• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Глава в книге
Assessment of the Impact of the Urban Environment on the Emotional State of Citizens

Burova A., Nikonov V.

In bk.: Proceedings of CIRMARE 2023. Recovery, Maintenance and Rehabilitation of Buildings. Cham: Springer, 2024. P. 233-241.

Препринт
Fast gradient-free activation maximization for neurons in spiking neural networks

Pospelov N., Chertkov A., Beketov M. et al.

arxiv Neural and Evolutionary Computing. arxiv:cs.NE. Cornell University, 2023

Проблемы эндогенности в экономико-социологических исследованиях

2022/2023
Учебный год
RUS
Обучение ведется на русском языке
6
Кредиты
Статус:
Маго-лего
Когда читается:
1, 2 модуль

Преподаватель

Программа дисциплины

Аннотация

Курс "Проблемы эндогенности в экономико-социологических исследованиях" знакомит студентов со статистическими методами, подходящими для работы в условиях ситуации скоррелированных ошибок и предикторов в регрессионном анализе. Отдельное внимание уделено такому проявлению эндогенности как неоднозначность направления причинно-следственной связи. В результате освоения курса студенты получат навыки диагностики потенциальных источников эндогенности, освоят базовые понятия каузального анализа и научатся корректно применять количественные методы для выявления эффекта воздействия, а также интерпретировать полученные результаты. Курс читается в формате blended learning: слушатели курса работают дополнительно с материалом онлайн-курса "A Crash Course in Causality: Inferring Causal Effects from Observational Data" (University of Pennsylvania). Для успешного освоения материала студенты должны знать основы регрессионного анализа в объеме первых двух тем курса "Panel Data: Analysis and Applications for the Social Sciences", читаемого на первом курсе магистерской программы «Прикладные методы социального анализа рынков».
Цель освоения дисциплины

Цель освоения дисциплины

  • Получить навыки в разработке дизайна количественного исследования, релеватного для работы с эндогенностью. Курс акцентирует внимание на эндогенности, вызванной проблемой обратной причинно-следственной связи.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знает базовые понятия каузального анализа, умеет формулировать исследовательские вопросы в терминах причинно-следственной связи
  • Знает разницу между экспериментальным и квазиэкспериментальным дизайном, требования к проведению эксперимента для возможности идентификации каузального эффекта
  • Умеет диагностировать потенциальные источники эндогенности в исследовании, знает последствия нарушения экзогенности в регрессионном анализе
  • Умеет применять метод difference-in-differences, знает ограничения метода, корректно интерпретирует результаты.
  • Умеет применять метод инструментальных переменных, знает ограничения метода
  • Умеет применять методы взвешивания для оценки каузального эффекта
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Проблема эндогенности в регрессионном анализе
  • Обратная причинно-следственная связь как источник эндогенности. Введение в каузальный анализ
  • Идентификация каузального эффекта
  • Взвешивание для оценки каузального эффекта
  • Метод инструментальных переменных
  • Метод difference-in-differences
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание 1
  • неблокирующий Проверочная работа 1
  • неблокирующий Работа на семинарах
  • неблокирующий Экзаменационная работа
  • неблокирующий Домашнее задание 2
  • неблокирующий Домашнее задание 3
  • неблокирующий Проверочная работа 2
Промежуточная аттестация

Промежуточная аттестация

  • 2022/2023 учебный год 2 модуль
    0.1 * Проверочная работа 2 + 0.05 * Домашнее задание 2 + 0.1 * Домашнее задание 3 + 0.1 * Проверочная работа 1 + 0.05 * Домашнее задание 1 + 0.2 * Работа на семинарах + 0.4 * Экзаменационная работа
Список литературы

Список литературы

Рекомендуемая основная литература

  • Angrist, J. D., & Pischke, J.-S. (2009). Mostly Harmless Econometrics : An Empiricist’s Companion. Princeton: Princeton University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=329761
  • Felix Elwert. (2013). Graphical Causal Models. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.32FC96F4
  • Imai, K., King, G., & Stuart, E. (2008). Misunderstandings between Experimentalists and Observationalists about Causal Inference. https://doi.org/10.1111/j.1467-985X.2007.00527.x

Рекомендуемая дополнительная литература

  • Keele, L. (2015). The Statistics of Causal Inference: A View from Political Methodology. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.4DF27A52
  • Rohrer, J. (2017). Thinking Clearly About Correlations and Causation: Graphical Causal Models for Observational Data. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.676EF5C4