Курс на Stepik

Обложка курса «Причинно-следственный анализ: Causal Inference на Python» на Stepik

1 500 ₽

Причинно-следственный анализ: Causal Inference на Python ★ 0.000

Открыть на
STEPIK.ORG

Причинно-следственный анализ (Causal Inference) для аналитика: оценка эффекта, когда A/B-тест невозможен. DAG, matching, Difference-in-Differences, инструментальные переменные и Double Machine Learning. Практика на Python.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	23
Сертификатов выдано	1
Отзывов получено	0
Рейтинг курса	0.000
Количество уроков	31
Количество квизов	135
Количество задач с кодом	37
Время прохождения курса	1 ч.	—
Стоимость курса	1 500 ₽	—
Обновления курса	—	—
Дата публикации курса	4 месяца назад	—	—	—	—
Последнее обновление	29 октября 2026	—	—	—	—
Сложность	hard	—	—	—	—

Содержание курса

Разделы в курсе «Причинно-следственный анализ: Causal Inference на Python»

10 разделов Уроки в курсе «Причинно-следственный анализ: Causal Inference на Python»

Уроки в курсе «Причинно-следственный анализ: Causal Inference на Python»

31 урок Тесты в курсе «Причинно-следственный анализ: Causal Inference на Python»

Тесты в курсе «Причинно-следственный анализ: Causal Inference на Python»

135 тестов Задачи в курсе «Причинно-следственный анализ: Causal Inference на Python»

Задачи в курсе «Причинно-следственный анализ: Causal Inference на Python»

37 задач Время прохождения курса «Причинно-следственный анализ: Causal Inference на Python»

Время прохождения курса «Причинно-следственный анализ: Causal Inference на Python»

1 ч.

Последнее обновление курса «Причинно-следственный анализ: Causal Inference на Python»

обн. 29 октября 2026

Введение: причинный вывод для аналитика

2 урока

1. Что даст этот курс ↗

2. Что нужно знать и как проходить ↗

Causal Inference: DAG, регрессия, matching, DiD, IV

11 уроков

1. Зачем причинность: корреляция, контрфакт и смещение ↗

2. Рандомизация и A/B-тест: ATE, ошибка и доверительный интервал ↗

3. Графы причинности (DAG): развилки, цепи, коллайдеры, backdoor ↗

4. Подбор ковариатов для матчинга: good, bad и neutral controls ↗

5. Регрессия как причинный инструмент: dummy-регрессия и FWL ↗

6. Matching и propensity score: kNN, баланс, overlap и IPW ↗

7. Doubly Robust: двойная защита оценки эффекта ↗

8. Difference-in-Differences и панельные данные (fixed effects) ↗

9. Квазиэксперименты: IV/LATE, RDD и синтетический контроль ↗

10. CATE и персонализация: meta-learners, uplift и Qini ↗

11. Капстоун: как выбрать метод и чеклист причинного анализа ↗

Регрессия глубже: ортогонализация и Double Machine Learning

2 урока

1. Ортогонализация: вычисти конфаундер из обоих ↗

2. Double ML: вспомогательные модели и cross-fitting ↗

Инструменты и полный 2SLS: слабые инструменты и F-статистика

2 урока

1. Полный 2SLS: две ступени ↗

2. Слабые инструменты и F-статистика ↗

Панель глубоко: TWFE, отрицательные веса и модификации DiD

2 урока

1. Within-преобразование руками ↗

2. Ловушка staggered TWFE и модификации DiD ↗

CausalImpact: причинный эффект разового вмешательства во времени

1 урок

1. Контрфактик по контрольным рядам ↗

Валидация: плацебо, sensitivity и баланс ковариат

2 урока

1. Плацебо и negative control ↗

2. Sensitivity и баланс ковариат ↗

Сложности и парадоксы причинного вывода

2 урока

1. Парадокс Симпсона и пропущенная переменная ↗

2. Подводные камни на практике ↗

Causal Inference в Python: библиотеки и пайплайн

3 урока

1. Экосистема Causal Inference в Python и пайплайн DoWhy ↗

2. Методы причинного вывода в реальном коде ↗

3. Подбор фичей и подводные камни на практике ↗

Капстоун: выбор метода и дизайн причинного исследования

4 урока

1. Дизайн причинного исследования ↗

2. Практикум: кейс от вопроса до вывода ↗

3. Экзамен-кейс: программа лояльности от вопроса до вывода ↗

4. Шпаргалка и чеклист: забирай на работу ↗