Propensity Score Matching 2400-ZEWW696
Celem zajęć jest uświadomienie studentom roli quasi-eksperymentów w naukach społecznych, oraz z formalnymi metodami wykorzytania tej grupy modeli w praktyce. Zostanie również przedstawiony aktualny stan wiedzy dotyczący rozkładów estymatorów efektów oddziaływania.
[1] Wprowadzenie i zarys kursu
[2] Kontrolowane i randomizowane eksperymenty.
Neyman J., O zastosowaniu teorii prawdopodobieństwa do eksperymentów rolniczych. Eseje o regułach. Część 9, „Roczniki Nauk Rolniczych” 1923, nr X, s. 1-51.
[3-4] Fundamenty analizy kontrfaktycznej i różnorodność efektów oddziaływania.
Rosenbaum P., Rubin D., The Central Role of the Propensity Score in Observational Studies for Causal Effects, „Biometrika” 1983, nr 70, s. 41-55.
[5-6] Metoda PSM a regresja w świetle artykułu LaLonde (1986).
[7] Metoda PSM a kontrolowane eksperymenty: Dehejia i Wahba (1999)
[8-9] Metoda PSM a kontrolowane eksperymenty: Smith i Todd (2005)
[10] Metoda PSM a kontrolowane eksperymenty Dehejia i Wahba (2005)
[11] Metoda PSM a kontrolowane eksperymenty Smith o Todd (2005a).
[12-13] Część warsztatowa.
[14] O rozkładach estymatorów metody PSM.
[15] Zaliczenie.
Rodzaj przedmiotu
Założenia (opisowo)
Koordynatorzy przedmiotu
Efekty kształcenia
Po ukończeniu kursu uczestnik:
WIEDZA
Zna metodę propensity score matching. Rozumie istotę kontrolowanych eksperymentów. Zna metody quasi-eksperymentalne. S2A_W06
Potrafi rozpoznać problem w którym posłużono się metodą quasi-eksperymentalną albo eksperymentalną S2A_W06.
UMIEJĘTNOŚCI
Potrafi wykorzystać metodologię quasi-eksperymentów do oceny zjawisk ekonomicznych i gospodarczych, oraz oceniać rezultaty modele opisywanych w literaturze przedmiotu w sposób krytyczny S2A_U04, S2A_U07
Potrafi wykonać prezentacji wyników i napisać raport z przeprowadzonego badania empirycznego S2A_U09, S2AU_10.
KOMPETENCJE SPOŁECZNE
Znajomość podstawowymi funkcji pakietu statystycznego pozwala na rozszerzenie wiedzy we własnym zakresie. S2A_K01
Na podstawie przedstawionych interpretacji uzyskanych wyników potrafi być krytyczny w stosunku do przedstawionych modeli i prawidłowo identyfikuje i rozstrzyga dylematy wykorzystaniem tych metod w prowadzeniu własnej firmy lub pracy zawodowej S2A_K04, S2A_K07.
Kryteria oceniania
Student jest obowiązany do obecności podczas zajęć. Zgodnie z zapisem paragrafu 33 Regulaminu studiów na Uniwersytecie Warszawskim studenci nieobecni podczas zajęć kierują do prowadzącego prośbę o usprawiedliwienie nieobecności bez zbędnej zwłoki. Nieobecności w liczbie przekraczającej 3 nie są usprawiedliwiane i powodują brak klasyfikacji studenta.
Ocena z zajeć zostanie wystawiona na podstawie sprawdzianu pisemnego z możliwością korzystania z notatek oraz aktywności studenta podczas zajęć. Kryteria oceniania zostaną dostosowane do etapu studiów, na którym znajduje się uczestnik zajęć.
Literatura
Abadie A., Imbens G., Large Sample Properties of Matching Estimators for Average Treatment Effects, „Econometrica” 2006, nr 74, s. 235-267.
Abadie A., Imbens G., Matching on the Estimated Propensity Score, mimeo, 2011b.
Angrist J., Pischke J., Mostly Harmless Econometrics, Princeton University Press, 2009.
Caliendo M., Kopeinig S., Some Practical Guidance for the Implementation of Propensity Score Matching, „Journal of Economic Surveys” 2008, nr 22, s. 31–72.
Crump R., Hotz J., Imbens G., Mitnik O., Dealing with Limited
Overlap in Estimation of Average Treatment Effects, „Biometrika” 2009, nr 96, s. 187-199.
Dehejia R., Wahba S., Causal Effects in Non-Experimental Studies: Re-Evaluating the Evaluation of Training Programs, „Journal of the American Statistical Association” 1999, nr 94, s. 1053-1062.
Dehejia R., Wahba S., Propensity Score Matching for Nonexperimental Causal Studies, „Review of Economics and Statistics” 2002, nr 81, s. 151-161.
Dehejia R., Practical Propensity Score Matching: A Reply to Smith and Todd, „Journal of Econometrics” 2005, nr 125, s. 355-364.
Fr¨olich M., Finite Sample Properties of Propensity-Score Matching and Weighting Estimators, „The Review of Economics and Statistics” 2004, nr 86, s.77-90.
Hirano K., Imbens G., Ridder G., Efficient Estimation of Average Treatment Effect Using the Estimated Propensity Score, „Econometrica” 2003, nr 71, s. 1161-1189.
Imbens G., Angrist J., Identification and Estimation of Local Average Treatment Effects, „Econometrica” 1994, nr 62, s. 467-475.
LaLonde R., Evaluating the Econometric Evaluations of Training Programs with Experimental Data, „The American Economic Review” 1986, nr 76, s. 604-620.
Lee M-J., Micro-Econometrics for Policy, Program and Treatment Effects, Oxford University Press, Oxford 2005.
Neyman J., O zastosowaniu teorii prawdopodobieństwa do eksperymentów rolniczych. Eseje o regułach. Część 9, „Roczniki Nauk Rolniczych” 1923, nr X, s. 1-51.
Rosenbaum P., Rubin D., The Central Role of the Propensity Score in Observational Studies for Causal Effects, „Biometrika” 1983, nr 70, s. 41-55.
Rubin D., Matching to Remove Bias in Observational Studies, „Biometrics” 1973a, nr 29, s. 159-183.
Rubin D., Matched Sampling for Causal Effects, Cambridge University Press, Nowy Jork 2006.
Rubin D., Thomas N., Matching Using Estimated Propensity Score: Relating Theory to Practice, „Biometrics” 1996, nr 52, s. 249-264.
Smith J., Todd P., Reconciling Conflicting Evidence on the Performance of Propensity-Score Matchig Methods, „The American Economic Review” 2001, nr 91, s. 112-118.
Smith J., Todd P., Does Matching Overcome LaLonde Critique of Non-Experimental Estimators?, „Journal of Econometrics” 2005a, nr 125, s. 305-355.
Smith J., Todd P., Rejoinder. Experimental and Non-Experimental Evaluation of Economic Policy and Models, „Journal of Econometrics” 2005b, nr 125, s. 365-375.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: