Чему вы научитесь
О чём курс
Causal Inference (причинный вывод) — это набор методов, который отвечает на главный вопрос аналитика: «насколько РЕАЛЬНО изменился показатель именно из-за нашего действия — фичи, скидки, цены, рассылки, — а не из-за того, что нам повезло с выборкой, сезоном или самоотбором пользователей?» Корреляция этот вопрос не решает: пользователи с push-уведомлениями платят больше, но push чаще доходит до владельцев новых телефонов, а они и так платят больше.
Что внутри
- Потенциальные исходы, ATE/ATT, рандомизация, доверительные интервалы;
- Графы причинности (DAG), selection и confounding bias, подбор ковариатов (good/bad/neutral controls);
- Регрессия как причинный инструмент, ортогонализация (FWL) и Double Machine Learning;
- Matching, propensity score, баланс ковариат, IPW, doubly robust;
- Difference-in-Differences, fixed effects, и их современные модификации (Goodman-Bacon, event-study);
- Инструментальные переменные и полный 2SLS, слабые инструменты, RDD, синтетический контроль, CausalImpact;
- Гетерогенные эффекты (CATE), meta-learners и uplift-моделирование;
- Валидация оценок (плацебо/negative control, sensitivity, E-value, баланс ковариат) и разбор типичных ловушек (Симпсон, post-treatment bias, интерференция, p-hacking).
Формат
Каждая тема — интуиция и бытовой/бизнес-пример, визуализация (в т.ч. анимации), формула с расшифровкой и практика: квизы на понимание, задачи-соответствия «где конфаундер, где медиатор, где коллайдер», расчётные и code-задачи. В code-задачах разбор ввода уже написан за вас — вы пишете только саму формулу, поэтому задачи посильны каждому. После каждого блока — мини-тест «проверь себя», а завершается курс сквозным разбором бизнес-кейса от вопроса до честного вывода.
Автор
Разборы реальных задач аналитики, ML и SQL — в канале Заскуль питона (zasqlpython.ru).
1 718