ＤＡＧ、潜在アウトカム因果モデル、マッチング、回帰不連続デザイン、操作変数法、パネルデータ分析、差分の差デザイン、合成コントロール法。「因果推論×プログラミング」による研究デザイン入門の決定版。

第1章　導入 ■1.1 因果推論とは何か ■1.2 相関と因果を混同してはいけない ■1.3 最適化はすべてを内生化する ■1.4 例：需要の価格弾力性の識別 ■1.5 まとめ 第2章　確率と回帰の概要 ■2.1 確率論の基礎 ■2.2 事象と条件付き確率 ■2.3 確率木 ■2.4 ベン図と集合 ■2.5 分割表 ■2.6 Monty Hall問題 ■2.7 総和オペレータ ■2.8 期待値 ■2.9 分散 ■2.10 共分散 ■2.11 母集団モデル ■2.12 平均独立 ■2.13 最小二乗法 ■2.14 OLSの代数的な性質 ■2.15 適合度 ■2.16 OLSの期待値 ■2.17 繰り返し期待値の法則 ■2.18 CEF分解の性質 ■2.19 CEF予測の性質 ■2.20 分散分析定理 ■2.21 線形CEF定理 ■2.22 最良線形予測定理 ■2.23 回帰CEF定理 ■2.24 それで? ■2.25 回帰解剖定理 ■2.26 OLS推定量の分散 ■2.27 頑健標準誤差 ■2.28 クラスタ頑健標準誤差 第3章　非巡回的有向グラフ ■3.1 DAG 記法の紹介 ■■3.1.1 シンプルなDAG ■■3.1.2 合流 ■■3.1.3 バックドア基準 ■■3.1.4 合流点バイアスの他の例 ■■3.1.5 差別と合流点バイアス ■■3.1.6 標本選択と合流点バイアス ■■3.1.7 合流点バイアスと警察の実力行使 ■3.2 まとめ 第4章　潜在アウトカム因果モデル ■■4.0.1 統計的推論 ■4.1 物理的なランダム化 ■■4.1.1 潜在アウトカム ■■4.1.2 平均処置効果 ■■4.1.3 平均アウトカムの単純差 ■■4.1.4 独立性の仮定 ■■4.1.5 SUTVA ■4.2 ランダム化推論 ■■4.2.1 紅茶を試飲する女性 ■■4.2.2 Fisherのシャープな帰無仮説の方法 ■■4.2.3 p値へのステップ ■■4.2.4 例 ■■4.2.5 そのほかの検定統計量 ■■4.2.6 大きなnのもとでのランダム化推論 ■■4.2.7 レバレッジ ■4.3 まとめ 第5章　マッチングと層別化 ■5.1 層別化 ■■5.1.1 背景 ■■5.1.2 識別のための仮定 ■■5.1.3 層別化の練習：タイタニックデータセット ■■5.1.4 次元の呪い ■5.2 完全マッチング ■5.3 近似マッチング ■■5.3.1 最近傍共変量マッチング ■■5.3.2 バイアス補正 ■■5.3.3 傾向スコア法 ■■5.3.4 事例：NSWの職業訓練プログラム ■■5.3.5 傾向スコアによる重み付け ■■5.3.6 最近傍マッチング ■■5.3.7 粗い完全マッチング ■5.4 まとめ 第6章　回帰不連続デザイン ■6.1 回帰不連続デザインの大流行 ■■6.1.1 復活を待つ ■■6.1.2 RDDのグラフ表現 ■■6.1.3 百聞は一見に如かず ■■6.1.4 RDDのデータ要件 ■6.2 RDDの推定 ■■6.2.1 シャープRDD ■■6.2.2 連続性の仮定 ■■6.2.3 ローカルおよびグローバルな最小二乗回帰を用いた推定 ■■6.2.4 ノンパラメトリックカーネル ■■6.2.5 メディケアと国民皆保険 ■■6.2.6 推論 ■■6.2.7 ファジーRDD ■6.3 識別への挑戦 ■■6.3.1 McCraryの密度検定 ■■6.3.2 共変量バランステストとプラセボテスト ■■6.3.3 