Zrozumieć modelowanie ekonometryczne 2400-ZEWW809
Po pierwsze metodologia:
Przy pomocy kilku linijek w R lub Python można przeprowadzić proste symulacje ekonometryczne. Do ich tworzenia umiejętność programowania wymagana jest w stopniu absolutnie minimalnym. Te proste symulacje pozwalają jednak uzyskać odpowiedź na pytanie, czy model jest poprawny, czy też nie. Użycie tych prostych symulacji pozwala odpowiedzieć na wiele pytań metodologicznych, na których poszukiwanie odpowiedzi byłoby trudne, bądź też niemożliwe, przy użyciu konwencjonalnych wyprowadzeń.
W ten sposób, znacznie prościej, można osiągnąć odpowiedzi na znacznie trudniejsze pytania. Odpowiedzi, które są zarówno jednoznaczne i prawdziwe, jak i często bywają zaskakujące w zestawieniu z dotychczas poznaną teorią i praktyką.
Po drugie tematyka:
Największym problemem modelowania ekonometrycznego nie jest nieliniowość, autokorelacja, heteroskedastyczność czy brak normalności reszt modelu. Fundamentalnym problemem ekonometrycznym jest dobór zmiennych do modelu, tak aby można było poprawnie interpretować otrzymany parametr. W ciągu ostatnich dwudziestu paru lat powstała o tym cała dziedzina zwana Causal Inference.
Na tym kursie, w miarę możliwości i chęci grupy, będziemy realizować podstawowe zagadnienia z Causal Inference. Zagadnienia te zebrane razem mogą dać wskazówki jakie zmienne w modelu umieścić i dlaczego – w konsekwencji pozwalając świadomie i poprawnie użyć słowa “wpływ”, a nie mówić o “wpływie” bespodstawnie wskazując jedynie bliżej nieokreślony związek korelacyjny miedzy zmiennymi. Jest to ogromna zmiana jakościowa w ekonometrycznej praktyce.
W ramach zajęć, w miarę możliwości i chęci grupy omawiane będą następujące zagadnienia:
Fundamentalne problemy Causal Inference:
• Confounder
• Mediator
• Collider
• M-Bias
• Butterfly Bias
Rozwinięcie problemów identyfikacyjnych:
• Attenuation Bias
• Suppressor
• Reversed Causality
• Sample Selection
Taktyki rozwiązywania poznanych problemów:
• Experiment
• Instrumental Variable
• Front Door Criterion
• Regression Discontinuity Design
• Linear Regression
• Dynamic modelling
Rodzaj przedmiotu
Efekty kształcenia
WIEDZA
• Zna podstawowe problemy modelowania ekonometrycznego
• Zna symulacyjne podejście do badania prawdziwości modeli ekonometrycznych
• Posiada wiedzę o oprogramowaniu niezbędnym do stworzenia modeli ekonometrycznych i eksperymentów obliczeniowych
UMIEJĘTNOŚCI
• Potrafi samodzielnie i krytycznie analizować wyniki modelowania ekonometrycznego
• Może wykorzystywać różne zestawy danych do prowadzenia własnych badań
KOMPETENCJE SPOŁECZNE
• Jest krytyczny w stosunku do prezentowych problemów ekonometrii i statystyki w badaniach społecznych oraz dąży do racjonalnego wyjaśnienia otaczających go zjawisk ekonomicznych i społecznych, uczy się myśleć, wypowiadać oraz pisać w sposób logiczny i spójny
Kryteria oceniania
Ocena wystawiana na postawie aktywności na zajęciach.
Literatura
Literatura podstawowa:
Hernan, M.A., & Robins, J.M. Causal Inference: What If (1st ed.). CRC Press, 2023.
Lewbel, Arthur. "The identification zoo: Meanings of identification in econometrics." Journal of Economic Literature 57, no. 4 (2019): 835-903.
Imbens, Guido. Potential outcome and directed acyclic graph approaches to causality: Relevance for empirical practice in economics. No. w26104. National Bureau of Economic Research, 2019.
Pearl, Judea, and Dana Mackenzie. The book of why: the new science of cause and effect. Basic Books, 2018.
Elwert, Felix, and Christopher Winship. "Endogenous selection bias: The problem of conditioning on a collider variable." Annual review of sociology 40 (2014): 31-53.
Oraz materiały uzupełniające do poszczególnych tematów.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: