لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش استنتاج علی با داده های نظرسنجی
Causal Inference with Survey Data
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
آیا y واقعا برابر با 0.5x است؟ آیا تحصیل واقعا برای شما خوب است؟ آیا سیاست مالیاتی واقعاً رفتار مخارج را تغییر می دهد؟ برای پاسخ به چنین سؤالاتی، اغلب نیاز به استنباط علیت از داده های نظرسنجی دارید. برای انجام این کار، باید ابزارهای تجربی موجود در اختیار تحلیلگران داده را بشناسید.
در این دوره، استاد اقتصاد فرانتس بوشا مبانی استنتاج علی را توضیح می دهد. استراتژی هایی برای غلبه بر مشکلات رایج در تجزیه و تحلیل داده های نظرسنجی. و مفاهیم پیرامون برآوردگرهای تجربی، شبه تجربی و غیر تجربی. فرانتس به روششناسی برای استنتاج علی از دادههای پیمایش میپردازد. او این کار را در سه فصل با تمرکز بر روی انجام میدهد: کارآزماییهای تجربی و تصادفیسازیشده، دادههای پیمایش مقطعی و نحوه ترسیم روابط علی، و بررسیهای طولی و روشهای استنتاج علی. بهعلاوه، فرانتس مروری کوتاه بر روشهای ارزیابی استحکام یافتههای تجربی و تکنیکهای برقراری ارتباط مؤثر آنها ارائه میکند.
سرفصل ها و درس ها
معرفی
Introduction
آنچه شما باید بدانید
What you should know
آنچه می توانید یاد بگیرید
What you can learn
علیت باز شد: آغازگر برای تحلیلگران داده
Causality unlocked: A primer for data analysts
1. علت و معلول
1. Cause and Effect
استاندارد طلا: داده های تجربی
The gold standard: Experimental data
اثرات درمانی چیست؟
What are treatment effects?
چه چیزی در مورد داده های نظرسنجی متفاوت است؟
What is different about survey data?
علل قابل مشاهده در مقابل علل غیرقابل مشاهده
Observables vs. unobservables causes
یک مثال کاربردی: بحث لالوند
An applied example: The LaLonde debate
چرا استنتاج علی مهم است
Why causal inference matters
2. طرح های بررسی تجربی
2. Experimental Survey Designs
تجزیه و تحلیل یک کارآزمایی تصادفی کنترل شده
Analyzing a randomized controlled trial
راه اندازی یک کارآزمایی تصادفی کنترل شده
Setting up a randomized controlled trial
3. طرح های بررسی مقطعی
3. Cross-Sectional Survey Designs
مدل های متغیر ابزاری
Instrumental variable models
تجزیه و تحلیل رگرسیون
Regression analysis
تطبیق امتیاز تمایل
Propensity score matching
نظرسنجی با داده های مقطعی
Surveys with cross-sectional data
طرح های ناپیوستگی رگرسیون
Regression discontinuity designs
4. طرح های بررسی طولی
4. Longitudinal Survey Designs
مدل های رگرسیون با اثرات زمان
Regression models with time effects
روش های کنترل مصنوعی
Synthetic control methods
نظرسنجی با داده های طولی
Surveys with longitudinal data
مدل های رگرسیون اثرات ثابت
Fixed effects regression models
تخمین تفاوت در تفاوت
Difference-in-difference estimation
5. مدل های دیگر
5. Other Models
چگونه استحکام علی را ارزیابی کنیم
How to evaluate causal robustness
نحوه ارائه آمار علی
How to present causal statistics
نتیجه
Conclusion
مراحل بعدی و منابع اضافی
Next steps and additional resources
فرانتس بوشا در دانشگاه لنکستر اقتصاد خوانده است. او از سال 2006 در دانشگاه وست مینستر، جایی که اکنون استاد اقتصاد است، کار کرده است. فرانتس به همه چیز علم داده علاقه دارد و اقتصاد، آمار و ارزیابی سیاست را در تمام سطوح دانشگاهی تدریس کرده است. فرانتس مقالات تحقیقاتی بسیاری را در مجلات برجسته منتشر کرده است و علایق تحقیقاتی شخصی او در بازگشت به تحصیل و تحرک اجتماعی است. آثار فرانتس توسط رسانههای مختلفی مانند بیبیسی نیوز، اکونومیست، تایمز و هافینگتون پست و سالها فرانتس پوشش داده شده است. میزبان یک برنامه رادیویی ماهانه به نام خط مشی مهم بود.
نمایش نظرات