Причины и следствия в анализе данных
Экономический факультет

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 квази-экспериментальные методы в

2021 году дали Нобелевскую премию по экономике.

Чего ожидать?

МФК читался весной 2020 и 2021 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.