Uniwersytet DEMO - Centralny System Uwierzytelniania
Strona główna

Metody estymacji efektów przyczynowych

Informacje ogólne

Kod przedmiotu: 1600-SZD-WM-MEEP
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Metody estymacji efektów przyczynowych
Jednostka: Szkoła Doktorska Nauk Społecznych
Grupy:
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: polski
Rodzaj przedmiotu:

fakultatywne

Skrócony opis:

ZAJĘCIA METODOLOGICZNE I METODYCZNE

20 godzin warsztatów

stosowane metody dydaktyczne: wykłady dotyczące omawianych zagadnień, wykonywanie ćwiczeń praktycznych w pakiecie statystycznym R w czasie zajęć i poza nimi.

Pełny opis:

Zajęcia mają na celu zapoznać uczestników z założeniami i sposobem wykorzystania podstawowych metod statystycznych wykorzystywanych do estymacji wielkości efektów w schematach analiz dążących do opisania związków przyczynowych. Obejmować będą następujące tematy:

Regresja liniowa – założenia i ich diagnostyka, problemy związane z doborem zmiennych kontrolnych w kontekście dążenia do „unconfoundedness”, wykorzystanie interakcji do modelowania heterogeniczności indywidualnych efektów przyczynowych. Parametryczna wersja regression discontinuity design (RDD).

Regresja logistyczna i probitowa – założenia i ich diagnostyka. Efekty krańcowe – różne rodzaje (AME, MER, MEM) i zastosowania do estymacji wielkości efektów przyczynowych.

Wykorzystanie danych panelowych i hierarchicznych – kontrola czynników z różnych poziomów, w tym sposoby kontroli czynników nieobserwowalnych bezpośrednio. Korelacje błędów i ich znaczenie. Modele regresji mieszanych efektów z efektem losowym dla stałej regresji. Warianty metody difference-in-differences (DiD) wykorzystujące dane panelowe.

Metody oparte na estymacji prawdopodobieństwa objęcia interwencją: propensity score matching (PSM) i inverse probability of treatment weighing (IPTW) – warianty, możliwości łączenia z analizą regresji.

Modelowanie błędu w predyktorze: zmienne instrumentalne (IV) metodą two-stage least squares (2SLS) i (bardzo powierzchowne) wprowadzenie do modeli równań strukturalnych (SEM).

Zajęcia będą składać się z części teoretycznej, w której omówione zostaną założenia i własności prezentowanych metod oraz praktycznej, w której uczestnicy zapoznają się ze sposobami ich wykorzystania przy pomocy wybranych pakietów środowiska R.

Literatura:

Aiken, L.S., West, S.G. (1991). Multiple Regression: Testing and Interpreting Interactions. Newbury Park, London, New Delhi: Sage Publications.

Angrist, J.D., Pischke, J.S. (2009). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press.

Biecek, P. (2011). Analiza danych z programem R: Modele liniowe z efektami stałymi, losowymi i mieszanymi. Warszawa: PWN.

Fox. J. (2003). Effect Displays in R for Generalised Linear Models. Journal of Statistical Software 8(15).

Fox, J., Weisberg, S. (2018). Visualizing Fit and Lack of Fit in Complex Regression Models with Predictor Effect Plots and Partial Residuals. Journal of Statistical Software 87(9). https://www.jstatsoft.org/v087/i09

Lumley, T. (2010). Complex Surveys: A Guide to Analysis Using R. Hoboken: Wiley.

Żółtak. T. (2018). Rozłączność przedziałów ufności jako kryterium weryfikacji hipotez statystycznych. Prezentacja z konferencji Metodologiczne inspiracje 2018. https://www.researchgate.net/publication/328162989_Rozlacznosc_przedzialow_ufnosci_jako_kryterium_weryfikacji_hipotez_statystycznych

Efekty uczenia się:

WK3, UW1

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:

Opis wymagań związanych z uczestnictwem w zajęciach, w tym dopuszczalnej liczby nieobecności podlegających usprawiedliwieniu:

Uczestnicy zajęć powinni posiadać podstawowe umiejętności prowadzenia analiz z wykorzystaniem regresji liniowej i jednowymiarowej analizy wariancji oraz podstawowe umiejętności pracy w środowisku statystycznym R (operacje na wektorach i „ramkach danych”).

Studenci mogą mieć jedną nieusprawiedliwioną nieobecność.

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

obecność, aktywna praca na zajęciach, wykonanie projektu zaliczeniowego ilustrującego zastosowanie wybranej przez uczestnika spośród omawianych na zajęciach metody do przeanalizowania samodzielnie wybranego problemu badawczego

Metody weryfikacji efektów uczenia się:

lista obecności, ocena pracy na zajęciach, ocena projektu zaliczeniowego

Kryteria oceniania:

ocena pracy na zajęciach 50%, ocena projektu zaliczeniowego 50%

Zajęcia w cyklu "Semestr zimowy 2021/22" (zakończony)

Okres: 2021-10-01 - 2022-02-20
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Warsztaty, 20 godzin, 12 miejsc więcej informacji
Koordynatorzy: Maciej Wybranowski
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie
Warsztaty - Zaliczenie
Tryb prowadzenia:

w sali

Skrócony opis:

