Blair, G., Coppock, A., & Humphreys, M. (2023). Research design in the social sciences: declaration, diagnosis, and redesign. Princeton University Press. Доступен в электронном виде: https://book.declaredesign.org/. Это не про причинно-следственный вывод в чистом виде, а про ex ante количественную оценку сильных и слабых сторон исследовательского дизайна с помощью статистических экспериментов, но идеи и принципы, изложенные в этой книге, окажут вам неоценимую помощь при анализе каузальных вопросов на практике.

Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal inference in statistics: A primer. John Wiley & Sons. Хорошее нетехническое введение в теорию направленных ациклических диаграмм (НАГов), но (мнение первого автора курса, а также, например, лауреата премии Шве́дского национа́льного ба́нка по экономи́ческим нау́кам па́мяти А́льфреда Но́беля Гвидо Имбенса) не особо полезное с точки зрения решения прикладных задач в социальных науках/оценке эффективности. То же самое замечание можно в целом предъявить и другим учебникам Пёрла и соавторов, да и математики в них больше, а их доступных бесплатных pdf-версий в информационно-телекоммуникационной сети «Интернет» – меньше.

Еще более дополнительные учебники

Вот ещё несколько учебников, которые могут кому-то оказаться полезными и доступны онлайн. Однако доступные ресурсы памяти и свободного времени у авторов ограничены, поэтому подробные отзывы предоставить [пока] не можем. Так что ограничимся ссылками:

Huntington-Klein, N. (2021). The effect: An introduction to research design and causality. Chapman and Hall/CRC. Доступен в электронном виде (с примерами в R, Python и Stata): https://theeffectbook.net/.

Barrett, M., D’Agostino McGowan, L. (2024). Causal Inference in R. Черновик. Доступен в электронном виде: https://www.r-causal.org/.

Bauer, P. (2020). Applied Causal Analysis (with R). Черновик. Доступен в электронном виде: https://bookdown.org/paul/applied-causal-analysis/.

Chabe-Ferre, S. (2024). Statistical Tools for Causal Inference. Черновик. Доступен в электронном виде: https://chabefer.github.io/STCI/.

Brumback, B.A. (2021). Fundamentals of causal inference: With R. Chapman and Hall/CRC.


P.S. И вот ещё немного полезных ссылок на закуску:

- Материалы курса (для политологов) Мэттью Блэквелла, прочитанного в Гарварде в 2022 году: https://mattblackwell.github.io/gov2003-f21-site/.

- Материалы курса (для политологов) Сайруса Самии, прочитанного в Нью-Йоркском университете (NYU) в 2024 году: https://cyrussamii.com/?page_id=3893.

-Материалы курса (для экономистов) Кирилла Боруcяка, прочитанного в Беркли в 2023 году: https://github.com/borusyak/are213.

- Материалы курса (для политологов) Косуке Имаи, прочитанного в Гарварде (NYU) в 2021 году: https://imai.fas.harvard.edu/teaching/cause.html

- Список пакетов R, в той или иной сфере затрагивающих проблематику статистического причинно-следственного вывода: https://cran.r-project.org/web/views/CausalInference.html.

- Личная страница Джуды Пёрла на сайте UCLA: https://bayes.cs.ucla.edu/jp_home.html. А также его блог, в котором в том числе публикуются интересные обзоры на свежую литературу: https://causality.cs.ucla.edu/blog/.