Quantitative Social Science

出版者:Princeton University Press

作者:Kosuke Imai

页数:432

出版时间:2017-3-14

价格:USD 49.50

装帧:Paperback

isbn号码:9780691175461

具体描述

Quantitative analysis is an increasingly essential skill for social science research, yet students in the social sciences and related areas typically receive little training in it—or if they do, they usually end up in statistics classes that offer few insights into their field. This textbook is a practical introduction to data analysis and statistics written especially for undergraduates and beginning graduate students in the social sciences and allied fields, such as economics, sociology, public policy, and data science.

Quantitative Social Science engages directly with empirical analysis, showing students how to analyze data using the R programming language and to interpret the results—it encourages hands-on learning, not paper-and-pencil statistics. More than forty data sets taken directly from leading quantitative social science research illustrate how data analysis can be used to answer important questions about society and human behavior.

Proven in the classroom, this one-of-a-kind textbook features numerous additional data analysis exercises and interactive R programming exercises, and also comes with supplementary teaching materials for instructors.

Written especially for students in the social sciences and allied fields, including economics, sociology, public policy, and data science

Provides hands-on instruction using R programming, not paper-and-pencil statistics

Includes more than forty data sets from actual research for students to test their skills on

Covers data analysis concepts such as causality, measurement, and prediction, as well as probability and statistical tools

Features a wealth of supplementary exercises, including additional data analysis exercises and interactive programming exercises

Offers a solid foundation for further study

Comes with additional course materials online, including notes, sample code, exercises and problem sets with solutions, and lecture slides

作者简介

Kosuke Imai is professor of politics and founding director of the Program in Statistics and Machine Learning at Princeton University.

