Cours d'inférence causale

Leçon 1 • Cadre des résultats potentiels

Présente le modèle des résultats potentiels de Rubin comme base formelle pour les effets causaux. Les étudiants apprennent à exprimer avec précision les effets individuels et moyens du traitement.

Leçon 2 • Hypothèses causales et identification

Explique ce que signifie qu'un effet causal soit identifié à partir des données. Couvre les hypothèses de base nécessaires avant que toute stratégie d'estimation ne soit valide.

Leçon 3 • Notions de base sur les graphes acycliques dirigés

Introduit les DAG comme un langage visuel pour encoder les hypothèses causales. Les étudiants apprennent à lire et à dessiner des graphes simples représentant des processus de génération de données.

Leçon 4 • Corrélation versus causalité

Met en contraste les affirmations associationnelles et causales à l'aide d'exemples concrets. Établit pourquoi les associations statistiques standard ne peuvent pas répondre à des questions causales sans hypothèses supplémentaires.

Leçon 1 • Principes de conception expérimentale

Couvre les choix de conception de base, y compris l'unité de randomisation, le blocage et la stratification. Les étudiants apprennent comment les décisions de conception affectent la puissance statistique et la validité.

Leçon 2 • Validité externe et généralisation

Aborde quand les résultats expérimentaux se transportent à de nouvelles populations ou à de nouveaux contextes. Introduit les méthodes de repondération pour améliorer la validité externe.

Leçon 3 • Menaces à la validité expérimentale

Identifie la non-conformité, l'attrition et les retombées comme des menaces courantes pour une inférence valide. Les étudiants apprennent à détecter et à traiter chaque menace de manière analytique.

Leçon 4 • Pourquoi la randomisation résout la confusion

Explique comment l'affectation aléatoire équilibre les facteurs de confusion observés et non observés en espérance. Relie la randomisation au cadre des résultats potentiels du chapitre 1.

Leçon 1 • Appariement et stratification

Introduit l'appariement et la stratification comme alternatives non paramétriques à l'ajustement par régression. Les étudiants appliquent l'appariement exact, du plus proche voisin et grossier exact.

Leçon 2 • Méthodes du score de propension

Développe l'estimation du score de propension et son utilisation dans la pondération et l'appariement. Les étudiants mettent en œuvre la pondération par probabilité inverse et diagnostiquent les violations de chevauchement.

Leçon 3 • Confusion dans les données observationnelles

Définit précisément la confusion à l'aide des DAG et des résultats potentiels. Les étudiants diagnostiquent la confusion dans des scénarios de données réalistes et comprennent ses conséquences pour les estimations naïves.

Leçon 4 • Critère de la porte dérobée et ensembles d'ajustement

Enseigne le critère de la porte dérobée comme règle graphique pour un ajustement valide des covariables. Les étudiants identifient les ensembles d'ajustement minimaux suffisants à partir d'un DAG donné.

Leçon 1 • Estimation par doubles moindres carrés

Enseigne les 2SLS comme l'estimateur VI standard et sa mise en œuvre pratique. Les étudiants calculent les estimations 2SLS et interprètent les résultats de la première et de la deuxième étape.

Leçon 2 • Applications et extensions des VI

Passe en revue les applications classiques et modernes des VI, y compris les expériences naturelles et les plans de partage de changements. Les étudiants évaluent la validité des instruments dans des contextes de recherche appliquée.

Leçon 3 • La stratégie d'identification par VI

Explique comment un instrument valide brise le problème d'endogénéité en fournissant une variation exogène. Les étudiants relient la logique des VI au cadre des résultats potentiels.

Leçon 4 • Tests de validité des instruments

Couvre les tests empiriques pour la force de l'instrument et la suridentification. Les étudiants appliquent les statistiques F, les tests de Sargan-Hansen et les vérifications placebo.

