本書系統(tǒng)介紹了四種用于因果的前沿統(tǒng)計(jì)方法：
1 由2000年諾貝爾經(jīng)濟(jì)學(xué)得主美國芝加哥大學(xué)教授杰姆斯·�？坡↗ames Heckman）創(chuàng)立的“樣本選擇模型”。
2 由美國賓夕法尼亞大學(xué)沃頓商學(xué)院著名統(tǒng)計(jì)學(xué)教授保羅·羅森堡（PaulRosenbaum）及哈佛大學(xué)著名統(tǒng)計(jì)學(xué)教授唐納德·魯賓（Donald Rubin）創(chuàng)立的 “傾向值匹配方法”。
3 由美國哈佛大學(xué)肯尼迪政府學(xué)院教授埃爾波特·阿貝蒂（Alberto Abadie）及哈佛大學(xué)經(jīng)濟(jì)學(xué)教授圭多·因本斯（GuidoImbens）創(chuàng)立的“匹配估算法”。
4 由美國芝加哥大學(xué)教授杰姆斯·�？坡↗ames Heckman），日本東京大學(xué)經(jīng)濟(jì)學(xué)教授市村英彥（Hidehikolchimura），及美國賓夕法尼亞大學(xué)經(jīng)濟(jì)學(xué)教授派徹·托德（Petra Todd）創(chuàng)立的“核心值匹配法”。
該書將所有例證的Stata操作程序和資料公布于互聯(lián)網(wǎng)，以方便讀者練習(xí)和運(yùn)用。該書闡述了重要的統(tǒng)計(jì)學(xué)原理和定理，省略了論證，通俗易懂，側(cè)重應(yīng)用，是社會(huì)行為科學(xué)研究者了解當(dāng)代前沿因果分析方法的重要工具書。
1 導(dǎo)論
1.1 觀察研究
1.2 歷史和發(fā)展
1.3 隨機(jī)化實(shí)驗(yàn)
1.3.1 Fisher的隨機(jī)化實(shí)驗(yàn)
1.3.2 隨機(jī)化實(shí)驗(yàn)的類型和統(tǒng)計(jì)檢驗(yàn)
1.3.3 對(duì)社會(huì)實(shí)驗(yàn)的批評(píng)
1.4 為何和何時(shí)需要傾向值分析
1.5 計(jì)算軟件包
1.6 本書的結(jié)構(gòu)
2 反事實(shí)框架與假定
2.1 因果關(guān)系、內(nèi)在效度與威脅
2.2 反事實(shí)與Neyman-Rubin反事實(shí)框架
2.3 可忽略的干預(yù)分配假定
2.4 穩(wěn)定的單元干預(yù)值假定
1 導(dǎo)論
1.1 觀察研究
1.2 歷史和發(fā)展
1.3 隨機(jī)化實(shí)驗(yàn)
1.3.1 Fisher的隨機(jī)化實(shí)驗(yàn)
1.3.2 隨機(jī)化實(shí)驗(yàn)的類型和統(tǒng)計(jì)檢驗(yàn)
1.3.3 對(duì)社會(huì)實(shí)驗(yàn)的批評(píng)
1.4 為何和何時(shí)需要傾向值分析
1.5 計(jì)算軟件包
1.6 本書的結(jié)構(gòu)
2 反事實(shí)框架與假定
2.1 因果關(guān)系、內(nèi)在效度與威脅
2.2 反事實(shí)與Neyman-Rubin反事實(shí)框架
2.3 可忽略的干預(yù)分配假定
2.4 穩(wěn)定的單元干預(yù)值假定
2.5 估計(jì)干預(yù)效應(yīng)的方法
2.5.1 四種模型
2.5.2 其他的平衡方法
2.6 統(tǒng)計(jì)推斷的基本邏輯
2.7 干預(yù)效應(yīng)的類型
2.8 Heckman的因果關(guān)系計(jì)量經(jīng)濟(jì)學(xué)模型
2.9 結(jié)論
3 數(shù)據(jù)平衡的傳統(tǒng)方法
3.1 數(shù)據(jù)平衡為何是必需的？一個(gè)探究性的例子
3.2 數(shù)據(jù)平衡的3種方法
3.2.1 常規(guī)最小二乘回歸
3.2.2 匹配
3.2.3 分層
3.3 數(shù)據(jù)模擬的設(shè)計(jì)
3.4 數(shù)據(jù)模擬的結(jié)果
3.5 數(shù)據(jù)模擬的啟示
3.6 與應(yīng)用OLS回歸有關(guān)的主要問題
3.7 結(jié)論
4 樣本選擇及相關(guān)模型
4.1 樣本選擇模型
4.1.1 截尾、刪截以及偶然截尾
4.1.2 為什么對(duì)樣本選擇建模是重要的
4.1.3 一個(gè)偶然截尾二元正態(tài)分布的矩
4.1.4 Heckman模型及其兩步估計(jì)量
4.2 干預(yù)效應(yīng)模型
4.3 工具變量估計(jì)量
4.4 Stata程序概述及treatreg的主要特征
4.5 舉例
4.5.1 干預(yù)效應(yīng)模型在觀察數(shù)據(jù)中的應(yīng)用
4.5.2 對(duì)一個(gè)包含群組隨機(jī)設(shè)計(jì)的項(xiàng)目的干預(yù)效應(yīng)的評(píng)估
4.5.3 對(duì)缺失數(shù)據(jù)進(jìn)行多重填補(bǔ)后運(yùn)行干預(yù)效應(yīng)模型
4.6 結(jié)論
5 傾向值匹配及相關(guān)模型
5.1 概述
5.2 維度問題以及傾向值的性質(zhì)
5.3 估計(jì)傾向值
5.3.1 二分類logistic回歸
5.3.2 設(shè)定預(yù)測(cè)傾向值正確模型的策略
5.3.3 Hirano和Imbens基于預(yù)設(shè)的臨界t值來設(shè)定預(yù)測(cè)變量的方法
5.3.4 一般化加速建模
5.4 匹配
5.4.1 貧婪匹配
5.4.2 最佳匹配
5.4.3 精細(xì)平衡
5.5 匹配后分析
5.5.1 貪婪匹配后的多元分析
5.5.2 貪婪匹配后的分層
5.5.3 計(jì)算協(xié)變量不平衡的指數(shù)
5.5.4 最佳匹配后使用Hodges-Lehmann有序秩檢驗(yàn)進(jìn)行結(jié)果分析
5.5.5 基于以最佳成對(duì)匹配所得樣本的回歸調(diào)整
……
6 匹配估計(jì)量
7 使用非參數(shù)回歸的傾向值分析
8 選擇偏差與敏感性分析
9 總結(jié)性評(píng)論
參考文獻(xiàn)
人名索引
關(guān)鍵詞索引
譯后記
書單推薦