目录信息

List of Tables xiii
List of Figures xv
Preface xvii
1 Introduction 1
1.1 Overview of the Book 3
1.2 How to Use this Book 7
1.3 Introduction to R 10
1.3.1 Arithmetic Operations 10
1.3.2 Objects 12
1.3.3 Vectors 14
1.3.4 Functions 16
1.3.5 Data Files 20
1.3.6 Saving Objects 23
1.3.7 Packages 24
1.3.8 Programming and Learning Tips 25
1.4 Summary 27
1.5 Exercises 28
1.5.1 Bias in Self-Reported Turnout 28
1.5.2 Understanding World Population Dynamics 29
2 Causality 32
2.1 Racial Discrimination in the Labor Market 32
2.2 Subsetting the Data in R 36
2.2.1 Logical Values and Operators 37
2.2.2 Relational Operators 39
2.2.3 Subsetting 40
2.2.4 Simple Conditional Statements 43
2.2.5 Factor Variables 44
2.3 Causal Effects and the Counterfactual 46
2.4 Randomized Controlled Trials 48
2.4.1 The Role of Randomization 49
2.4.2 Social Pressure and Voter Turnout 51
2.5 Observational Studies 54
2.5.1 Minimum Wage and Unemployment 54
2.5.2 Confounding Bias 57
2.5.3 Before-and-After and Difference-in-Differences Designs 60
2.6 Descriptive Statistics for a Single Variable 63
2.6.1 Quantiles 63
2.6.2 Standard Deviation 66
2.7 Summary 68
2.8 Exercises 69
2.8.1 Efficacy of Small Class Size in Early Education 69
2.8.2 Changing Minds on Gay Marriage 71
2.8.3 Success of Leader Assassination as a Natural Experiment 73
3 Measurement 75
3.1 Measuring Civilian Victimization during Wartime 75
3.2 Handling Missing Data in R 78
3.3 Visualizing the Univariate Distribution 80
3.3.1 Bar Plot 80
3.3.2 Histogram 81
3.3.3 Box Plot 85
3.3.4 Printing and Saving Graphs 87
3.4 Survey Sampling 88
3.4.1 The Role of Randomization 89
3.4.2 Nonresponse and Other Sources of Bias 93
3.5 Measuring Political Polarization 96
3.6 Summarizing Bivariate Relationships 97
3.6.1 Scatter Plot 98
3.6.2 Correlation 101
3.6.3 Quantile-Quantile Plot 105
3.7 Clustering 108
3.7.1 Matrix in R 108
3.7.2 List in R 110
3.7.3 The k-Means Algorithm 111
3.8 Summary 115
3.9 Exercises 116
3.9.1 Changing Minds on Gay Marriage: Revisited 116
3.9.2 Political Efficacy in China and Mexico 118
3.9.3 Voting in the United Nations General Assembly 120
4 Prediction 123
4.1 Predicting Election Outcomes 123
4.1.1 Loops in R 124
4.1.2 General Conditional Statements in R 127
4.1.3 Poll Predictions 130
4.2 Linear Regression 139
4.2.1 Facial Appearance and Election Outcomes 139
4.2.2 Correlation and Scatter Plots 141
4.2.3 Least Squares 143
4.2.4 Regression towards the Mean 148
4.2.5 Merging Data Sets in R 149
4.2.6 Model Fit 156
4.3 Regression and Causation 161
4.3.1 Randomized Experiments 162
4.3.2 Regression with Multiple Predictors 165
4.3.3 Heterogenous Treatment Effects 170
4.3.4 Regression Discontinuity Design 176
4.4 Summary 181
4.5 Exercises 182
4.5.1 Prediction Based on Betting Markets 182
4.5.2 Election and Conditional Cash Transfer Program in Mexico 184
4.5.3 Government Transfer and Poverty Reduction in Brazil 187
5 Discovery 189
5.1 Textual Data 189
5.1.1 The Disputed Authorship of The Federalist Papers 189
5.1.2 Document-Term Matrix 194
5.1.3 Topic Discovery 195
5.1.4 Authorship Prediction 200
5.1.5 Cross Validation 202
5.2 Network Data 205
5.2.1 Marriage Network in Renaissance Florence 205
5.2.2 Undirected Graph and Centrality Measures 207
5.2.3 Twitter-Following Network 211
5.2.4 Directed Graph and Centrality 213
5.3 Spatial Data 220
5.3.1 The 1854 Cholera Outbreak in London 220
5.3.2 Spatial Data in R 223
5.3.3 Colors in R 226
5.3.4 US Presidential Elections 228
5.3.5 Expansion of Walmart 231
5.3.6 Animation in R 233
5.4 Summary 235
5.5 Exercises 236
5.5.1 Analyzing the Preambles of Constitutions 236
5.5.2 International Trade Network 238
5.5.3 Mapping US Presidential Election Results over Time 239
6 Probability 242
6.1 Probability 242
6.1.1 Frequentist versus Bayesian 242
6.1.2 Definition and Axioms 244
6.1.3 Permutations 247
6.1.4 Sampling with and without Replacement 250
6.1.5 Combinations 252
6.2 Conditional Probability 254
6.2.1 Conditional, Marginal, and Joint Probabilities 254
6.2.2 Independence 261
6.2.3 Bayes' Rule 266
6.2.4 Predicting Race Using Surname and Residence Location 268
6.3 Random Variables and Probability Distributions 277
6.3.1 Random Variables 278
6.3.2 Bernoulli and Uniform Distributions 278
6.3.3 Binomial Distribution 282
6.3.4 Normal Distribution 286
6.3.5 Expectation and Variance 292
6.3.6 Predicting Election Outcomes with Uncertainty 296
6.4 Large Sample Theorems 300
6.4.1 The Law of Large Numbers 300
6.4.2 The Central Limit Theorem 302
6.5 Summary 306
6.6 Exercises 307
6.6.1 The Mathematics of Enigma 307
6.6.2 A Probability Model for Betting Market Election Prediction 309
6.6.3 Election Fraud in Russia 310
7 Uncertainty 314
7.1 Estimation 314
7.1.1 Unbiasedness and Consistency 315
7.1.2 Standard Error 322
7.1.3 Confidence Intervals 326
7.1.4 Margin of Error and Sample Size Calculation in Polls 332
7.1.5 Analysis of Randomized Controlled Trials 336
7.1.6 Analysis Based on Student's t-Distribution 339
7.2 Hypothesis Testing 342
7.2.1 Tea-Tasting Experiment 342
7.2.2 The General Framework 346
7.2.3 One-Sample Tests 350
7.2.4 Two-Sample Tests 356
7.2.5 Pitfalls of Hypothesis Testing 361
7.2.6 Power Analysis 363
7.3 Linear Regression Model with Uncertainty 370
7.3.1 Linear Regression as a Generative Model 370
7.3.2 Unbiasedness of Estimated Coefficients 375
7.3.3 Standard Errors of Estimated Coefficients 378
7.3.4 Inference about Coefficients 380
7.3.5 Inference about Predictions 384
7.4 Summary 389
7.5 Exercises 390
7.5.1 Sex Ratio and the Price of Agricultural Crops in China 390
7.5.2 File Drawer and Publication Bias in Academic Research 392
7.5.3 The 1932 German Election in the Weimar Republic 394
8 Next 397
General Index 401
R Index 406
· · · · · · (收起)

