В начале августа книге Мартина Хубера «Impact Evaluation in Firms and Organizations» исполнился год. Если у вас, как и у нас, руки до неё дошли только сейчас, читать её всё ещё стоит – за это время книга не потеряла актуальности
Это нетехническое, прикладное введение в методы причинного анализа для бизнес-приложений – от маркетинговых кампаний и ценовой политики до программ обучения персонала. Издание задумано как более доступная альтернатива предыдущему учебнику Хубера «Causal Analysis: Impact Evaluation and Causal Machine Learning with Applications in R» 2023 года, который ориентирован на уровень магистратуры/аспирантуры и опирается на формальный статистический аппарат. Новая книга получилась скорее как облегчённый прикладной спин-офф – рассчитана на менеджеров, аналитиков, IT-специалистов и студентов бакалавриата без сильной математической подготовки, при этом сохраняет строгость идентификационных предпосылок
Книга содержит основные подходы к оценке эффектов:
• Экспериментальные методы (A/B-тестирование)
• Matching, propensity score и inverse probability weighting
• Causal Machine Learning (causal trees, policy trees, cross-fitting)
• Инструментальные переменные
• Разрывная регрессия
• Разность разностей
• Синтетический контроль
Ключевая особенность книги – акцент на разграничении предиктивных (forecasting) и каузальных задач: автор подчёркивает, что модели машинного обучения, оптимизированные для точности прогноза, систематически неприменимы для ответов на вопросы о вмешательствах, и это смешение остаётся распространённой методологической ошибкой в бизнес-аналитике
Каждая глава сопровождается практическими примерами реализации в R и Python. Все датасеты и код на R и Python свободно доступны, включая отдельные версии Python-примеров для разных релизов интерпретатора (3.8.20 и 3.11.40). Также недавно профессор Хубер пообещал, что скоро выложит лекционные слайды по мотивам книги
Напоминаем, что про другие книги по причинному выводу можно почитать тут, тут и тут
#канал_рекомендует
@causal_channel