珀尔最近出版了一本面向初学者的新书：统计中的因果推理：入门。如果您以前从未见过有向无环图的因果关系，那么您应该从这里开始。你应该做这本书的所有学习问题——这将帮助你熟悉新的工具和符号。

珀尔还发行了一本面向普通读者的书，《为什么书》，将于 2018 年 5 月上市。

同样针对初学者，Miguel Hernán 刚刚开始了关于edX 因果图的新因果推理课程：在得出结论之前先进行假设。

在Handbook of Causal Analysis for Social Research中，也有Felix Elwert 的第 13 章非常好的文字，是对图形模型的非常友好的介绍。

其他两篇对因果图进行“温和介绍”（正如珀尔喜欢说）的好论文是珀尔（2003 年）和珀尔（2009 年）。第一篇论文也有讨论。

正如其他人所提到的，Morgan and Winship 是一本非常好的教科书——对社会科学家来说是一本非常友好而全面的介绍——它涵盖了图形模型和潜在结果。

Imbens 和 Rubin 最近有一本书，它在更大程度上涵盖了随机实验的某些部分，但没有任何关于 DAGS 的内容——它只会让你接触到潜在的结果框架，所以你需要用其他书来补充它，如上所述。

在经济学家中，安格里斯特和皮施克的研究生和本科书籍很受欢迎。但重要的是要注意他们专注于常见的策略/技巧——工具变量、差异中的差异、RDD 等。所以你可以得到一个更实用的视角，但只有这样你不会得到更大的关于识别问题的图片。

如果您对因果发现感兴趣并想要一种更面向机器学习的方法，Peters、Janzing 和 Scholkopf 有一本关于因果推理元素的新书，pdf 是免费的。

这里值得一提的是“统计教育中的因果关系”奖。在其网页上，您可以找到自 2013 年开始以来每年都获奖的几个班级的幻灯片和其他材料。在这方面也值得注意VanderWeele 的书。

最后，正如显然已经提到的那样，有珀尔现在的经典著作。上面引用的更多初步材料的阅读将帮助您阅读它。

尝试Morgan 和 Winship (2007)进行社会科学研究或Hernan 和 Robins（即将出版）进行流行病学研究。尽管仍在进行中，但这看起来会非常好。

Morgan 和 Winship 特别擅长对回归型模型的因果解释进行假设。

Pearl (2000) 绝不是介绍性的，尽管最终是一本非常好的读物。您可能会发现他的一些网站和特定文章很有用，尤其是在解释结构方程模型方面。它们大多以技术报告的形式提供。

更新：Pearl、Glymour 和 Jewell（2017 年）统计中的因果推理：入门，不过是介绍性的。而且也很好。

我对 Austin Nichols 即将出版的《因果推理：测量 x 对 y 的影响》一书寄予厚望。预计出版日期为2013 年。同时，他的讲义和论文很好地概述了面板方法、工具变量、倾向得分匹配/重新加权和回归不连续性。所有这些估计器（和 RCT）之间的比较以及 Stata 迷你教程（如果您不是 Stata 用户，可以跳过）特别有用。如果您想更深入地挖掘，我们会提供精选的参考资料。不幸的是，这里没有太多关于结构方程的内容，尽管 Morgan 和 Winship 的书也是如此。他们的ARS 论文是一个较短但有些过时的概述。

我发现 Pearl 是对这种材料的一个有趣但困难的介绍。如果这是我第一次接触这些想法，我不知道在阅读它知道如何很好地应用任何方法后我是否会走开。

最后，这里是经济学家 James Heckman 和 Pearl 在 2012 年密歇根大学因果推理研讨会上的视频演示和幻灯片。这里有很多关于结构模型的东西。

Cosma Shalizi 的教科书Advanced Data Analysis from an Elementary Point of View对因果关系进行了出色的介绍。（该教科书仍处于草稿形式，可在线获取 pdf 格式，因此它具有免费的额外好处。）

但是，您应该决定您是否对以下方法感兴趣：(a)估计因果效应的大小，或 (b)学习因果网络的结构（即了解哪些变量影响其他变量）。（a）有很多参考资料，我认为Pearl的因果关系是最好的。(b) 的介绍性参考文献很少；我认为 Cosma 的教科书是最好的，但并不全面。

2013 年，CMU 举办了一些关于因果结构学习的精彩介绍性讲座。Richard Scheines 介绍了使用 Tetrad 进行因果推理的教程，对基本概念进行了冗长而温和的介绍。Frederick Eberhardt 介绍了All of Causal Discovery，这是对最新技术状态的快节奏概述。其中一项或两项可能会有所帮助；弗雷德里克的演讲应该会给你很多关于下一步去哪里的想法。