用户评价

《定量社会科学》这本书，不仅仅是一本关于方法的书，更是一本关于如何以更科学、更严谨的态度去理解我们所处世界的书。我一直对“社会不平等”这个议题深感兴趣，过去对此的理解主要集中在收入差距、教育机会不均等方面。然而，这本书为我提供了更广阔的视角，让我看到了如何用量化的方法来刻画和分析更细致、更深层次的不平等。书中关于“多层次模型”（multilevel modeling）的介绍，让我理解了如何同时分析个体层面的因素和群体层面的因素对社会结果的影响，例如，分析家庭背景（个体层面）和所在社区的经济发展水平（群体层面）是如何共同作用于个体的学业成就的。这使得我们对社会现象的理解更加全面和立体。我特别欣赏书中关于“统计建模与预测”的部分。它不仅仅教你如何建立模型，更重要的是教你如何解释模型的输出，以及如何利用模型进行有意义的预测。作者通过分析影响城市交通拥堵的因素，并建立预测模型来预警未来的交通状况，展示了量化模型在解决实际社会问题中的巨大潜力。书中还探讨了“因果发现”（causal discovery）这一前沿领域，介绍了如何从数据中自动发现潜在的因果关系，而无需预设模型。这对于探索全新的社会现象和理论具有重要的意义。整本书的语言风格流畅，案例丰富，即使是那些需要一定数学基础的概念，作者也用图示和类比的方式进行了解释，使得学习过程更加轻松愉快。

在阅读《定量社会科学》之前，我对社会研究的印象多是基于访谈、观察等定性方法的描述。这本书彻底改变了我的认知，让我看到了量化研究的强大生命力。我一直对“群体行为”和“集体决策”的形成机制很感兴趣，特别是关于“社会规范”是如何形成和传播的。书中关于“博弈论在社会科学中的应用”的章节，让我大开眼界。作者通过解释囚徒困境、公共物品博弈等经典模型，以及如何将其应用于分析合作、冲突、社会规范的形成和演变，展示了数学模型在理解复杂社会互动中的独特优势。我尤其被书中关于“大数据分析与政策评估”的案例所吸引。作者利用大量的城市出租车数据，分析了不同地区和不同时间的出行模式，以此来评估某个城市交通政策的实际效果，并为未来的政策制定提供了量化依据。这种基于真实世界数据的严谨评估，让我对政策制定的科学性有了更深的认识。书中还深入探讨了“主题模型”（topic modeling）在分析大规模文本数据中的应用，例如，如何从海量的互联网评论中挖掘出用户关注的热点话题和普遍的情感倾向。这为我们理解公众舆论的形成和演变提供了有力的工具。作者在书中强调了研究的可重复性（reproducibility）和透明性（transparency），鼓励读者公开自己的数据和代码，以便他人验证和进一步研究。这种开放的研究精神，对推动社会科学的进步至关重要。

