Il corso tratta dei metodi statistici per fare inferenza su effetti causali da dati sperimentali e osservazionali. Verranno utilizzati esempi da diverse discipline: economia, scienze dell'educazione, epidemiologia, scienze biomediche e riguarderanno, tra l'altro, la valutazione della formzione professionale e altre politiche attive del lavoro, la valutazione di trattamenti medici, l'analisi di studi clinici, la valutazione degli effetti del fumo e del servizio militare
Il testo di riferimento principale per il corsa è "Causal Inference for Statistics, Social, and Biomedical Sciences: An Introduction",
di GuidoW. Imbens e Donald B. Rubin, Cambridge University Press (2015).
Articoli aggiuntivi saranno resi disponibili dal docente.
Obiettivi Formativi
Gli studenti acquisiranno la capacità di valutare la plausibilità di conclusioni causali e l'abilità di applicare appropriati metodi statistici per le analisi causali
Prerequisiti
Esami propedeutici: Inferenza statistica; Probabilità e matematica per la statistica
Metodi Didattici
Lezioni frontali, anche con presentazioni di casi di studio
Modalità di verifica apprendimento
Il voto finale si baserà sulla valutazione delle esercizi assegnati a casa, 1 prova intermedia, un progetto finale con discussione orale.
Verrà valutata la capacità di organizzare la conoscenza, il ragionamento critico e la qualità dell'esposizione scritta e orale.
Programma del corso
Part I:
The Basic Framework
-A Brief History of the Potential
Outcome Approach
to Causal Inference
- A Taxonomy of Assignment Mechanisms
Part II:
Classical Randomized Experiments
- A Taxonomy of Classical Randomized Experiments - Fisher’s Exact P‐values
for Completely Randomized Experiments -
Neyman’s Repeated Sampling
Approach to Completely Randomized Experiments
Regression Methods for Completely
Randomized Experiments
- Model‐based Inference in Completely Randomized Experiments
- Stratified Randomized Experiments
- Paired Randomized Experiments
Part III
Regular Assignment Mechanisms
– Unconfounded Treatment Assignment
– Estimating the Propensity Score
– Assessing Overlap in Covariate Distributions
- Design in Observational Studies: Matching and Subclassification - Sensitivity Anlalysis
Part IV:
Irregular Assignment Mechanisms
Non‐Compliance and Instrumental Variables Analysis
- Principal Stratification
- Additional topics depending on interest and potentially including: Rgression Discontinuity Designs, Broken Randomized Experiments, Recent
Developments in Causal Inference