Bewertung:
Das Buch wird für seinen effektiven Ansatz bei der Vermittlung von Kausalschlüssen unter Verwendung von R-Code hoch gelobt, der es für Personen aus den Bereichen Epidemiologie und öffentliche Gesundheit zugänglich und leicht verständlich macht. Die Rezensenten loben die klaren Erklärungen und die Fülle an praktischen Beispielen.
Vorteile:Effektiver pädagogischer Ansatz, intuitive Abdeckung von Konzepten, umfassende Einbeziehung der wichtigsten Themen im Bereich der kausalen Inferenz, viele leicht nachvollziehbare R-Code-Beispiele, und der Schreibstil ist klar und leicht zu lesen.
Nachteile:Vielleicht nicht für diejenigen, die andere Programmiersprachen als R bevorzugen, da ein Rezensent eine Vorliebe für Julia erwähnt.
(basierend auf 2 Leserbewertungen)
Fundamentals of Causal Inference: With R
Mit dieser klaren, strengen und gut lesbaren Darstellung von Konzepten des Kausalschlusses mit Grundprinzipien der Wahrscheinlichkeitsrechnung und Statistik wird Brumbacks Text die Zugänglichkeit des Kausalschlusses für Studenten, Forscher und Praktiker in einer Vielzahl von Disziplinen erheblich verbessern.
-Debashis Ghosh, in International Statistical Review, März 2022.
Eine der Hauptmotivationen für klinische Studien und Beobachtungsstudien am Menschen ist es, auf Ursache und Wirkung zu schließen. Die Entflechtung von Kausalität und Verwechslung ist von größter Bedeutung. In Fundamentals of Causal Inference werden verschiedene Methoden der Confounding-Anpassung in Bezug auf potenzielle Ergebnisse und grafische Modelle erläutert und miteinander in Beziehung gesetzt, darunter Standardisierung, Differenz-in-Differenzen-Schätzung, die Front-Door-Methode, Schätzung von Instrumentalvariablen und Propensity-Score-Methoden. Außerdem werden die Modifikation von Effektmessungen, Präzisionsvariablen, Mediationsanalysen und zeitabhängiges Confounding behandelt. Mehrere Beispiele mit realen Daten, Simulationsstudien und Analysen mit R motivieren die Methoden durchgehend. Das Buch setzt Vertrautheit mit grundlegender Statistik und Wahrscheinlichkeitsrechnung, Regression und R voraus und eignet sich für Studenten im Hauptstudium oder mit Abschluss in Statistik, Biostatistik und Datenwissenschaft sowie für Doktoranden in einer Vielzahl anderer Disziplinen, darunter Epidemiologie, Pharmazie, Gesundheitswissenschaften, Pädagogik sowie Sozial-, Wirtschafts- und Verhaltenswissenschaften.
Das Buch beginnt mit einem kurzen geschichtlichen Abriss und einer Übersicht über die wesentlichen Elemente der Wahrscheinlichkeitsrechnung und Statistik. Einzigartig ist die Konzentration auf reale und simulierte Datensätze mit allen binären Variablen, um komplexe Methoden auf ihre Grundlagen zu reduzieren. Kalkül ist nicht erforderlich, aber die Bereitschaft, sich mit mathematischer Notation, schwierigen Konzepten und komplizierten logischen Argumenten auseinanderzusetzen, ist unerlässlich. Neben vielen Beispielen mit realen Daten enthält das Buch auch eine doppelte WENN-Studie, die auf simulierten Daten mit bekannten Kausalmechanismen basiert, in der Überzeugung, dass die Methoden am besten unter Umständen verstanden werden, bei denen bekannt ist, dass sie entweder erfolgreich sind oder versagen. Datensätze, R-Code und Lösungen zu den Übungen mit ungeraden Zahlen sind auf der Website des Buches unter www.routledge.com/9780367705053 verfügbar.
| ISBN: | 9780367705053 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 236 |
Derzeit verfügbar, auf Lager.
