bază solidă în metode cauzale, oferind claritate acolo unde manualele standard de statistică rămân adesea ambigue.

Despre autor

Judea Pearl este un pionier al inteligenței artificiale și laureat al Premiului Turing, fiind recunoscut pentru dezvoltarea calculului probabilistic și a algoritmilor de inferență cauzală. Profesor de informatică și statistică la UCLA, Pearl a transformat felul în care știința abordează relația cauză-efect. Alături de Madelyn Glymour și Nicholas P. Jewell, el adaptează în această lucrare decenii de cercetare teoretică într-un format accesibil pentru educația universitară, continuându-și misiunea de a promova raționamentul logic și rigoarea științifică.

Descriere

Many of the concepts and terminology surrounding modern causal inference can be quite intimidating to the novice. Judea Pearl presents a book ideal for beginners in statistics, providing a comprehensive introduction to the field of causality. Examples from classical statistics are presented throughout to demonstrate the need for causality in resolving decision-making dilemmas posed by data.

Causal methods are also compared to traditional statistical methods, whilst questions are provided at the end of each section to aid student learning.

Cuprins

About the Authors ix Preface xi List of Figures xv About the Companion Website xix 1 Preliminaries: Statistical and Causal Models 1 1.1 Why Study Causation 1 1.2 Simpson's Paradox 1 1.3 Probability and Statistics 7 1.3.1 Variables 7 1.3.2 Events 8 1.3.3 Conditional Probability 8 1.3.4 Independence 10 1.3.5 Probability Distributions 11 1.3.6 The Law of Total Probability 11 1.3.7 Using Bayes' Rule 13 1.3.8 Expected Values 16 1.3.9 Variance and Covariance 17 1.3.10 Regression 20 1.3.11 Multiple Regression 22 1.4 Graphs 24 1.5 Structural Causal Models 26 1.5.1 Modeling Causal Assumptions 26 1.5.2 Product Decomposition 29 2 Graphical Models and Their Applications 35 2.1 Connecting Models to Data 35 2.2 Chains and Forks 35 2.3 Colliders 40 2.4 d-separation 45 2.5 Model Testing and Causal Search 48 3 The Effects of Interventions 53 3.1 Interventions 53 3.2 The Adjustment Formula 55 3.2.1 To Adjust or not to Adjust? 58 3.2.2 Multiple Interventions and the Truncated Product Rule 60 3.3 The Backdoor Criterion 61 3.4 The Front-Door Criterion 66 3.5 Conditional Interventions and Covariate-Specific Effects 70 3.6 Inverse Probability Weighing 72 3.7 Mediation 75 3.8 Causal Inference in Linear Systems 78 3.8.1 Structural versus Regression Coefficients 80 3.8.2 The Causal Interpretation of Structural Coefficients 81 3.8.3 Identifying Structural Coefficients and Causal Effect 83 3.8.4 Mediation in Linear Systems 87 4 Counterfactuals and Their Applications 89 4.1 Counterfactuals 89 4.2 Defining and Computing Counterfactuals 91 4.2.1 The Structural Interpretation of Counterfactuals 91 4.2.2 The Fundamental Law of Counterfactuals 93 4.2.3 From Population Data to Individual Behavior - An Illustration 94 4.2.4 The Three Steps in Computing Counterfactuals 96 4.3 Nondeterministic Counterfactuals 98 4.3.1 Probabilities of Counterfactuals 98 4.3.2 The Graphical Representation of Counterfactuals 101 4.3.3 Counterfactuals in Experimental Settings 103 4.3.4 Counterfactuals in Linear Models 106 4.4 Practical Uses of Counterfactuals 107 4.4.1 Recruitment to a Program 107 4.4.2 Additive Interventions 109 4.4.3 Personal Decision Making 111 4.4.4 Sex Discrimination in Hiring 113 4.4.5 Mediation and Path-disabling Interventions 114 4.5 Mathematical Tool Kits for Attribution and Mediation 116 4.5.1 A Tool Kit for Attribution and Probabilities of Causation 116 4.5.2 A Tool Kit for Mediation 120 References 127 Index 133