Wstęp do Causal Inference 2400-ZEWW869

Wnioskowanie o przyczynowości (Causal Inference) jest często najbardziej pożądanym efektem pracy naukowej. Jest często wprost wymagane, jeśli chce się opublikować artykuł w dobrym czasopiśmie. Wnioski przyczynowe często potrzebne są w decyzjach politycznych i korporacyjnych. Dodatkowo człowiek z natury myśli przyczynowo i często nieświadomie, widząc dane i wykresy, szuka przyczynowych zależności, które niekoniecznie z tych danych możliwe są do wyprowadzenia.

Statystyka (w tym jej szczególna odmiana - ekonometria) nie pozwalają na wnioskowanie o przyczynowości same w sobie. Konieczne są dodatkowe założenia, które dopiero przy ich spełnieniu pozwalają na przyczynowe odpowiedzi. Założenia te mogą być spełnione w specjalnie dobranych schematach badawczych, lub przy specjalnym doborze zmiennych do modelu regresyjnego. Mechanizmów stanowiących podstawę wyboru schematu badawczego i doboru zmiennych uczy się w ramach podstaw Causal Inference.

Kurs ten ma na celu wypełnienie luki pomiędzy ukończeniem kursóu statystyki (ekonometrii), a świadomym prowadzeniem badań naukowych. Poznane narzędzia zarówno mogą uchronić przed poważnymi błędami w pracach studenckich, jak i stanowić podstawę pracy naukowej na międzynarodowym poziomie.

Tematyka Causal Inference, mimo że może prowadzić do estymacji bardzo skomplikowanych modeli oraz ma silnie rozbudowane matematyczne podstawy, w uproszczonej formie tego kursu w sobie opiera się na prostych założeniach i opisowych zależnościach. Kurs nie wymaga obsługi komputera ani znajomości matematyki, statystyki i ekonometrii poza fundamentalnymi podstawami. Z drugiej jednak strony, tematyka Causal Inference jest przydatna głównie dla osób zainteresowanych nauką i chcących rozwijać się w tym kierunku.

Schemat zajęć jest następujący:

W pierwszej części w ramach konwersatorium, zostaną przedstawione w uproszczonej formie zagadnienia z Causal Inference (problemy przy budowie modeli):

* Confounder.
* Mediator.
* Collider.
* M-Bias.
* Butterfly Bias.
* Attenuation Bias.
* Reversed Causality.
* Selection Bias.

W kolejnej części, również w uproszczonej formie, przedstawione najpopularniejsze metody rozwiązywania wcześniej wymienionych problemów:

* Randomised Controlled Trial.
* Instrumental Variable.
* Regression Discontinuity Design.
* Difference-in-Differences.
* Regression

Pod koniec semestru odbywają się prezentacje studentów.