Giter VIP home page Giter VIP logo

causal-inference-with-python's Introduction

Python으로 하는 인과추론 : 개념부터 실습까지

Causal Inference for The Brave and True 책 번역

DOI Hits

안녕하세요. 가짜연구소 Causal Inference 팀입니다.

이 책은 Matheus Facure (Nubank Data Scientist)의 Causal Inference for The Brave and True을 한국어로 번역한 자료입니다. 이 책은 인과추론에 대한 기본 개념과 Python 실습, 나아가 최신 사례까지 모두 다루고 있습니다. 인과추론에 대한 이론과 실습자료가 많지 않은 상황에서 이 책은 인과추론 처음 접하거나 인과추론에 대한 이해를 바탕으로 사례를 접하고 싶은 분 모두를 만족시킬 수 있는 책이라고 생각합니다. 한국에서 인과추론을 공부하시는 분들께 많은 도움이 되었으면 좋겠습니다. 해당 한국어 번역 자료는 Jupyter Book으로도 배포되어 있으니 많은 관심 부탁드립니다.
가짜연구소 Causal Inference 팀은 전문 번역가가 아닌, 데이터분석가/과학자/연구자로 구성 되어 있습니다. 따라서, 한국어 번역 과정에서 이상하거나 어색한 부분이 발생할 수 있어요. 해당 부분에 대한 여러분의 피드백을 부탁드립니다. 또한, 한국어 표현이 익숙하지 않은 부분에 대해서는 영어로 그대로 표현했습니다. 해당 부분 이해부탁드려요.


마지막으로, 이 책의 한국어 번역에 동의해 주신 Matheus Facure에게 감사의 말씀을 전합니다.
그리고, 번역과 실습자료를 만들기 위해 같이 고생해준 Causal Inference 팀 멤버들에게도 진심으로 감사드립니다!

이 책은 Joshua Angrist, Alberto Abadie, Christopher Walters, Miguel Hernan 및 Jamie Robins 등을 포함한 많은 연구자들의 계량 경제학 수업과 바탕으로 하고 있으며, 대부분의 아이디어는 전미경제학회(American Economic Association)의 수업에서 가져왔습니다. 이 책을 작성하기 위해 참고한 자료와 서적은 아래와 같습니다.


자료 이슈 및 관련 질문

번역 자료에 대한 이슈가 있다면, 해당 Github 저장소의 이슈 페이지를 방문해주세요. 또한, 관련 질문은 빌더인 신진수에게 문의 부탁드립니다.


한국어 번역 일정

Causal Inference for The Brave and True에 대한 한국어 번역은 아래와 같은 일정에 따라 진행되었습니다. Part2의 경우, 저자의 부탁에 따라 추후 진행될 예정입니다.

순서 완료여부 Chapter 완료일 작성자
1 ☑️ 1. Introduction To Causality 2022-08-20 신진수
2 ☑️ 2. Randomised Experiments 2022-12-04 최은희
3 ☑️ 3. Stats Review: The Most Dangerous Equation 2022-11-10 김준영
4 ☑️ 4. Graphical Causal Models 2022-11-23 김소희
5 ☑️ 5. The Unreasonable Effectiveness of Linear Regression 2022-11-23 남궁민상
6 ☑️ 6. Grouped and Dummy Regression 2022-11-05 정호재
7 ☑️ 7. Beyond Confounders 2022-11-26 김상돈
8 ☑️ 8. Instrumental Variables 2022-12-04 최은희
9 ☑️ 9. Non Compliance and LATE 2022-11-19 김성수
10 ☑️ 10. Matching 2022-11-04 김상돈
11 ☑️ 11. Propensity Score 2022-11-11 김성수
12 ☑️ 12. Doubly Robust Estimation 2022-10-28 홍성철
13 ☑️ 13. Difference-in-Differences 2022-08-27 신진수
14 ☑️ 14. Panel Data and Fixed Effects 2022-11-26 신진수
15 ☑️ 15. Synthetic Control 2022-09-03 정호재
16 ☑️ 16. Regression Discontinuity Design 2022-11-22 남궁민상
21 ☑️ 21. Meta Learners 2023-12-31 박병수

causal-inference-with-python's People

Contributors

chulhongsung avatar cptaswadu avatar eunhuichoi avatar fenzhantw avatar hinterhalter avatar jsshin2019 avatar jsshin2022 avatar matheusfacure avatar rockgoat95 avatar soheekim911 avatar wholmesian avatar wjdghwo avatar

Stargazers

 avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar

Watchers

 avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar

causal-inference-with-python's Issues

3 장 오류 제보 합니다.

좋은 자료 너무 감사합니다.
3장 The Standard Error of Our Estimates 에서 원문 " the estimate for the standard deviation"이 표준 오차의 추정치로 잘 못 표현되어 있는 것 같습니다. 표준 편차의 추정치가 맞는 것 같습니다.

01- Introduction-To-Causality 오타여부 확인 요청드려도될까요!

01-Introduction-To-Causality 에서
1.5 Bias(편향) 에서 두번째 문단에 아래와 같은 내용이 있습니다.

