Name: The Data Analyst’s Guide to Cause and Effect: An Introduction to Applied Causal Inference (en Inglés)
SKU: 65867515
Price: 1284.63 MXN
Availability: InStock
Author: Theiss Bendixen
ISBN: 9798348848712

portada The Data Analyst’s Guide to Cause and Effect: An Introduction to Applied Causal Inference (en Inglés)

The Data Analyst’s Guide to Cause and Effect: An Introduction to Applied Causal Inference (en Inglés)

Formato

Libro Físico

Editorial

SAGE Publications

Autor

Theiss Bendixen

Año

2027

Idioma

Inglés

N° páginas

158

Encuadernación

Tapa Blanda

Dimensiones

21.5x13.9 cm

ISBN13

9798348848712

The Data Analyst’s Guide to Cause and Effect: An Introduction to Applied Causal Inference (en Inglés)

Theiss Bendixen (Autor) · SAGE Publications · Tapa Blanda

Libro Nuevo Importado

Envío: 13 a 17 días háb.

$ 2,569.27$ 1,284.63

-50%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 50 unidades

$ 1,284.63

¡Envío Gratis! Llega entre el 21 Sep y el 28 Sep a CUAUHTÉMOC, Ciudad de México. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "The Data Analyst’s Guide to Cause and Effect: An Introduction to Applied Causal Inference (en Inglés)"

Understanding cause-and-effect relationships is essential for credible research and informed decision-making. The Data Analyst’s Guide to Cause and Effect offers a clear, practical roadmap for answering causal questions using both experimental and observational data.

Built around the EEESI workflow—Estimand, Estimator, Estimate, Simulation-based Inference—this book provides a systematic approach to defining, estimating, and validating causal effects. Readers will learn to apply modern techniques such as g-methods, inverse probability weighting, poststratification, and multilevel modeling, while tackling challenges like confounding and missing data.

With hands-on examples in R, code snippets, and simulation exercises, this guide balances rigor with accessibility. Ideal for graduate courses and applied researchers, it equips readers to move beyond simple associations and make credible causal inferences that inform theory, policy, and practice.