Causal Inference для аналитиков

О чём курс

Максим Кан разбирает методы Causal Inference для оценки эффектов, когда провести A/B-тест невозможно. Вы изучите потенциальные результаты, конфаундинг и причины, по которым рандомизированный эксперимент служит стандартом причинно-следственного анализа. Затем перейдёте к оценке эффектов на нерандомизированных данных и применению результатов в продуктовых задачах.

Курс охватывает линейную регрессию OLS и ортогонализацию, Two-Way Fixed Effects, инструментальные переменные и Double Machine Learning. Вы разберёте применение CatBoost и XGBoost в причинно-следственном анализе, Propensity Score, методы IPTW и DRE. В работе с панельными данными автор показывает, как учитывать ненаблюдаемые переменные.

Практика и материалы

Отдельные темы — синтетический контроль Causal Impact, работа с ковариатами, анализ остатков и A/A-симуляции для проверки качества модели. Вы также изучите предпосылки и модификации Difference-in-Differences. В каждом модуле предусмотрены практические кейсы на данных и разбор типичных ошибок; к материалам прилагается handbook по решению задач Causal Inference.

Занятия состоят из текстовых лекций, тестов и практических заданий. Автор объясняет математическую сторону методов и интуицию, стоящую за ними. Практика построена на применении методов к реальным кейсам.

Для кого и что нужно знать

Курс адресован специалистам по Data Science, особенно продуктовым и маркетинговым аналитикам и аналитикам данных. Опытные аналитики смогут вернуться к A/B-тестированию через понятия причинно-следственного анализа.

Перед началом желательно уметь программировать на Python и работать с Pandas и Numpy. Понадобятся базовая статистика — центральная предельная теорема, доверительные интервалы, t-test и p-value — и понятия машинного обучения, включая кросс-валидацию, oof-предсказания и MSE. На эти темы автор опирается при разборе задач Causal Inference.