Potential outcome 표기법에서 처치받은  𝑌0
 가 처치받지 않은  𝑌0
 는 다릅니다. 처치받은  𝑌0
 는 반사실이라는 것을 명심해야 해요. 실제로 Counterfactuals 관찰할 수 없으나, 해당 부분에 대해 추론은 할 수 있어요. 반사실을 추론하기 위한 경우에서는, 우리는 세상이 어떻게 돌아가는지에 대한 이해 (도메인 지식 등)를 활용하여 더 합리적으로 추론할 수 있어요. 위 예시의 경우, 처치를 받은 학교의  𝑌0
 가 처치를 받지 않은 학교의  𝑌0
 보다 더 크다고 말할 수 있어요. 다시 말해, 학생들에게 태블릿을 제공할 수 있는 학교는 더 높은 시험 점수에 영향을 주는 다른 요인들도 존재할 수 있기 때문입니다. Potential outcomes을 충분히 이해하고 익숙해지는데 있어 시간이 조금 필요해요. 이 단락을 다시 읽어보시고 이해하셨는지 한 번 확인해주세요.

여기서

처치받은 Y1가 처치받지않은 Y0는 다릅니다

이렇게 수정되어야 하는게 아닌걸까요?

13장 DID 오타 발견

안녕하세요, 인과추론 13장. 이중차분(DID) 에서 저도 오타인지 확인하고 싶어 여쭙습니다

위 식은 개입 전 처치된 그룹에 추세 구성 요소를 추가된 것을 보여주고 있어요. 대조군 $E[Y_0(1)|D=0] - E[Y_0(0)|D=0

이라는 본문 바로 위에 식에, 우측 첫번째 항의 E[ Y_{0}(0)|D=1] 이라고 되어있는데 이게 E[Y_{1}(0)|D=1] 이 되어야 평행 추세 가정을 설명할 수 있을 것 같습니다

별도로, 좋은 자료를 번역해 주셔서 감사하다는 말씀 전합니다

10 Matching 오타 발견

오타를 발견했습니다:

image

-> $Y_{jm}(i)$$Y_(i)$와 가장 유사한 다른 처치 그룹의 표본을 의미합니다.

로 수정 필요합니다.

오탈자 및 서식 오류 - /13-Difference-in-Differences.html

안녕하세요, 좋은 자료를 공유해주셔서 감사합니다!

13 - Difference-in-Differences 본문 중 서식이 완성되지 않은 부분과 오탈자가 있어 제보합니다.


위 식은 개입 전 처치된 그룹에 추세 구성 요소를 추가된 것을 보여주고 있어요. 대조군 $E[Y_0(1)|D=0] - E[Y_0(0)|D=0 을 사용하여 추정합니다. 다시 말해, 개입 후 실험군이 만약 처치를 받지 않았다면, 처치 전 실험군에 대조군의 성장과 동일한 성장 요소를 더한 것처럼 보일 것입니다.

위 식은 개입 전 처치된 그룹에 추세 구성 요소를 추가된 것을 보여주고 있어요. 대조군 $E[Y_0(1)|D=0] - E[Y_0(0)|D=0]$ 을 사용하여 추정합니다. 다시 말해, 개입 후 실험군이 만약 처치를 받지 않았다면, 처치 전 실험군에 대조군의 성장과 동일한 성장 요소를 더한 것처럼 보일 것입니다.


여기서 왼쪽 부분은 counterfactual에 대한 추세입니다. 이제 처치 효과 정의 $E[Y_1(1)|D=1] - E[Y_0(1)|D=1]$에서 추정된 counterfactual에을 대체할 수 있게 됩니다.

여기서 왼쪽 부분은 counterfactual에 대한 추세입니다. 이제 처치 효과 정의 $E[Y_1(1)|D=1] - E[Y_0(1)|D=1]$에서 추정된 counterfactual을 대체할 수 있게 됩니다.


감사합니다!

오타 발견

10장 Matching에서 The Curse of Dimensionality 부분에 3^{10}으로 들어가야할 부분이 3^10으로 들어가서 오타가 발생한것 같습니다.

1장 오타 수정 요청

안녕하세요!
우선 굉장히 좋은 자료를 공유해주셔서 감사합니다.

Introduction 부터 차근히 읽던 중 오타를 발견했습니다.

  1. Introduction 의 Bias 부분을 드러가기 바로 직전 Counterfactual이 고려된 table을 설명하신 부분에서
    "그런데 여전히 처치된 그룹의 평균을 취하여 처치되지 그룹의 평균과 비교할 수 없을까요?"
    에 "처치되지" 가 "처치되지 않은" 으로 바껴야 할 것 같습니다.

2.Bias 부분의 "실제로 Counterfactuals 관찰할 수 없으나" 에서 "Counterfactuals를" 이 되어야 할 것 같습니다.

감사합니다.

이렇게 좋은 자료를 예술적으로 번역해주신 가짜연구소 스터디원 분들께 찬사를 보냅니다!

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.