我最近读完了一本名为《定量社会科学》的书，这本书带我走入了一个全新的研究领域，让我对社会现象的理解跃升到了一个全新的高度。在此之前，我总是倾向于从定性的角度去剖析问题，认为人类行为的复杂性无法简单地被数字和模型所捕捉。然而，《定量社会科学》彻底颠覆了我的固有认知。它并非简单地罗列一堆统计公式或算法，而是以一种极其引人入胜的方式，将抽象的理论与生动的社会案例相结合。我尤其被书中关于“社会网络的量化分析”那一章节所吸引。作者通过对社交媒体数据进行深入挖掘，揭示了信息如何在群体中传播，谣言的扩散机制，以及意见领袖的关键作用。我以前从未意识到，那些日常的“点赞”、“分享”和“评论”背后，竟然隐藏着如此深刻的社会动态和可预测的模式。书中的案例研究，例如对城市犯罪率与居民收入水平之间关系的量化分析，以及对教育政策对社会流动性影响的实证研究，都让我大开眼界。这些研究不仅仅是数据的堆砌，更是对社会现实问题进行严谨、系统性探索的典范。作者在解释复杂的统计概念时，总是能够用通俗易懂的语言，配合清晰的图表和逻辑严密的论证，让一个对统计学并不十分精通的读者也能轻松理解。我特别欣赏书中对于“因果推断”的讲解，它教我如何从相关性中识别出真正的因果关系，避免落入“相关不等于因果”的陷阱。这对于我日后进行任何社会研究都将是至关重要的指导。整本书的结构设计也非常合理，循序渐进，从基础的统计方法讲到高级的机器学习在社会科学中的应用，每一步都搭建在前一章的基础上，使得整个学习过程流畅而富有成就感。

《定量社会科学》这本书，为我打开了一扇通往更严谨、更客观理解社会世界的大门。我一直对“教育公平”和“社会流动性”这些议题抱有浓厚的兴趣，并希望能够找到切实可行的解决方案。书中关于“教育数据分析”和“社会网络分析在学生发展中的作用”的章节，为我提供了极大的帮助。作者展示了如何利用学生成绩数据、家庭背景数据以及参与课外活动的数据，来分析不同教育干预措施对学生学业成就和社会资本积累的影响，并揭示了学生所处的社交网络对其学业表现和未来发展轨迹的潜在影响。我尤其被书中关于“时间序列分析”的讲解所吸引。它让我认识到，许多社会现象的演变具有时间上的依赖性，例如，分析失业率随时间的变化趋势，以及某个经济政策对失业率影响的动态过程。通过时间序列模型，我们可以更准确地捕捉这些动态变化并进行预测。书中还探讨了“实验设计在社会科学中的应用”，详细介绍了随机对照试验（RCTs）、准实验设计（quasi-experiments）等方法，并强调了如何通过严谨的实验设计来避免研究中的偏差，从而获得更具说服力的因果推断。这本书不仅仅是方法的罗列，更是一种思维方式的启迪，让我学会如何用数据和逻辑来审视社会现象。

不得不说，《定量社会科学》这本书极大地拓宽了我的视野，让我认识到用数据说话的力量。我一直对“文化变迁”和“社会思潮”的演变过程感到好奇，但苦于没有清晰的研究路径。本书中关于“文本分析与情感计算”的章节，为我提供了极大的启发。作者介绍了如何利用自然语言处理技术，对大量的历史文献、新闻报道、文学作品甚至网络评论进行自动化分析，从而量化地追踪特定词汇的使用频率、情感色彩的变化以及主题的演变。这使得我们可以以前所未有的精度来观察社会思潮的细微变化和文化价值观的迁移。书中以分析不同时期政治宣传文本中的情感词汇变化为例，清晰地展示了如何通过量化方法来识别和衡量社会情绪的波动。我尤其赞赏书中关于“代理变量”（proxy variables）和“工具变量”（instrumental variables）的讲解。这些概念对于在缺乏理想实验条件的情况下，进行社会科学研究中的因果推断至关重要。作者用生动的例子，比如利用婚姻状况作为某个经济因素的代理变量，或者利用地区性的政策差异作为某个社会行为的工具变量，来解释如何巧妙地绕过直接测量困难的问题，从而获得更可靠的研究结论。这本书并没有回避社会科学研究中存在的挑战，例如数据的可获得性、测量误差以及伦理问题，反而提供了许多富有建设性的解决方案和思考。它鼓励读者在追求量化的同时，也要保持批判性思维，并对研究结果的适用范围和局限性有清醒的认识。

这本书《定量社会科学》是一次令人兴奋的学习之旅，它让我深刻理解了量化研究在理解复杂社会现象中的强大力量。我一直对“犯罪行为”和“社会治安”的成因很感兴趣，并希望能够找到更有效的预防和干预策略。书中关于“犯罪学中的统计模型”和“地理空间分析在预测犯罪热点中的应用”的章节，为我提供了前所未有的视角。作者展示了如何利用犯罪数据、社会经济数据以及城市环境数据，来构建预测模型，识别高风险区域和高风险人群，并评估不同警务干预措施的效果。我尤其被书中关于“潜类别分析”（latent class analysis）的讲解所吸引。它让我认识到，许多看似相似的个体或群体，其实可能隐藏着不同的、不可直接观测的“类别”，例如，通过分析个体的消费习惯和生活方式，可以识别出不同的消费者群体，从而为市场营销提供更精准的指导。书中还探讨了“社交网络分析的指标与应用”，详细介绍了节点度、中心性、社区发现等核心概念，并展示了这些指标如何在分析组织结构、信息传播以及群体影响力等方面发挥重要作用。这本书让我明白，通过严谨的量化分析，我们可以揭示社会现象背后隐藏的规律，并为解决实际社会问题提供科学的依据。

《定量社会科学》这本书，为我提供了一个全新的思考框架，让我能够更深刻地理解人类社会的运作逻辑。我一直对“贫困”和“社会排斥”等问题感到忧虑，并希望能够找到更有效的解决方案。书中关于“多维度贫困测量”和“社会网络分析在扶贫中的应用”的章节，给我带来了极大的启发。作者介绍了如何不仅仅局限于收入指标，而是从教育、健康、居住条件、社会参与等多个维度，构建综合的量化指标来衡量贫困程度，并分析社会网络结构如何影响个体获得资源和信息的渠道，从而影响其脱贫的可能性。我尤其欣赏书中关于“空间计量经济学”（spatial econometrics）的讲解。它让我认识到，地理位置和空间关系对于理解许多社会现象至关重要。例如，分析犯罪率在城市中的空间分布模式，以及某个区域的就业机会如何影响周边地区的居民就业情况。这种将空间因素纳入分析的方法，能够揭示许多隐藏在数据背后的重要规律。书中还探讨了“机器学习在社会科学中的应用”，包括如何利用监督学习和无监督学习算法来预测社会行为、发现隐藏的模式以及进行个性化推荐。这些技术为社会科学研究带来了前所未有的机遇。作者在书中鼓励读者拥抱不确定性，并认识到模型只是对现实的简化，最终的研究结论需要结合社会现实的理解来解读。

《定量社会科学》这本书，如同一幅详细的社会地图，为我描绘出理解社会运作机制的清晰路径。我一直对“消费者行为”和“市场营销策略”的有效性感到好奇，并希望能够更科学地理解消费者的购买决策。书中关于“市场调研中的统计方法”和“消费者数据分析中的机器学习应用”的章节，为我带来了极大的启发。作者展示了如何利用问卷调查数据、销售数据以及在线行为数据，来分析消费者的偏好、购买动机以及对营销活动的反应，并利用机器学习算法来预测消费者的购买意向和进行个性化产品推荐。我尤其被书中关于“内容分析与情感挖掘”的讲解所吸引。它让我认识到，通过对用户评论、社交媒体帖子等文本数据进行分析，可以深入了解消费者对产品或服务的真实感受和评价，从而为产品改进和营销策略优化提供关键信息。书中还探讨了“实验经济学在行为研究中的应用”，详细介绍了如何设计和执行在线实验或实验室实验，来研究消费者的决策过程、风险偏好以及对价格和促销的反应。这些实验方法能够帮助我们更深入地理解人类在经济情境下的行为模式。这本书让我体会到，量化方法不仅仅是工具，更是一种严谨的思考方式，能够帮助我们更客观、更深入地理解人类社会。

