• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2019/2020

Каузальный анализ

Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус: Курс обязательный (Прикладная политология)
Направление: 41.04.04. Политология
Когда читается: 2-й курс, 1, 2 модуль
Формат изучения: Full time
Прогр. обучения: Прикладная политология
Язык: русский
Кредиты: 4

Программа дисциплины

Аннотация

Анализ причинно-следственных связей находится в центре современных социальных наук. В политической науке многие вопросы формулируются в ключе поиска причин различных феноменов: “что является основным фактором экономического развития”, “что побуждает людей принимать участие в голосовании” и т.д. Цель данного курса – познакомить студентов с методами каузального анализа. В наиболее общем виде основная проблема курса может быть сформулирована следующим образом: “является ли X причиной Y, и если является, насколько ощутим наблюдаемый эффект”? Курс состоит из двух частей. В первой части мы обсудим методы каузального анализа в ситуациях, когда возможна рандомизация. Ещё в совсем недавнем прошлом политические исследования, опирающиеся на рандомизацию, были редки; сейчас, однако, рандомизированные эксперименты становятся стандартом профессии в политической науке. В этой связи важность понимания дизайна экспериментов и методов анализа данных, полученных экспериментальным способом, трудно переоценить. Во второй части курса мы обсудим методы каузального анализа для ситуаций, когда прямая, контролируемая исследователем, рандомизация невозможна. В частности, мы рассмотрим метод регрессионного разрыва, matching, и difference-in-difference.
Цель освоения дисциплины

Цель освоения дисциплины

  • Студент должен знать теорию рандомизированных экспериментов и Каузальную модель Рубина (Rubin Causal Model)
  • Студент должен знать методы анализа рандомизированных экспериментов, в частности подход Фишера и подход Неймана
  • Студент должен знать методы каузального анализа неэкспериментальных данных, в частности метод инструментальных переменных, метод регрессионного разрыва (regression discontinuity design), метод difference-in-difference и matching
  • Студент должен уметь разрабатывать программу рандомизированного эксперимента
  • Студент должен уметь анализировать результаты эксперимента с помощью языков программирования Python или R (на выбор студента)
  • Студент должен уметь различать структуры данных, для которых применимы квазиэкспериментальные подходы
  • Студент должен уметь программировать модели, изучаемые в рамках курса, и оценивать их качество с помощью средств языка Python (или R)
Планируемые результаты обучения

