书名：基于R和Python的行为数据分析
书号：978-7-5239-0158-8
定价：128元
作者：[法]弗洛朗·布韦松（Florent Buisson）
出版时间：2025-09-16
出版社：中国电力出版社
页码： 376    字数(千字)：372.24
开本：16开    版次：1    印次：1

品牌介绍

中国电力出版社成立于 1951 年，作为中国成立最早的中央科技出版社之一，曾隶属于水利电力部、能源部、电力工业部、国家电力公司，现为国家电网公司所属的科技出版社，在电气技术专业出版领域享有极高的声誉。该社作为以图书出版为主体，音像、电子出版物、期刊、网络出版共同发展的大型出版企业，以强大的出版资源和高素质的专业队伍，致力于向读者提供包括电力工程、电气工程、建筑工程、电子技术、信息技术、外语、大中专教材、家教等学科门类齐全的权威出版物，也竭力为广大师生提供精品教材，是教育部和北京市教委规划教材的出版基地之一。

编辑推荐

一句话推荐 客户行为数据助力企业效益提升。 编辑推荐 利用专门为行为数据分析设计的学习工具充分发挥企业行为数据的强大作用。常用的数据科学算法和预测分析工具总是将客户行为数据（如网站点击量或超市购买量）与其他数据等同对待。与此不同，这本实用指南介绍了专门为行为数据分析量身定做的强大方法。 高级实验设计可以帮助我们最大程度利用A/B检验，因果图则允许我们提取行为原因，即使无法运行实验。这本书面向数据科学家、业务分析师和行为科学家，简明实用，提供了丰富的R和Python示例帮助你一目了然地从数据中获取更多信息。 专家推荐 “一些数据科学图书会教给读者一系列新技术，但Florent 的目标不同，而且更长远。他着力教会我们以数据为中心的思维：如何对人类行为数据建立深入细致的理解。” —— Steve Wendel，行为科学部首席，Morningstar “这本书将帮助你充分理解数据，即使你无法具体运行实验。” —— Colin McFarland，实验平台总监，Netflix “我们拥有大量的数据，这本书是我们一直以来渴求的资源，可以指导从业者使用这些数据建立有效的因果模型，来预测和解释现实世界的行为。” —— David Lewis，总裁，BEworks 研究院 “对于所有希望应用行为科学来指导商业决策的人来说，这本书提供了有价值的指导，深入介绍了如何在实验和行为分析中利用因果图。” —— Matt Wright，行为科学总监，WiderFunnel “行为科学成功的部分原因是将定量和定性知识无缝地结合在一起，以帮助我们理解人们为什么会做他们所做的事情。这本书可以帮助任何有一些基本数据技能的人有效地参与到行为科学工作中。” —— Matt Wallaert，frog 行为科学首席， 《Start at the End: How to Build Products That Create Change》的作者

产品特色

客户行为数据助力企业效益提升。

作者介绍

Florent Buisson是一位行为经济学家，在商业、分析和行为科学领域有10余年的经验。近年来他在Allstate保险公司创建并领导了四年的行为科学团队。Florent在一些期刊上发表了多篇学术文章，如同行评议的《房地产研究杂志》(Journal of Real Estate Research)。他拥有巴黎Sorbonne大学计量经济学硕士学位和行为经济学博士学位。

内容介绍

利用专门为行为数据分析设计的学习工具充分发挥企业行为数据的强大作用。常用的数据科学算法和预测分析工具总是将客户行为数据（如网站点击量或超市购买量）与其他数据等同对待。与此不同，这本实用指南介绍了专门为行为数据分析量身定做的强大方法。本书的主要内容有：理解行为数据的特征。探讨测量与预测之间的区别。学习如何清理和准备行为数据。设计和分析实验，从而做出最优商业决策。使用行为数据理解和度量原因和结果。以一种透明且周全的方式细分顾客。
本书适用于广大读者

