Uniwersytet Warszawski, Wydział Nauk Ekonomicznych - Centralny System Uwierzytelniania
Strona główna

Wstęp do Causal Inference

Informacje ogólne

Kod przedmiotu: 2400-ZEWW869
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Wstęp do Causal Inference
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Przedmioty kierunkowe do wyboru - studia II stopnia IE - grupa 1 (6*30h)
Przedmioty wyboru kierunkowego dla studiów licencjackich IE
Przedmioty wyboru kierunkowego dla studiów licencjackich MSEM
Punkty ECTS i inne: (brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: polski
Rodzaj przedmiotu:

nieobowiązkowe

Skrócony opis:

Kurs stworzony z myślą o wprowadzeniu studentów studiów licencjackich, do problematyki Causal Inference: podstaw do wyboru schematu badawczego i doboru zmiennych do modelu w pracy naukowej. Literatura pokazuje, że bez użycia narzędzi Causal Inference, modelowanie ekonometryczne nie pozwala na wnioskowanie przyczynowe, a w konsekwencji powstały model albo nie ma wartości naukowej, albo prowadzi do katastrofalnych w skutkach błędów interpretacyjnych. Kurs, w ograniczonym stopniu i uproszczonej formie, ma na celu umożliwienie świadomego podejścia do tworzenia ilościowych prac naukowych (na danym etapie licencjackich).

Pełny opis:

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.

Literatura:

Hernán, M.A. and Robins, J.M., 2010. Causal inference.

Pearl, J., Glymour, M. and Jewell, N.P., 2016. Causal inference in statistics: A primer. John Wiley & Sons

Cunningham, S., 2021. Causal Inference. Yale University Press.

Pearl, J. and Mackenzie, D., 2018. The book of why: the new science of cause and effect. Basic books.

Efekty uczenia się:

WIEDZA

• Zna podstawowe zagadnienia Causal Inference.

• Zna ograniczenia klasycznej ekonometrii.

UMIEJĘTNOŚCI

• Potrafi zastosować narzędzia Causal Inference do krytycznej analizy pracy badawczej.

• Potrafi samodzielnie opracować prosty schemat badawczy w oparciu o narzędzia Causal Inference.

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.

Metody i kryteria oceniania:

Zaliczenie odbywać się będzie na jednej podstawie - prezentacji artykułu naukowego (potencjalnie związanego z tematyką pracy licencjackiej) i jego krytycznej analiza w kontekście tematyki poznanej na przedmiocie.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.
ul. Długa 44/50
00-241 Warszawa
tel: +48 22 55 49 126 https://www.wne.uw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.3.0 (2024-03-22)