The Hard Way to Self-learn Quantitative Method
除了技术之外，学习量化研究方法，更多的是理解数据分析背后的理论，这包括数理统计理论知识和因果推断相关的知识。而更为基础的数学知识还包括线性回归和微积分。如果想全面、深入理解量化研究方法，则需要具备这些知识。这些知识的学习则需要投入大量的时间，在这个过程中，好的教材和课程对提高学习效率则非常关键，以下书籍或课程是我在学习过程中发现的写的比较深入浅出，易于理解的。供打算深入学习量化研究方法的同学参考。
数理统计知识
基础
- Probability：Introduction to Probability
- Statistics：Introduction to Modern Statistics
- Linear algebra：Introduction to Linear Algebra, 2016
高阶
在掌握以上入门知识的基础上，可以学习更高阶的统计学知识。
因果推断理论
因果推断的理论与技术，在不同学科的努力下，在近20、30年得到了充分发展，虽然有术语和哲学基础上会有一些分歧，但是基本的原则上的共识已然形成，学习因果推断技术，除了专门的文章之外，比如工具变量技术，有大量的理论和实证文章，也形成一些很好的教材。以下作一简要介绍，材料以计量经济、流行病学和计算机科学三个学科视角进行划分。
Econometric视角下的因果推断
Angrist 和Pischke的两本经典著作。Imbens和Rubin的理论性著作。最新Cunningham和Huntington-Klein是最新的集成之作，提供了相应的代码。
- Angrist, Joshua D., and Jörn-Steffen Pischke. Mastering Metrics: The Path from Cause to Effect, 2015.
- Joshua D. Angrist and Jörn-Steffen Pischke, Mostly Harmless Econometrics
- Imbens, Guido W., and Donald B. Rubin. Causal Inference for Statistics, Social, and Bio-medical Sciences: An Introduction. New York: Cambridge University Press, 2015.
- Cunningham, Scott. Causal Inference: The Mixtape
- The Effect: An Introduction to Research Design and Causality
Epistemology视角下的因果推断
Computer Science视角下的因果推断
- Pearl, Judea. The Book of Why: The New Science of Cause and Effect. Basic Books. New York, 2018.
- Pearl, Judea. Causality: Models, Reasoning, and Inference, Second Edition. Second Edition, 2009.
- Pearl, Judea, Madelyn Glymour, and Nicholas P. Jewell. Causal Inference in Statistics: A Primer. Wiley, 2016.