前言

前言 统计学是一门用途多到惊人的学科，但同时有效的实践者却少得惊人。 —— Bradley Efron and R. J. Tibshirani, 《An Introduction to the Bootstrap》 (1993) 欢迎学习本书! 我们生活在数据时代，这句话已经成为陈词滥调。工程师们现在经常使用机器和涡轮机上传感器的数据来预测它们什么时候可能发生故障，并进行预防性维护。同样地，营销人员会利用大量数据（这可能来自你的人口统计信息甚至你过去的购买记录）来决定在什么时候为你提供哪些广告。常言道：“数据是新的石油”，算法是推动我们经济向前发展的新内燃机。 大多数关于分析、机器学习和数据科学的书籍都隐含地假设：工程师和营销人员努力要解决的问题可以用相同的方法和工具来处理。当然，变量有不同的名字，而且需要获取一些特定领域的知识，但k- 均值聚类就是k- 均值聚类，无论你是在处理关于涡轮机的数据还是社交媒体上的帖子。通过以这种方式大规模采用机器学习工具，企业通常能够准确预测行为，但代价是要对实际情况有更深入和更充分的理解。这引发了对数据科学模型作为“黑盒”的批评。 这本书的目标不是要做出精确但晦涩的预测，而是要努力回答一个问题：“是什么驱动了行为?”如果我们决定向潜在客户发送电子邮件，他们会因为这封电子邮件而订阅我们的服务吗？哪些客户群体要接收邮件？年长的顾客会因为年龄大而倾向于购买不同的产品吗？客户体验对忠诚度和留存率有什么影响？通过将我们的视角从预测行为转变为解释行为并度量其原因，我们将能够打破“相关性不是因果关系”的说法，这个说法曾让几代分析人员对他们的模型结果缺乏信心。 这种转变并不是来自引入新的分析工具，我们只会使用两种数据分析工具：古老的线性回归和它的兄弟逻辑回归。本质上讲，这两个模型比其他类型的模型更具可读性。当然，这通常是以较低的预测准确度为代价（也就是说，它们在预测中会犯更多更大的错误），但这不影响我们的目的，在这里我们只是要测量变量之间的关系。 实际上，我们将花费大量时间学习如何理解数据。作为数据科学面试官时，我见过很多能使用复杂机器学习算法的面试者，但他们对数据没有很强的感觉：除了算法告诉他们的东西外，他们对数据里有什么几乎没有直觉。我相信你可以培养这种直觉，并通过采用以下方法来提升你的分析项目的价值和成果（通常是显著提升）： • 行为科学思维模式，不把数据本身视为目的，而是把它视为观察人类心理和行为的镜头。 • 一个因果分析工具包，它允许我们自信地说一件事导致了另一件事，并确定这种关系的强度如何。 虽然这两点本身都可以单独提供很大的好处，但我相信它们是天然相辅相成的，最好一起使用。考虑到“使用因果分析工具包的行为科学思维模式”有点拗口，我将称之为因果行为方法或框架。这个框架还有一个额外的好处：它同样适用于实验数据和历史数据，同时会利用它们之间的差异。这与传统分析不同，传统分析使用完全不同的工具（例如，对实验数据的方差分析和T 检验) 和数据科学，而且不会区别对待实验数据与历史数据。 谁适合看这本书 如果你正在用R 或Python 分析商业数据，这本书很适合你。我用“商业”这个词粗略地表示任何营利性、非营利或政府组织，在这些组织中，正确的见解和可行的结论推动行动是最重要的。 就数学和统计学背景而言，无论你是构建月度预测的商业分析师，还是查看点击行为的用户体验研究人员，或者是构建机器学习模型的数据科学家，这并不重要。这本书有一个基本前提：你至少需要熟悉线性回归和逻辑回归。如果你理解回归，就可以掌握这本书的观点，并从中获得巨大的好处。另一方面，我相信即使是拥有统计学或计算机科学博士学位的专业数据科学家也会发现这些内容是新的，而且很有用，前提是他们原本不是行为或因果分析方面的专家。就编程背景而言，你需要能够读写R 或Python 代码，最好两者都会。我不会向你展示如何定义函数或如何操作dataframe 或pandas 等数据结构。已经有很多优秀的书籍在这方面做得比我更好 [ 例如，Wes McKinney（O’Reilly）的《Python for Data Analysis》以及Garrett Grolemund 和Hadley Wickham（O’Reilly）的《R for Data Science》]。如果你读过其中任何一本书，学过入门课程，或者在工作中至少使用过这两种语言中的一种，你就能很好地学习这本书。同样地，我通常不会在书中介绍和讨论用于创建大量图形的代码，不过本书GitHub 中提供了相关代码。 谁不适合看这本书 如果你在学术界或一个需要遵循学术规范的领域（例如，药物试验），这本书可能仍会让你感兴趣，但我介绍的技巧可能会让你与你的顾问/ 编辑/ 经理有麻烦。 这本书并不是对传统行为数据分析方法（如T 检验或方差分析）的概述。在为业务问题提供答案时，回归通常都比这些方法有效，我还没有遇到过相反的情况，这就是为什么我故意将本书限制在线性和逻辑回归的原因。