Descompte de 300 € per a estudiants de la FME-UPC
Descompte de 250 € per a estudiants d’altres centres de la UPC o la UB, professorat associat de la UPC o la UB, i professorat a temps complet de la UB no vinculat al MESIO
Descompte de 200 € per estudiants d'altres universitats
Gratuït per a professorat a temps complet de la UPC i del MESIO UB o dels departaments implicats
Aquest curs forma part de la XVIII Summer School del Màster en Estadística i Investigació Operativa (MESIO UPC-UB).
En un món cada vegada més impulsat per les dades, les empreses s'enfronten al desafiament d'interpretar-les i prendre decisions basades en elles. Tanmateix, una de les dificultats més comunes és diferenciar entre correlació i causalitat, ja que les dades només ens mostren allò que està relacionat, però no necessàriament allò que causa què. Aquest curs introdueix el concepte d'inferència causal, una metodologia emergent que permet als científics de dades i altres professionals a entendre millor els efectes causals a partir de dades històriques, sense necessitat de fer proves A/B costoses i limitades. A través d'aquest enfocament, els participants aprendran a discernir quan i com es pot utilitzar la inferència causal per estimar l'impacte real de les decisions o tractaments.
El curs d'Introducció a la Inferència Causal per a la Ciència de Dades està dissenyat per conèixer els principis fonamentals de la inferència causal, com estimar els seus efectes i en quines situacions és més efectiu. A més, els assistents descobriran com l'aprenentatge automàtic i la inferència causal poden treballar conjuntament per millorar la interpretació de les dades i les decisions basades en elles.
Adreçat principalment a l’estudiantat del màster MESIO. Els seminaris poden ser reconeguts amb 3 ECTS si se’n cursen i superen 2 cursos, i amb 5 ECTS si se’n cursen i superen 3 cursos, amb l’aprovació de la Facultat de Matemàtiques.
Introducció
- La correlació no implica causalitat
- Tests A/B i assaigs controlats aleatoritzats (RCTs)
Com gestionar els factors de confusió (confounders)
- El principal problema dels confounders a través de la paradoxa de Simpson
- Com eliminar l'efecte dels confounders amb la fórmula d'ajust
- La fórmula d'ajust en models lineals
- Propensity scores
Ús de machine learning per eliminar l'efecte dels confounders
- La fórmula d'ajust amb machine learning
- Double Machine Learning
Selecció de variables amb gràfics dirigits acíclics (DAGs)
- d-separation
- Criteri del backdoor
Evitar confounders mitjançant variables instrumentals
Mesurar l’impacte d’un esdeveniment temporal
- Synthetic Controls
- Disseny de discontinuïtat en la regressió (Regression Discontinuity Design)
- Diferències en diferències (Differences in Differences)