Причины и следствия в анализе данных
Экономический факультет

О чём курс?

Мы изучаем гетерогенный мир. Кому-то финансовая помощь помогает при обучении, а кому-то нет. Переезд семьи в благополучный район по программе расселения аварийного жилья может по-разному повлиять на будущее детей разного возраста и пола, на их будущую занятость и неучастие в преступности. Это важно при анализе эффекта от переезда/финансирования на занятость/результаты обучения. В рамках курса мы будем говорить о гетерогенных оценках и методах, которые помогают измерить размер такого воздействия в полевом или естественном эксперименте. Также мы будем говорить о методах, которые позволяют получить подобие эксперимента там, где эксперимента нет.

Кому он может пригодиться?

Этот курс может быть полезен тем, кто собирается заниматься «policy advice» - помогать органам власти оценить эффекты от реформ в регионах, или тем, кто видит себя продуктовым аналитиком, который проводит AБ-тесты для воронки продаж. Если вы интересуетесь академическими исследованиями, нужно понимать и применять методы из современных эмпирических статей. The Economist проанализировал аннотации препринтов на NBER и продемонстрировали, что доля экономических исследований с методами оценки причинно-следственных связей растёт: https://www.economist.com/finance-and-economics/2016/11/24/economists-are-prone-to-fads-and-the-latest-is-machine-learning В экономике развития сейчас доминирует экспериментальный подход, за его применение в борьбе с проблемами бедности в 2019 году дали Нобелевскую премию по экономике.

Чего ожидать?

МФК читался весной 2020 года. Презентации, коды в R и прочие материалы доступны по ссылке: https://github.com/go95/mfk_causal_inference

По каждой теме и методу- примеры из академических исследований или задачи для бизнеса. По желанию слушателей можем часть времени посвятить практике с кодами в R.