如果你想学习其他方法，就要另寻途径了[ 例如，Aurelien Geron 介绍机器学习算法的《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow》（O’Reilly）]。 理解和改变应用环境中的行为需要数据分析和定性技能。出于篇幅的考虑，本书主要将重点放在数据分析上。此外，关于后者已经有很多的优秀书籍，如Richard Thaler 和Cass Sunstein 的《Nudge: Improving Decisions About Health,Wealth, and Happiness》（Penguin）以及Stephen Wendel 的《Designing for Behavior Change: Applying Psychology and Behavioral Economics》（O’Reilly）。 尽管如此，我会提供行为科学概念的简要介绍，以便你能应用本书中的工具，即使你只是刚刚涉足这个领域。 最后，如果你对R 或Python 的数据分析完全不熟悉，这本书不适合你。建议从一些优秀的入门书开始学习，比如本节中提到的那些书籍。 R 和Python 代码 为什么是R 和Python 呢？为什么不是两者中孰优孰劣呢？网上关于“R 与Python”的争论仍然很激烈。而在我看来，很大程度上这是无关紧要的。现实是，你必须使用组织中使用的那种语言，不论它是什么。我曾经在一家医疗保健公司工作，由于历史和监管的原因，主要语言是SAS。我经常使用R 和Python完成自己的分析，但由于无法避免处理遗留的SAS 代码，所以在那里工作的第一个月里，我尽可能地自学了SAS。除非你的整个职业生涯都在一家不使用R或Python 的公司度过，否则很可能要掌握这两种语言的一些基础知识，所以最好二者都了解。我还没有听到有人说过“学习阅读（另一种语言的）代码是在浪费我的时间。” 假设你有幸在一个使用这两种语言的组织中工作，那么应该使用哪种语言呢？我认为这实际上取决于你的背景和你要完成的任务。例如，我个人更喜欢用R进行探索性数据分析（EDA），但我发现Python 更易于完成网络抓取。我建议根据你工作的具体情况和最新信息进行选择：这两种语言都在不断改进，适用于以前版本的R 或Python 的情况可能并不适用于当前版本。例如，与之前相比，Python 正在成为更为友好的EDA 环境。你最好把精力花在学习这两个语言上，而不是在论坛上挑选两者中最好的。 代码环境 在每一章的开头，我都会列出那一章需要加载的R 和Python 包。此外，我还将在整本书中使用一些标准包；为了避免重复，这些包只在这里列出（它们已经包含在GitHub 上的所有脚本中）。代码最前面总是要包含这些包以及一些参数设置： ## R library(tidyverse) library(boot) #Required for Bootstrap simulations library(rstudioapi) #To load data from local folder library(ggpubr) #To generate multi-plots # Setting the random seed will ensure reproducibility of random numbers set.seed(1234) # I personally find the default scientific number notation (i.e. with # exponents) less readable in results, so I cancel it options(scipen=10) ## Python import pandas as pd import numpy as np import statsmodels.formula.api as smf from statsmodels.formula.api import ols import matplotlib.pyplot as plt # For graphics import seaborn as sns # For graphics 代码约定 我在RStudio 中使用R。我写这本书的时候发布了R 4.0，采用这个版本是为了让这本书尽可能跟上时代。 R 代码使用代码字体，并带有注释指示所使用的语言，如下所示： ## R > x <- 3 > x [1] 3 我在Anaconda 的Spyder 中使用Python。关于“Python 2.0 与3.0”的讨论有望结束（至少对于新代码是这样；遗留代码可能是另一回事），我将使用Python 3.7。Python 代码的约定与R 代码约定有些类似： ## Python In [1]: x = 3 In [2]: x Out[2]: 3 我们会经常看到回归的输出。