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 les effets de traitement individuels et moyens avec précision.

Leçon 2 • Hypothèses causales et identification

Explique ce que signifie l'identification d'un effet causal à partir des données. Couvre les hypothèses fondamentales requises avant que toute stratégie d'estimation ne soit valide.

Leçon 3 • Notions de base sur les graphes acycliques orientés (DAG)

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

Leçon 4 • Corrélation versus causalité

Oppose les affirmations associationnelles et causales à l'aide d'exemples réels. Établit pourquoi les associations statistiques standard ne peuvent pas répondre aux questions causales sans hypothèses supplémentaires.

Leçon 1 • Principes de conception expérimentale

Couvre les choix de conception fondamentaux, 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 vers de nouvelles populations ou 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 effets de débordement 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 le problème de confusion

Explique comment l'attribution 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

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

Leçon 2 • Méthodes de 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 sur les estimations naïves.

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

Enseigne le critère de 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 les moindres carrés en deux étapes (MC2E)

Enseigne les MC2E comme l'estimateur IV standard et sa mise en œuvre pratique. Les étudiants calculent les estimations MC2E et interprètent les résultats de la première et de la deuxième étape.

Leçon 2 • Applications et extensions des IV

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

Leçon 3 • La stratégie d'identification par IV

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

Leçon 4 • Tests de validité des instruments

Couvre les tests empiriques pour la force des instruments et la suridentification. Les étudiants appliquent les statistiques F, les tests de Sargan-Hansen et les contrôles placebo.

Leçon 1 • Estimation RD non paramétrique

Couvre la régression polynomiale locale et la sélection de la largeur de bande comme approche standard d'estimation RD. Les étudiants mettent en œuvre et comparent les 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 au RD et définissent l'effet moyen du traitement local au seuil.

Leçon 3 • RD flou et plans kink

Étend le RD aux contextes avec une conformité imparfaite et des règles d'affectation de type kink. Les étudiants mettent en œuvre le RD flou via les MC2E et interprètent les plans de régression kink.

Leçon 4 • Tests de validité du RD

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

Leçon 1 • Mise en œuvre par régression du DiD

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

Leçon 2 • Logique du DiD et hypothèse de tendances parallèles

Explique comment le DiD supprime 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 DiD

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

Leçon 4 • Méthode du contrôle synthétique

Présente le contrôle synthétique comme un complément au DiD pour les cas de traitement à unité unique. Les étudiants construisent un contrôle synthétique et effectuent une inférence par permutation.

Leçon 1 • Aperçu des effets de traitement hétérogènes

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

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 l'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 du CATE en règles d'affectation de traitement optimales. Les étudiants construisent et évaluent des règles politiques à l'aide de métriques de bien-être.

Leçon 1 • Analyse de sensibilité pour la confusion non mesurée

Enseigne les bornes de Rosenbaum, les E-valeurs et les méthodes de R-carré partiel pour quantifier la robustesse. Les étudiants appliquent ces outils pour évaluer le biais caché nécessaire pour renverser 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 des applications d'exposition et estiment les effets de débordement.

Leçon 3 • Communication de la preuve causale

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 semiparamétriques

Présente l'IPW augmenté et le maximum de vraisemblance ciblé comme estimateurs doublement robustes. Les étudiants mettent en œuvre ces méthodes et comprennent leurs propriétés d'efficacité.