Планируемые результаты обучения

  • Знать основные принципы подхода Фишера
  • Знать определение строгой нулевой гипотезы Фишера
  • Знать определение рандомизационного распределения
  • Знать определение тестовой статистики и разные виды тестовых статистик
  • Уметь вычислять строгие p-оценки Фишера для данных разной размерности
  • Уметь вычислять строгие p-оценки Фишера для разных тестовых статистик
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение
    Введение в предмет. Обзор тем курса. Обзор базовых концептов теории вероятно- стей. Вероятностные пространства, закон полной вероятности, случайные величины, математическое ожидание, дисперсия, ковариация. Закон повторящегося математиче- ского ожидания и закон полной дисперсии. Свойства статистических оценок. Язык Python и научные библиотеки numpy и pandas.
  • Основы каузального анализа
    Постановка проблемы каузального анализа. Предпосылки каузального анализа. По- тенциальные исходы (potential outcomes). Механизмы выбора экспериментальных групп (assignment mechanisms). Предпосылка устойчивости (SUTVA). Введение в рандомиза- цию.
  • Рандомизированные эксперименты и их типология
    Рандомизированные эксперименты в деталях. Классификации рандомизированных экспериментов. Примеры рандомизированных экспериментов из политической науки и экономики. Этика рандомизированных экспериментов.
  • Подход Фишера к оценке результатов эксперимента
    Метод точных p-оценок Фишера. Строгая нулевая гипотеза Фишера. Рандомизаци- онное распределение (randomization distribution). Тестовые статистики. Устойчивость альтернативных статистик.
  • Подход Неймана к оценке результатов эксперимента
    Средний эффект вмешательства (treatment) Неймана. Оценка Неймана в конечной популяции. Свойства оценки Неймана. Оценка Неймана в перспективе случайной вы- борки из генеральной совокупности.
  • Регрессионные модели оценки экспериментов
    Регрессия в разрезе экспериментальных данных. Роль контрольных переменных в оценке эксперимента. Линейная регрессия с контрольными переменными и взаимодествиями (interactions) как метод анализа экспериментов.
  • Стохастические потенциальные исходы
    Стохастические vs. фиксированные потенциальные исходы. Анализ экспериментов со стохастическими потенциальными исходами. Байесовский подход к импутации отсутствующих потенциальных исходов.
  • Стратифицированные Рандомизированные Эксперименты
    Разработка стратифицированных рандомизированных экспериментов. Эксперименты с минимально возможным размером страты (=2) (pairwise randomized experiments). Оценка и анализ с применением методов, изученных в рамках предыдущих тем курса.
  • Матчинг-Оценки и Оценки Близости (Propensity Score)
    Каузальный анализ неэкспериментальных данных. Матчинг-оценки (matching estimators) и их свойства. Оценки близости (propensity scores).
  • Метод Difference-in-Difference
    Метод difference-in-difference и его особенности. Требования к данным. Применение difference-in-difference в политических и экономических исследованиях.
  • Метод Инструментальных Переменных
    Метод инструментальных переменных и его применение в современных исследовани- ях. Критерии хороших инструментов. Двухступенчатый МНК (two-stage least squares).
  • Метод Регрессионного Разрыва
    Метод регрессионного разрыва и его свойства. Требования к данным. Строгий и нестрогий подходы. Выбор критерия отсечения (bandwidth selection). Непараметриче- ский vs. полупараметрический подходы.
  • Методы Каузального Анализа в Опросах
    Метод для опросов, затрагивающих чувствительные темы. Рандомизация ответов. List experiments. Endorsement experiments.
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее Задание 1
  • неблокирующий Домашнее Задание 2
  • неблокирующий Домашнее Задание 3
  • неблокирующий Домашнее Задание 4
  • неблокирующий Домашнее Задание 5
  • неблокирующий Контрольная Работа (Промежуточный Экзамен)
  • неблокирующий Финальное Эссе
  • неблокирующий Презентация Финального Эссе
  • неблокирующий Домашнее Задание 6
  • неблокирующий Домашнее Задание 7
  • неблокирующий Домашнее Задание 8
  • неблокирующий Домашнее Задание 9
  • неблокирующий Домашнее Задание 10
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.05 * Домашнее Задание 1 + 0.05 * Домашнее Задание 10 + 0.05 * Домашнее Задание 2 + 0.05 * Домашнее Задание 3 + 0.05 * Домашнее Задание 4 + 0.05 * Домашнее Задание 5 + 0.05 * Домашнее Задание 6 + 0.05 * Домашнее Задание 7 + 0.05 * Домашнее Задание 8 + 0.05 * Домашнее Задание 9 + 0.2 * Контрольная Работа (Промежуточный Экзамен) + 0.1 * Презентация Финального Эссе + 0.2 * Финальное Эссе
Список литературы

Список литературы

Рекомендуемая основная литература

  • Counterfactuals and causal inference : methods and principles for social research, Morgan S. L., Winship C., 2012
  • Designing social inquiry : scientific inference in qualitative research, King G., Keohane R. O., 1994
  • Mostly harmless econometrics : an empiricist's companion, Angrist J. D., Pischke J.- S., 2009

Рекомендуемая дополнительная литература

  • Morgan, S. L., & Winship, C. (2007). Counterfactuals and Causal Inference : Methods and Principles for Social Research. New York: Cambridge University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=206937
  • Rosenbaum, P. R. (2010). Design of Observational Studies. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=341015
  • Rubin, D. B. (2006). Matched Sampling for Causal Effects. Cambridge: Cambridge University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=171872