它可能相当冗长，很多信息与本书要讨论的内容无关。现实中不应该忽视这些信息，但这个问题最好在其他书中讨论。因此，我会把输出简写如下： ## R > model1 <- lm(icecream_sales ~ temps, data=stand_dat) > summary(model1) ... Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -4519.055 454.566 -9.941 <2e-16 *** temps 1145.320 7.826 146.348 <2e-16 *** ... ## Python model1 = ols("icecream_sales ~ temps", data=stand_data_df) print(model1.fit().summary()) ... coef std err t P>|t| [0.025 0.975] ------------------------------------------------------------------------------ Intercept -4519.0554 454.566 -9.941 0.000 -5410.439 -3627.672 temps 1145.3197 7.826 146.348 0.000 1129.973 1160.666 ... 函数式编程入门 作为程序员，从初级进阶到中级的步骤之一就是停止编写那种简单脚本（其中的代码只是一长串指令），而应当将代码组织为函数。在本书中，我们将编写并在多个章节中重用函数，例如以下建立Bootstrap 置信区间的函数： ## R boot_CI_fun <- function(dat, metric_fun, B=20, conf.level=0.9){ boot_vec <- sapply(1:B, function(x){ cat("bootstrap iteration ", x, "\n") metric_fun(slice_sample(dat, n = nrow(dat), replace = TRUE))}) boot_vec <- sort(boot_vec, decreasing = FALSE) offset = round(B * (1 - conf.level) / 2) CI <- c(boot_vec[offset], boot_vec[B+1-offset]) return(CI) } ## Python def boot_CI_fun(dat_df, metric_fun, B = 20, conf_level = 9/10): coeff_boot = [] # Calculate coeff of interest for each simulation for b in range(B): print("beginning iteration number " + str(b) + "\n") boot_df = dat_df.groupby("rep_ID").sample(n=1200, replace=True) coeff = metric_fun(boot_df) coeff_boot.append(coeff) # Extract confidence interval coeff_boot.sort() offset = round(B * (1 - conf_level) / 2) CI = [coeff_boot[offset], coeff_boot[-(offset+1)]] return CI 函数还有一个额外的优点，可以减少不理解带来的限制：即使你不理解前面的函数是如何工作的，仍然可以认为它会返回置信区间并正常使用，可以以后再深入地研究它们的代码。 使用代码示例 这本书的补充材料（代码示例等）可以从https://oreil.ly/BehavioralDataAnalysis下载。 关于使用代码示例如果有任何技术问题或疑问，请联系bookquestions@oreilly.com。 这本书的目的就是要帮助你完成工作。一般来讲，你可以在你的程序和文档中使用这些代码，不需要联系我们来得到许可，除非你直接复制了大部分的代码。例如，如果你在编写一个程序，使用了本书中的多段代码，这并不需要得到许可。但是出售或发行O’Reilly 书示例代码光盘则需要得到许可。回答问题时如果引用了这本书的文字和示例代码，则不需要得到许可。但是如果你的产品的文档借用了本书中的大量示例代码，则需要得到许可。 我们希望但不严格要求标明引用出处。引用信息通常包括书名、作者、出版商和ISBN。