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)
|
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. |
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.