Uniwersytet DEMO - Centralny System Uwierzytelniania
Strona główna

Causality in social sciences/ Przyczynowość w naukach społecznych

Informacje ogólne

Kod przedmiotu: 1600-SZD-WM-CQR
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Causality in social sciences/ Przyczynowość w naukach społecznych
Jednostka: Szkoła Doktorska Nauk Społecznych
Grupy: Zajęcia metodologiczne i metodyczne - Szkoła Doktorska Nauk Społecznych
Punkty ECTS i inne: (brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: angielski
Rodzaj przedmiotu:

fakultatywne

Skrócony opis:

20h konwersatorium

stosowane metody dydaktyczne:

krótkie wykłady prowadzone w formie komunikatywnej, polegającej na zaangażowaniu słuchaczy w omawianą tematykę, praca w grupach, praca indywidualna podczas i poza zajęciami

Pełny opis:

Odkrywanie związków przyczynowych często uważana jest za jeden z podstawowych celów nauki, przynajmniej w zakresie, w jakim odwołuje się ona do badań ilościowych. Jednak nie wszystkie związki, jakie odnotowujemy można określić, jako mające charakter przyczynowy. Jakie kryteria można przyjąć, aby zidentyfikować relacje przyczynowe? Jak wpływa to na możliwości (i ograniczenia) interpretacji uzyskanych wyników? Jakie są różnice poglądów dotyczących tych kwestii pomiędzy różnymi dyscyplinami nauk społecznych?

Aby odpowiedzieć na te pytania w trakcie zajęć omówione zostaną najważniejsze teorie definiujące pojęcie związków przyczynowych, odnoszące się do ilościowych badań społecznych: model Neymana-Rubina (Rubina-Hollanda), podejście ekonometryczne reprezentowane przez Heckmana (Scientific Model of Causality) oraz teorię Strukturalnego Modelu Przyczynowego (Structural Causal Model) Pearla. Przeanalizowane zostaną podobieństwa (w szczególności w odniesieniu do koncepcji „potential outcomes”) i różnice pomiędzy tymi teoriami oraz implikacje płynące z nich dla możliwości traktowania różnych schematów badania i analizy ilościowej w badaniach społecznych, jako pozwalających identyfikować oddziaływania przyczynowe.

Efektem uczestnictwa w zajęciach będzie nabycie wiedzy dotyczącej współcześnie wykorzystywanych w naukach społecznych teorii ilościowych zależności przyczynowych oraz umiejętności stosowania ich z jednej strony do krytycznej oceny badań i analiz innych badaczy, z drugiej zaś do planowania i prowadzenia własnych badań społecznych. Zdobyte informacje będą stanowić solidną podbudowę do dalszego rozwoju wiedzy i umiejętności w zakresie ilościowych analiz przyczynowych, są bowiem niezbędne do rozumienia podstaw i założeń konkretnych metod statystycznych wykorzystywanych do określania wielkości „efektów przyczynowych”, w szczególności w badaniach prowadzonych w schematach quasi-eksperymentalnych.

Uczestnicy zajęć powinni posiadać umiejętność interpretacji wyników badań ilościowych, w których

wykorzystywane są porównania średnich, jednoczynnikowa analiza wariancji i regresja liniowa

(MNK). Bardzo wskazane jest też posiadanie osobistego doświadczenia w prowadzeniu analiz z

wykorzystaniem ww. metod (lub innych metod statystycznych).

Literatura:

Podstawowa:

Elwert, F., Winship, C. (2014). Endogenous Selection Bias: The Problem of Conditioning on a Collider Variable. Annual Review of Sociology 40, 31-53.

Heckman, J.J. (2008). Econometric Causality. International Statistical Review 76(1), 1-27.

Holland, P.W. (1986). Statistics and Causal Inference. Journal of the American Statistical Association 81(396), 945-960.

Todd, P.E., Wolpin, K.I. (2003). On the Specification and Estimation of the Production Function for Cognitive Achievement. The Economic Journal 113(485), F3-F33.

Pearl, J., Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Penguin

Books.

Uzupełniająca:

Angrist, J.D, Imbens, G.W., Rubin, D.B. (1996). Identification of Causal Effects Using Instrumental Variables. Journal of the American Statistical Association 91,(434), 444-455.

Hanushek, E.A. (1979). Conceptual and Empirical Issues in the Estimation of Educational Production Functions. The Journal of Human Resources 14(3), 351-388.

Heckman, J.J. (2005). The Scientific Model of Causality. Sociological Methodology 35(1), 1-97.

Imbens, G.W., Wooldrige, J.M. (2009). Recent developments in the econometrics of program evaluation. Journal of Economic Literature 47(1), 5-86.

Pearl, J. (2009). Causal inference in statistics: An overview. Statistics Surveys 3, 96-146.