Leçon 1 • Estimation RD non paramétrique

Couvre la régression polynomiale locale et la sélection de la largeur de bande comme approche d'estimation RD standard. Les étudiants mettent en œuvre et comparent des estimateurs à l'aide de données réelles.

Leçon 2 • Logique et configuration du plan RD

Explique comment un seuil dans une variable d'affectation crée une variation locale quasi-aléatoire. Les étudiants identifient les contextes applicables à la RD et définissent l'effet moyen du traitement local au seuil.

Leçon 3 • RD floue et plans de kink

Étend la RD aux contextes avec conformité imparfaite et règles d'affectation avec coude. Les étudiants mettent en œuvre la RD floue via les 2SLS et interprètent les plans de régression avec coude.

Leçon 4 • Tests de validité de la RD

Enseigne les tests de densité, les vérifications d'équilibre des covariables et les tests de seuil placebo pour valider les hypothèses de la RD. Les étudiants appliquent chaque test et interprètent correctement les résultats.

Leçon 1 • Mise en œuvre par régression de la DiD

Couvre la régression à effets fixes bidirectionnels comme estimateur DiD standard. Les étudiants mettent en œuvre des modèles TWFE et interprètent les coefficients de l'effet du traitement.

Leçon 2 • Logique de la DiD et hypothèse de tendances parallèles

Explique comment la DiD élimine la confusion invariante dans le temps en comparant les changements entre les groupes. Les étudiants formalisent l'hypothèse de tendances parallèles et comprennent quand elle est plausible.

Leçon 3 • Test et validation des hypothèses de la DiD

Enseigne les tests formels de pré-tendance et les vérifications de résultat placebo pour la validité de la DiD. Les étudiants appliquent ces tests et ajustent leurs plans en fonction des résultats.

Leçon 4 • Méthode du contrôle synthétique

Introduit le contrôle synthétique comme complément à la DiD pour les cas de traitement d'une seule unité. Les étudiants construisent un contrôle synthétique et effectuent une inférence par permutation.

Leçon 1 • Aperçu des effets hétérogènes du traitement

Introduit le concept d'hétérogénéité de l'effet du traitement et sa pertinence politique. Les étudiants distinguent les effets moyens des effets moyens conditionnels du traitement.

Leçon 2 • Estimation des effets de médiation

Couvre les méthodes basées sur la régression et non paramétriques pour estimer la médiation. Les étudiants mettent en œuvre une analyse de médiation et construisent des intervalles de confiance valides.

Leçon 3 • Analyse de médiation causale

Définit les effets directs et indirects à l'aide du cadre des résultats potentiels. Les étudiants décomposent les effets totaux en composantes directes et indirectes naturelles.

Leçon 4 • Ciblage politique avec des effets hétérogènes

Traduit les estimations de l'EMTC en règles d'affectation optimales du traitement. Les étudiants construisent et évaluent des règles politiques à l'aide de mesures de bien-être.

Leçon 1 • Analyse de sensibilité pour les facteurs de confusion non mesurés

Enseigne les bornes de Rosenbaum, les valeurs E et les méthodes du R-carré partiel pour quantifier la robustesse. Les étudiants appliquent ces outils pour évaluer à quel point un biais caché renverserait les conclusions.

Leçon 2 • Interférence et effets de réseau

Étend l'inférence causale aux contextes où les unités interagissent et où le SUTVA est violé. Les étudiants définissent les mappages d'exposition et estiment les effets de retombée.

Leçon 3 • Communication des preuves causales

Développe des compétences pour présenter les résultats causaux à des publics techniques et non techniques. Les étudiants produisent des affirmations causales claires avec une quantification appropriée de l'incertitude.

Leçon 4 • Estimateurs doublement robustes et semi-paramétriques

Introduit la PPI augmentée et le maximum de vraisemblance ciblé comme estimateurs doublement robustes. Les étudiants mettent en œuvre ces méthodes et comprennent leurs propriétés d'efficacité.