20 godzinny warsztat

wykłady dotyczące omawianych zagadnień, wykonywanie ćwiczeń praktycznych w pakiecie statystycznym R w czasie zajęć i poza nimi

Pełny opis:

Zajęcia mają na celu zapoznać uczestników z założeniami i sposobem wykorzystania podstawowych metod statystycznych wykorzystywanych do estymacji wielkości efektów w schematach analiz dążących do opisania związków przyczynowych. Obejmować będą następujące tematy:

Regresja liniowa – założenia i ich diagnostyka, problemy związane z doborem zmiennych kontrolnych w kontekście dążenia do „unconfoundedness”, wykorzystanie interakcji do modelowania heterogeniczności indywidualnych efektów przyczynowych. Parametryczna wersja regression discontinuity design (RDD).

Regresja logistyczna i probitowa – założenia i ich diagnostyka. Efekty krańcowe – różne rodzaje (AME, MER, MEM) i zastosowania do estymacji wielkości efektów przyczynowych.

Wykorzystanie danych panelowych i hierarchicznych – kontrola czynników z różnych poziomów, w tym sposoby kontroli czynników nieobserwowalnych bezpośrednio. Korelacje błędów i ich znaczenie. Modele regresji mieszanych efektów z efektem losowym dla stałej regresji. Warianty metody difference-in-differences (DiD) wykorzystujące dane panelowe.

Metody oparte na estymacji prawdopodobieństwa objęcia interwencją: propensity score matching (PSM) i inverse probability of treatment weighing (IPTW) – warianty, możliwości łączenia z analizą regresji.

Modelowanie błędu w predyktorze: zmienne instrumentalne (IV) metodą two-stage least squares (2SLS) i (bardzo powierzchowne) wprowadzenie do modeli równań strukturalnych (SEM).

Zajęcia będą składać się z części teoretycznej, w której omówione zostaną założenia i własności prezentowanych metod oraz praktycznej, w której uczestnicy zapoznają się ze sposobami ich wykorzystania przy pomocy wybranych pakietów środowiska R.

Literatura:

Aiken, L.S., West, S.G. (1991). Multiple Regression: Testing and Interpreting Interactions. Newbury Park, London, New Delhi: Sage Publications.

Angrist, J.D., Pischke, J.S. (2009). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press.

Biecek, P. (2011). Analiza danych z programem R: Modele liniowe z efektami stałymi, losowymi i mieszanymi. Warszawa: PWN.

Fox. J. (2003). Effect Displays in R for Generalised Linear Models. Journal of Statistical Software 8(15).

Fox, J., Weisberg, S. (2018). Visualizing Fit and Lack of Fit in Complex Regression Models with Predictor Effect Plots and Partial Residuals. Journal of Statistical Software 87(9). https://www.jstatsoft.org/v087/i09

Lumley, T. (2010). Complex Surveys: A Guide to Analysis Using R. Hoboken: Wiley.

Żółtak. T. (2018). Rozłączność przedziałów ufności jako kryterium weryfikacji hipotez statystycznych. Prezentacja z konferencji Metodologiczne inspiracje 2018. https://www.researchgate.net/publication/328162989_Rozlacznosc_przedzialow_ufnosci_jako_kryterium_weryfikacji_hipotez_statystycznych

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

Okres: 2022-10-01 - 2023-01-29
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Warsztaty, 20 godzin, 12 miejsc więcej informacji
Koordynatorzy: Maciej Wybranowski
Prowadzący grup: Maciej Wybranowski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie
Warsztaty - Zaliczenie
Skrócony opis:

20 godzin warsztatów

stosowane metody dydaktyczne: wykłady dotyczące omawianych zagadnień, wykonywanie ćwiczeń praktycznych w pakiecie statystycznym R w czasie zajęć i poza nimi

Literatura:

Aiken, L.S., West, S.G. (1991). Multiple Regression: Testing and Interpreting Interactions. Newbury Park, London, New Delhi: Sage Publications.

Angrist, J.D., Pischke, J.S. (2009). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press.

Biecek, P. (2011). Analiza danych z programem R: Modele liniowe z efektami stałymi, losowymi i mieszanymi. Warszawa: PWN.

Fox. J. (2003). Effect Displays in R for Generalised Linear Models. Journal of Statistical Software 8(15).

Fox, J., Weisberg, S. (2018). Visualizing Fit and Lack of Fit in Complex Regression Models with Predictor Effect Plots and Partial Residuals. Journal of Statistical Software 87(9). https://www.jstatsoft.org/v087/i09

Lumley, T. (2010). Complex Surveys: A Guide to Analysis Using R. Hoboken: Wiley.

Żółtak. T. (2018). Rozłączność przedziałów ufności jako kryterium weryfikacji hipotez statystycznych. Prezentacja z konferencji Metodologiczne inspiracje 2018. https://www.researchgate.net/publication/328162989_Rozlacznosc_przedzialow_ufnosci_jako_kryterium_weryfikacji_hipotez_statystycznych

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 6.8.1.0-7b6ce36df (2023-02-07)