例如“Behavioral Data Analysis with R and Python, by Florent Buisson (O’Reilly). Copyright 2021 Florent Buisson, 978-1-492-06137-3 ”。 如果你认为你在使用代码示例时超出了合理使用范围或者上述许可范围，可以随时联系我们：permissions@oreilly.com。 本书内容导航 本书围绕着一个核心想法展开，即有效的数据分析依赖于以下三方面持续不断地来回交互： • 现实世界的真实行为和相关的心理活动，如意图、想法和情感。 • 因果分析，尤其是因果图。 • 数据。 本书分为5 部分： 第一部分，理解行为 这一部分为全书奠定基础，会介绍因果行为框架以及行为、因果推理和数据之间的联系。 第二部分，因果图和去混杂 这部分介绍混杂的概念，并解释因果图如何帮助我们对数据分析去混杂。 第三部分，鲁棒数据分析 在这里我们会探讨处理缺失数据的工具，并引入Bootstrap 模拟，因为这本书后面会相当依赖于Bootstrap 置信区间。短小、不完整或不规则的数据（例如，有多个峰值或异常值）不是一个新问题，不过在行为数据中这一点尤其突出。 第四部分，设计和分析实验 这一部分中，我们将讨论如何设计和分析实验。 第五部分，行为数据分析高级工具 最后，我们会把所有内容汇总在一起，探讨调节、中介和工具变量。 这本书的各个部分在某种程度上会以前一部分为基础，所以建议按顺序阅读（至少第一遍请按顺序阅读）。 排版约定 本书采用以下排版约定。 斜体（Italic） 表示新术语、URL、电子邮件地址、文件名和文件扩展名。 等宽字体（Constant width） 表示程序清单，在段落内表示程序元素，例如变量、函数名称、数据库、数据类型、环境变量、语句和关键字。 粗体等宽字体（Constant width bold） 表示应由用户原封不动输入的命令或其他文本。 斜体等宽字体（Constant width italic） 表示应该替换成用户提供值的文本，或者由上下文决定的值。 O’Reilly 在线学习平台（O’Reilly Online Learning） 近40 年来，O’Reilly Media 致力于提供技术和商业培训、知识和卓越见解，来帮助众多公司取得成功。 公司独有的专家和改革创新者网络通过O’Reilly 书籍、文章以及在线学习平台，分享他们的专业知识和实践经验。O’Reilly 在线学习平台按照您的需要提供实时培训课程、深入学习渠道、交互式编程环境以及来自O’Reilly 和其他200 多家出版商的大量书籍与视频资料。更多信息，请访问网站：https://www.oreilly.com/。 联系我们 任何有关本书的意见或疑问，请按照以下地址联系出版社。 美国： O’Reilly Media, Inc. 1005 Gravenstein Highway North Sebastopol, CA 95472 中国： 北京市西城区西直门南大街2 号成铭大厦C 座807 室（100035） 奥莱利技术咨询（北京）有限公司 针对这本书，我们还建有一个网页，列出了有关勘误、示例和其他信息。可以通过以下地址访问这个页面：https://oreil.ly/Behavioral_Data_Analysis_with_R_and_Python。 如果对这本书有什么意见， 或者询问技术上的问题， 请发送电子邮件至bookquestions@oreilly.com。 对本书中文版有任何建议可以发电子邮件到errata@oreilly.com.cn。 有关我们的图书和课程，更多新闻和信息请访问我们的网站：https://www.oreilly.com。 我们的Facebook：http://facebook.com/oreilly。 我们的Twitter：http://twitter.com/oreillymedia。 我们的YouTube：http://youtube.com/oreillymedia。 致谢 作者通常会感谢爱人的耐心，并感谢审稿人的真知灼见。对我来说这是同一个人，很幸运，我的爱人也是我的审稿人。我认为没有人敢于或设法让我这么多次返工，不过这本书的内容质量也因此显著提升，越来越好。所以首先要感谢我的生活伴侣和工作伙伴。 我的多位同事和行为科学家非常慷慨地花时间阅读了本书早期的草稿，并做出评论。这本书因此变得更出色。谢谢你们（按字母逆序）：Jean Utke，Jessica Jakubowski，Chinmaya Gupta 和Phaedra Daipha! 特别感谢Bethany Winkel 在写作方面的帮助。 我现在对最初的草稿如此粗糙和混乱非常汗颜。我的开发编辑和技术审校一直耐心地鼓励我完成这本书，分享他们丰富的专业知识和经验。谢谢Gary O’Brien，谢谢Xuan Yin，Shannon White，Jason Stanley，Matt LeMay 和Andreas Kaltenbrunner。