《定量社会科学》这本书，如同一把钥匙，为我打开了理解社会运作机制的全新视角。我一直对“社会资本”这个概念很感兴趣，但过去对此的理解多停留在感性的层面，认为它是一种无形的关系网络。然而，通过阅读这本书，我才真正领略到如何运用量化方法来衡量和分析社会资本。书中详细介绍了如何从个人的社交互动、信息获取渠道、参与社区活动的频率等方面，构建量化的指标来评估社会资本的水平。例如，作者通过对某个社区的居民进行问卷调查，并结合其参与社区组织的活动次数和与邻居的交流频率，得出了一个量化的社会资本评分，并进一步分析了高社会资本个体在就业机会、健康状况以及幸福感方面表现出的显著优势。这种将抽象概念具体化、量化的过程，让我看到了社会科学研究的严谨性和科学性。书中对于“实地实验”（field experiments）的介绍也给我留下了深刻的印象。作者通过设计一系列真实的社会干预实验，来检验不同政策或行为对社会结果的影响。例如，在书中关于教育公平的章节，我了解到研究人员是如何通过随机分配不同的教学方法或资源给学生，来评估这些干预措施对学生学业成绩和未来发展轨迹的长期影响。这种实验设计，能够最大限度地排除混淆因素，直接揭示因果关系，其科学严谨性远非单纯的观察性研究可比。书中还探讨了大数据在社会科学研究中的应用，包括如何利用网络搜索数据、地理位置数据、社交媒体数据等，来捕捉和分析社会热点、公众情绪以及消费行为的变迁。这些新的数据源和分析技术，为社会科学研究提供了前所未有的可能性，也让我对未来的社会研究充满了期待。

这本书《定量社会科学》彻底改变了我对社会科学研究方法的看法，让我认识到数字的力量能够揭示我们日常生活中隐藏的深刻洞察。我一直对“城市发展”和“人口迁徙”的模式很感兴趣，过去对此的理解多停留在宏观层面。然而，这本书通过介绍“地理信息系统（GIS）”和“大数据可视化”的应用，为我提供了一种全新的研究方式。作者展示了如何利用GPS数据、手机信令数据以及社交媒体签到数据，来分析城市人口的流动模式、通勤行为以及不同社会群体的空间分布特征，并利用可视化技术将这些复杂的空间关系直观地呈现出来。我尤其被书中关于“情感分析与舆情监测”的章节所吸引。作者介绍了如何利用自然语言处理和机器学习技术，从海量的网络文本数据中提取用户的情感倾向、关注话题以及意见领袖，从而对社会舆论进行实时的监测和分析。这对于理解公众情绪的波动和预测社会事件的发生具有重要的指导意义。书中还探讨了“因果推断的挑战与方法”，详细介绍了如何处理混淆变量、选择偏差等问题，并介绍了倾向得分匹配（propensity score matching）和工具变量法等解决策略。这些方法对于获得更可靠的研究结论至关重要。整本书的结构清晰，逻辑严密，案例丰富，让我能够在一个相对轻松的氛围中掌握复杂的量化方法。

上来就causality，然后再regression，最后才概率统计，虽然作者说是给本科生用的，但是我发现本科生吃不消。可能我们学校的本科生太弱了。。

我很喜欢的一本比较现代的量化方法书。问过Imai，他说他主要给本科生用这本。我觉得研究生和博士生上手也挺好的。他还很好心的把例子数据和R代码都附在书里了。关键是定价还便宜，很良心。推荐

我很喜欢的一本比较现代的量化方法书。问过Imai，他说他主要给本科生用这本。我觉得研究生和博士生上手也挺好的。他还很好心的把例子数据和R代码都附在书里了。关键是定价还便宜，很良心。推荐

不错的R入门教材，非常入门，手把手教学。计量的部分的，有些解读也颇有意思，有基础再看也不会觉得重复。致敬！

特别适合没什么数学基础的社科生阅读！