ランニング変数上での非ランダムな集中 ■6.4 人気のデザインを再現する：接戦選挙 ■■6.4.1 再現演習 ■■6.4.2 接戦選挙デザインについての結論 ■6.5 回帰屈折デザイン ■6.6 まとめ 第7章　操作変数 ■7.1 操作変数の歴史：父と息子 ■7.2 操作変数の直感的説明 ■■7.2.1 標準的な操作変数のDAG ■■7.2.2 良い操作変数とは奇妙であるべし ■7.3 均質な処置効果 ■■7.3.1 2段階最小二乗法 ■7.4 親のメタンフェタミン乱用と里親制度 ■7.5 弱い操作変数の問題 ■7.6 異質な処置効果 ■7.7 応用例 ■■7.7.1 居住する郡にある大学 ■■7.7.2 フルトン魚市場 ■7.8 有名な操作変数デザイン ■■7.8.1 抽選 ■■7.8.2 裁判官固定効果 ■■7.8.3 バーティク操作変数 ■■7.8.4 シフトvsシェア ■7.9 まとめ 第8章　パネルデータ ■8.1 DAGの例 ■8.2 推定 ■■8.2.1 プールされたOLS ■■8.2.2 固定効果（群内）推定量 ■■8.2.3 識別のための仮定 ■■8.2.4 注意1：固定効果は逆の因果関係を解決できない ■■8.2.5 注意2：固定効果は時間を通じて変化する未観測の異質性に対処できない ■■8.2.6 結婚のリターンと未観測の異質性 ■8.3 演習：成人向けサービス提供者の調査 ■8.4 まとめ 第9章　差分の差デザイン ■9.1 John Snowのコレラ仮説 ■■9.1.1 表XII ■9.2 推定 ■■9.2.1 簡単な表による説明 ■■9.2.2 単純な2 × 2差分の差デザイン ■■9.2.3 差分の差デザインと最低賃金 ■9.3 推論 ■■9.3.1 ブロックブートストラップ ■■9.3.2 集計 ■■9.3.3 クラスタリング ■9.4 イベントスタディや平行リードによる平行トレンドの証拠の提供 ■■9.4.1 処置前の平行トレンドのもとで差分の差デザインの係数について、（一つでは足りないと思ったので）もう一つ余計なことを書いておきます ■■9.4.2 処置群とコントロール群の処置前バランスのチェック ■■9.4.3 アフォーダブルケアアクト、メディケイドの拡大と人口死亡率 ■9.5 差分の差デザインの識別戦略におけるプラセボの重要性 ■■9.5.1 三重差分デザイン ■■9.5.2 州が義務付ける出産手当金 ■■9.5.3 中絶合法化と長期的な淋病の発生率 ■■9.5.4 Cunningham and Cornwell(2013)を超えて ■■9.5.5 批判としてのプラセボ ■■9.5.6 繰り返しクロスセクションデータにおける構成の変化 ■■9.5.7 最終的な考察 ■9.6 異なるタイミングでの処置をともなう二元配置固定効果 ■■9.6.1 Bacon分解定理 ■■9.6.2 分解の潜在アウトカムによる表現 ■■9.6.3 分散で重み付けられたATT ■■9.6.4 分散で重み付けられた共通トレンド ■■9.6.5 時間上でのATT の異質性によるバイアス！ ■■9.6.6 城の原則法と殺人事件 ■■9.6.7 Cheng and Hoekstra(2013)の再現のようなもの ■■9.6.8 Bacon分解 ■■9.6.9 差分の差デザインの未来 ■9.7 まとめ 第10章　合成コントロール法 ■10.1 比較事例分析の導入 ■■10.1.1 キューバ、マイアミ、そしてマリエルボートリフト ■■10.1.2 合成コントロールを選ぶ ■■10.1.3 定式化 ■■10.1.4 カリフォルニア州プロポジション99 ■■10.1.5 反証 ■10.2 刑務所の建設と黒人男性の収容 ■10.3 まとめ 第11章　結論