На интересующие исследователей и политиков результаты — доходы, здоровье, сбережения, преступность и т.д. — влияет сразу множество факторов. Использование специальных статистических методов позволяет аккуратно отделять эффект конкретного воздействия от прочих и, следовательно, предлагать достоверные рекомендации для экономической политики.
В течение последних нескольких лет на экономическом факультете МГУ прошли четыре курса, посвящённых теме causal inference — оценке причинно-следственных связей. По завершении последнего курса мы на ИНИД размещаем единую подборку всех видеозаписей разных лет, с которой предлагаем ознакомиться ниже. Три курса ведёт Дмитрий Архангельский (профессор экономики в CEMFI, Мадрид), а последний и самый новый – преподаватели экономического факультета МГУ Георгий Калашнов и Ольга Сучкова.
«Причины и следствия в анализе данных»
(Георгий Калашнов, Ольга Сучкова, экономический факультет МГУ, 2020-2021)
Материалы доступны по ссылке.
Плейлист курса - ссылка.
Запись межфакультетского курса, который в онлайн-формате прочитали Ольга Сучкова и Георгий Калашнов. Курс разбит на ролики по 10-20 минут и нацелен на студентов неэкономических специальностей (хотя слушателям пригодятся базовые знания по статистике и теории вероятностей). Он подойдет тем, кто хочет узнать об основных методах выявления причинности: рандомизированные эксперименты, инструментальные переменные, разность разностей, разрывная регрессия, синтетический контроль.
«Прикладная эконометрика»
(Дмитрий Архангельский, экономический факультет МГУ, 2014)
Материалы доступны по этой ссылке.
Плейлист курса - ссылка.
Запись 5-дневного курса Дмитрия Архангельского по прикладной эконометрике. Почти 20 часов видео посвящены методам выявления причинности и примерам их использования: от базовой модели Рубина до применения методов машинного обучения в микроэконометрике. Цель курса — познакомить слушателей с современными методами и идеологией микроэконометрики, сфокусировавшись на приложениях (исследованиях в области экономики труда, здоровья, образования, политической экономики и т.д.). Качество записи, к сожалению, невысокое, но это тот случай, когда содержание важнее формы. Основная ценность лекций даже не в математике и формулах, а в подробном объяснении интуиции использования разных методов оценки и их содержательной интерпретации.
«Topics in Causal Inference»
(Дмитрий Архангельский, экономический факультет МГУ, 2018)
Материалы доступны по этой ссылке.
Плейлист курса - ссылка.
Продвинутый курс по causal inference Дмитрия Архангельского охватывает такие темы, как применение методов машинного обучения в анализе причинно-следственных связей, policy-learning, синтетический контроль, matrix completion, расширения разрывного дизайна и использование суррогатных оценок.
«В современной теоретической литературе используются идеи из causal inference, эконометрики, статистики, computer science и исследования операций. Эта комбинация породила новый набор методов, который может быть применён к известным эмпирическим проблемам. Цель курса — представить некоторые из этих методов в доступном виде. Основной акцент сделан на самих алгоритмах, а также почему (и зачем) нам следует их использовать взамен других, более стандартных методов», — Дмитрий Архангельский.
«Intro into Panel Data Methods»
(Дмитрий Архангельский, экономический факультет МГУ, 2020)
Материалы доступны по этой ссылке.
Плейлист курса - ссылка.
Четыре лекции Дмитрия Архангельского, составляющие спецкурс «Intro into Causal Panel Data Methods», посвящены методам выявления причинности на панельных данных: разница в различиях, синтетический контроль, факторные модели, matrix completion. Цель этого короткого курса — познакомить слушателей с причинно-следственным анализом с использованием панельных данных, сосредоточив внимание на старых и новых методах, таких как разница в различиях (DID), факторных моделях, синтетическом контроле (SC) и matrix completion.
