Inferência Causal: Teoria e Prática

O curso de Inferência Causal: Teoria e Prática é voltado para profissionais e pesquisadores que desejam aprofundar seus conhecimentos em métodos de inferência causal e suas aplicações práticas. Ao longo das aulas, serão abordados temas fundamentais para quem busca entender e aplicar técnicas que vão além de simples correlações, ajudando a identificar verdadeiros efeitos causais a partir de dados observacionais ou experimentais.

Tempo de curso

12 horas

Duração do curso

6 aulas ao vivo

Grátis

1 certificados

O que está incluído?

  • 1 módulo
  • 1 certificação
  • 6 vídeos

Teoria e Prática

Você terá acesso a uma formação sólida, com atividades práticas que permitirão aplicar os conceitos em cenários reais de análise de dados.

Aprenda com Especialistas

 Você também aprenderá como colocar na prática as ideias apresentadas e construir sua própria marca pessoal por meio do marketing de conteúdo.

O que você vai aprender?

Introdução à Inferência Causal:
  • Diferenças entre predição e inferência causal.
  • Compreensão do problema do contrafactual e outcome potencial.
  • Conceito de endogeneidade e seus impactos na análise de dados.
Empty space, drag to resize
Experimentos Controlados:
  • Como calcular o poder estatístico e o tamanho amostral ideal.
  • Checklists essenciais para montar um experimento eficiente.
Empty space, drag to resize
Quase-Experimentos - Variáveis Instrumentais (IV):
  • Utilização de variáveis instrumentais em casos com compliance imperfeito.
  • Validação das premissas necessárias para um instrumento forte.
Quase-Experimentos - Desenho de Regressão Descontínua (RDD):
  • Aplicação de RDD em diferentes cenários.
  • Validação de descontinuidades úteis e análise de casos "sharp" e "fuzzy".
Quase-Experimentos - Diferença-em-Diferenças (DiD):
  • Comparação entre modelos DiD e outros métodos de painel.
  • Análise de modelos TWFE e novos métodos.
Modelos com Machine Learning:
  • Introdução a Meta-Learners (S-, T-, X-learners) e Double Machine Learning.
  • Aplicações práticas de machine learning para inferência causal.
Criado com