目录

目录
前言 1
第一部分 理解行为
第1 章 数据分析因果– 行为框架 15
11 为什么需要因果分析解释人类行为16
111 不同分析类型 16
112 人是复杂的 17
12 混淆！用回归解决问题的潜在危险20
121 数据 21
122 为什么相关关系不是因果关系：混杂因素的作用 22
123 太多变量可能坏事 24
13 小结 30
第2 章 理解行为数据 31
21 人类行为基本模型 32
211 个人特征 33
212 认知和情感 35
213 意图 37
214 行动 38
215 业务行为 39
22 如何连接行为和数据 40
221 建立一种行为完整性思维模式 41
222 不信任与验证 42
223 识别类别 43
224 细化行为变量 45
225 了解上下文 46
23 小结 49
第二部分 因果图和去混杂
第3 章 因果图介绍 53
31 因果图和因果– 行为框架 54
311 因果图表示行为 55
312 因果图表示数据 56
32 因果图的基本结构 61
321 链式结构 61
322 分叉结构 65
323 对撞结构 68
33 因果图的常见转换 69
331 划分/ 拆解变量 69
332 聚合变量 71
333 关于环 73
334 路径 77
34 小结 79
第4 章 从头构建因果图 81
41 业务问题和数据准备 82
411 数据和包 83
412 理解感兴趣的关系 83
42 识别要包含的候选变量 85
421 行动 87
422 意图 88
423 认知和情感 90
424 个人特征 91
425 业务行为 93
426 时间趋势 94
43 根据数据确认要包含的可观察变量95
431 数值变量间的关系 97
432 分类变量间的关系 100
433 数值与分类变量间的关系 103
44 交互扩展因果图 105
441 明确未观察变量的代理 106
442 明确进一步原因 107
443 迭代 107
45 简化因果图 107
46 小结 109
第5 章 数据分析中使用因果图去混杂 111
51 业务问题：冰淇淋和瓶装水销售 112
52 析取原因规则 114
521 定义 114
522 第一个模块 115
523 第二个模块 117
53 后门规则 118
531 定义 118
532 第一个模块 121
533 第二个模块 122
54 小结 124
第三部分 鲁棒数据分析
第6 章 处理缺失数据 127
61 数据和包129
62 缺失数据可视化 130
621 缺失数据量 133
622 缺失的相关性 135
63 诊断缺失数据 141
631 缺失的原因：Rubin 分类 144
632 诊断MCAR 变量 147
633 诊断MAR 变量 148
634 诊断MNAR 变量 151
635 缺失性范围 153
64 处理缺失数据 157
641 多重插补（MI）简介 158
642 默认插补方法：预测均值匹配 161
643 从PMM 到正态插补（仅R）163
644 增加辅助变量 165
645 增加插补数据集数量167
65 小结 168
第7 章 使用Bootstrap 测量不确定性 171
71 Bootstrap 简介：自“引导” 172
711 包 172
712 业务问题：有一个异常值的小数据 172
713 样本均值的Bootstrap 置信区间 174
714 Bootstrap 置信区间用于自定义统计分析 180
72 Bootstrap 用于回归分析 182
73 何时使用Bootstrap 185
731 传统中心估计的充分条件 186
732 传统CI 的充分条件 187
733 确定Bootstrap 样本数 190
74 R 和Python 中优化Bootstrap 191
741 R：boot 包 192
742 Python 优化 194
75 小结 196
第四部分 设计和分析实验
第8 章 实验设计：基础 199
81 计划实验：改变理论 200
811 业务目标和目标指标201
812 干预 203
813 行为逻辑 205
82 数据和包208
83 确定随机分配和样本量/ 功效 208
831 随机分配 209
832 样本量和功效分析 212
84 分析和解释实验结果 227
85 小结 230
第9 章 分层随机化 233
91 计划实验235
911 业务目标和目标指标235
912 干预定义 237
913 行为逻辑 238
914 数据和包 238
92 确定随机分配和样本量/ 功效 239
921 随机分配 240
922 使用Bootstrap 模拟的功效分析 249
93 分析和解释实验结果 256
931 鼓励干预的意向性估计 257
932 强制干预的CACE 259
94 小结 265
第10 章 聚类随机与层次建模 267
101 计划实验 268
1011 业务目标和目标指标 268
1012 干预定义 268
1013 行为逻辑 270
102 数据和包 270
103 分层建模介绍 271
1031 R 代码 272
1032 Python 代码 275
104 确定随机分配和样本量/ 功效 277
1041 随机分配 278
1042 功效分析 280
105 分析实验 288
106 小结 289
第五部分 行为数据分析高级工具
第11 章 调节 293
111 数据和包 294
112 调节的各种行为 294
1121 细分 295
1122 相互作用 302
1123 非线性 303
113 如何应用调节 306
1131 何时需要调节 307
1132 多调节量 318
1133 用Bootstrap 验证调节 324
1134 解释单个系数 327
114 小结 333
第12 章 中介和工具变量 335
121 中介 336
1211 理解因果机制 336
1212 因果偏差 338
1213 识别中介 339
1214 度量中介 341
122 工具变量 346
1221 数据 347
1222 包 347
1223 理解和分析IV 347
1224 度量 350
1225 应用IV：常见问题 354
123 小结 355
参考文献 357