Rubin. D.B. (1990). [On the Application of Probability Theory to Agricultural Experiments. Essay on Principles. Section 9.] Comment: Neyman (1923) and Causal Inference in Experiments and Observational Studies. Statistical Science 5(4), 472-480.

Rubin, D.B. (2005). Causal Inference Using Potential Outcomes: Design, Modeling, Decisions. Journal of the American Statistical Association 100(469), 322-331.

Rubin, D.B., Stuart, E.A., Zanutto, E.L. (2004). A Potential Outcomes View of Value-Added Assessment in Education. Journal of Educational and Behavioral Statistics 29(1), 103-116.

Efekty uczenia się:

Wiedza:

Zna i rozumie:

- podstawowe zasady transferu wiedzy do sfery gospodarczej i społecznej oraz komercjalizacji wyników działalności naukowej i know-how związanego z tymi wynikami.

Umiejętności:

Potrafi:

- wykorzystywać wiedzę z różnych dziedzin nauki lub dziedziny sztuki do twórczego identyfikowania, formułowania i innowacyjnego rozwiązywania złożonych problemów lub wykonywania zadań o charakterze badawczym, a w szczególności:

- definiować cel i przedmiot badań naukowych, formułować hipotezę badawczą

- rozwijać metody, techniki i narzędzia badawcze oraz twórczo je stosować

- wnioskować na podstawie wyników badań naukowych.

Metody i kryteria oceniania:

Uczestnicy mogą mieć 1 nieusprawiedliwioną nieobecność.

zasady zaliczania zajęć i przedmiotu (w tym zaliczania poprawkowego):

obecność, aktywna praca na zajęciach

metody weryfikacji efektów uczenia się:

lista obecności, aktywność uczestników konwersatorium, krótkie testy potwierdzające znajomość lektur

kryteria oceniania:

obecność na zajęciach, obecność 25%, ocena pracy na zajęciach 25%, wyniki testów potwierdzających znajomość lektur 50%

Zajęcia w cyklu "Semestr letni 2022/23" (zakończony)

Okres: 2023-02-20 - 2023-06-18
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Warsztaty, 20 godzin, 15 miejsc więcej informacji
Koordynatorzy: Maciej Wybranowski
Prowadzący grup: Maciej Wybranowski
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie
Rodzaj przedmiotu:

fakultatywne

Tryb prowadzenia:

w sali

Skrócony opis:

20h konwersatorium

stosowane metody dydaktyczne:

krótkie wykłady prowadzone w formie komunikatywnej, polegającej na zaangażowaniu słuchaczy w omawianą tematykę, praca w grupach, praca indywidualna podczas i poza zajęciami

Literatura:

Podstawowa:

Elwert, F., Winship, C. (2014). Endogenous Selection Bias: The Problem of Conditioning on a Collider Variable. Annual Review of Sociology 40, 31-53.

Heckman, J.J. (2008). Econometric Causality. International Statistical Review 76(1), 1-27.

Holland, P.W. (1986). Statistics and Causal Inference. Journal of the American Statistical Association 81(396), 945-960.

Todd, P.E., Wolpin, K.I. (2003). On the Specification and Estimation of the Production Function for Cognitive Achievement. The Economic Journal 113(485), F3-F33.

Pearl, J., Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Penguin

Books.

Uzupełniająca:

Angrist, J.D, Imbens, G.W., Rubin, D.B. (1996). Identification of Causal Effects Using Instrumental Variables. Journal of the American Statistical Association 91,(434), 444-455.

Hanushek, E.A. (1979). Conceptual and Empirical Issues in the Estimation of Educational Production Functions. The Journal of Human Resources 14(3), 351-388.

Heckman, J.J. (2005). The Scientific Model of Causality. Sociological Methodology 35(1), 1-97.

Imbens, G.W., Wooldrige, J.M. (2009). Recent developments in the econometrics of program evaluation. Journal of Economic Literature 47(1), 5-86.

Pearl, J. (2009). Causal inference in statistics: An overview. Statistics Surveys 3, 96-146.

Rubin. D.B. (1990). [On the Application of Probability Theory to Agricultural Experiments. Essay on Principles. Section 9.] Comment: Neyman (1923) and Causal Inference in Experiments and Observational Studies. Statistical Science 5(4), 472-480.

Rubin, D.B. (2005). Causal Inference Using Potential Outcomes: Design, Modeling, Decisions. Journal of the American Statistical Association 100(469), 322-331.

Rubin, D.B., Stuart, E.A., Zanutto, E.L. (2004). A Potential Outcomes View of Value-Added Assessment in Education. Journal of Educational and Behavioral Statistics 29(1), 103-116.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet DEMO.
ul. Demo 1
01-234 Demo
tel: +48 123 456 789 https://usosweb.demo.usos.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.2.0-4652b4bdc (2024-02-29)

debug