Metody estymacji efektów przyczynowych 1600-SZD-WM-MEEP
Zajęcia mają na celu zapoznać uczestników z założeniami i sposobem wykorzystania podstawowych metod statystycznych wykorzystywanych do estymacji wielkości efektów w schematach analiz dążących do opisania związków przyczynowych. Obejmować będą następujące tematy:
Regresja liniowa – założenia i ich diagnostyka, problemy związane z doborem zmiennych kontrolnych w kontekście dążenia do „unconfoundedness”, wykorzystanie interakcji do modelowania heterogeniczności indywidualnych efektów przyczynowych. Parametryczna wersja regression discontinuity design (RDD).
Regresja logistyczna i probitowa – założenia i ich diagnostyka. Efekty krańcowe – różne rodzaje (AME, MER, MEM) i zastosowania do estymacji wielkości efektów przyczynowych.
Wykorzystanie danych panelowych i hierarchicznych – kontrola czynników z różnych poziomów, w tym sposoby kontroli czynników nieobserwowalnych bezpośrednio. Korelacje błędów i ich znaczenie. Modele regresji mieszanych efektów z efektem losowym dla stałej regresji. Warianty metody difference-in-differences (DiD) wykorzystujące dane panelowe.
Metody oparte na estymacji prawdopodobieństwa objęcia interwencją: propensity score matching (PSM) i inverse probability of treatment weighing (IPTW) – warianty, możliwości łączenia z analizą regresji.
Modelowanie błędu w predyktorze: zmienne instrumentalne (IV) metodą two-stage least squares (2SLS) i (bardzo powierzchowne) wprowadzenie do modeli równań strukturalnych (SEM).
Zajęcia będą składać się z części teoretycznej, w której omówione zostaną założenia i własności prezentowanych metod oraz praktycznej, w której uczestnicy zapoznają się ze sposobami ich wykorzystania przy pomocy wybranych pakietów środowiska R.
Rodzaj przedmiotu
Koordynatorzy przedmiotu
Efekty kształcenia
WK3, UW1
Wiedza:
Zna i rozumie:
- podstawowe zasady transferu wiedzy do sfery gospodarczej i społecznej oraz komercjalizacji wyników działalności naukowej i know-how związanego z tymi wynikami.
Umiejętności:
Potrafi:
- wykorzystywać wiedzę z różnych dziedzin nauki lub dziedziny sztuki do twórczego identyfikowania, formułowania i innowacyjnego rozwiązywania złożonych problemów lub wykonywania zadań o charakterze badawczym, a w szczególności:
- definiować cel i przedmiot badań naukowych, formułować hipotezę badawczą
- rozwijać metody, techniki i narzędzia badawcze oraz twórczo je stosować
- wnioskować na podstawie wyników badań naukowych.
Kryteria oceniania
Opis wymagań związanych z uczestnictwem w zajęciach, w tym dopuszczalnej liczby nieobecności podlegających usprawiedliwieniu:
Uczestnicy zajęć powinni posiadać podstawowe umiejętności prowadzenia analiz z wykorzystaniem regresji liniowej i jednowymiarowej analizy wariancji oraz podstawowe umiejętności pracy w środowisku statystycznym R (operacje na wektorach i „ramkach danych”).
Studenci mogą mieć jedną nieusprawiedliwioną nieobecność.
Zasady zaliczania zajęć i przedmiotu (w tym zaliczania poprawkowego):
obecność, aktywna praca na zajęciach, wykonanie projektu zaliczeniowego ilustrującego zastosowanie wybranej przez uczestnika spośród omawianych na zajęciach metody do przeanalizowania samodzielnie wybranego problemu badawczego
Metody weryfikacji efektów uczenia się:
lista obecności, ocena pracy na zajęciach, ocena projektu zaliczeniowego
Kryteria oceniania:
ocena pracy na zajęciach 50%, ocena projektu zaliczeniowego 50%
Literatura
Aiken, L.S., West, S.G. (1991). Multiple Regression: Testing and Interpreting Interactions. Newbury Park, London, New Delhi: Sage Publications.
Angrist, J.D., Pischke, J.S. (2009). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press.
Biecek, P. (2011). Analiza danych z programem R: Modele liniowe z efektami stałymi, losowymi i mieszanymi. Warszawa: PWN.
Fox. J. (2003). Effect Displays in R for Generalised Linear Models. Journal of Statistical Software 8(15).
Fox, J., Weisberg, S. (2018). Visualizing Fit and Lack of Fit in Complex Regression Models with Predictor Effect Plots and Partial Residuals. Journal of Statistical Software 87(9). https://www.jstatsoft.org/v087/i09
Lumley, T. (2010). Complex Surveys: A Guide to Analysis Using R. Hoboken: Wiley.
Żółtak. T. (2018). Rozłączność przedziałów ufności jako kryterium weryfikacji hipotez statystycznych. Prezentacja z konferencji Metodologiczne inspiracje 2018. https://www.researchgate.net/publication/328162989_Rozlacznosc_przedzialow_ufnosci_jako_kryterium_weryfikacji_hipotez_statystycznych
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: