1. Wprowadzenie do wnioskowania przyczynowego Czym jest wnioskowanie przyczynowe? Po co stosować wnioskowanie przyczynowe? Uczenie maszynowe i wnioskowanie przyczynowe Asocjacja a związek przyczynowy Oddziaływanie i wynik Podstawowy problem z wnioskowaniem przyczynowym Modele przyczynowe Interwencje Indywidualny efekt oddziaływania Wyniki potencjalne Spójność i stabilna wartość oddziaływania jednostkowego Interesujące wartości przyczynowe Wartości przyczynowe - przykład Błąd systematyczny Wzór na błąd systematyczny Wizualny przewodnik po błędzie systematycznym Identyfikowanie efektu oddziaływania Założenie o niezależności Identyfikacja przy randomizacji 2. Eksperymenty z randomizacją i przegląd elementów statystyki "Siłowe" zapewnianie niezależności za pomocą randomizacji Przykładowy test A/B Idealny eksperyment Najbardziej niebezpieczne równanie Błąd standardowy szacunków Przedziały ufności Testowanie hipotez Hipoteza zerowa Statystyki testowe Wartości p Moc testu Obliczanie wielkości próby 3. Graficzne modele przyczynowe Myślenie o przyczynowości Wizualizacja związków przyczynowych Czy konsultanci są warci swojej ceny? Błyskawiczny kurs z zakresu modeli graficznych Łańcuchy Rozgałęzienia Kolider Ściąga dotycząca przepływu asocjacji Tworzenie zapytań dotyczących grafu w Pythonie Jeszcze o identyfikacji Założenie o warunkowej niezależności i formuła korygująca Założenie o dodatniości prawdopodobieństwa Przykład identyfikacji na podstawie danych Błąd spowodowany zmiennymi zakłócającymi Zastępcze zmienne zakłócające Jeszcze o randomizacji Błąd doboru Warunki dotyczące kolidera Korygowanie błędu doboru Warunek dotyczący mediatora Część II. Uwzględnianie błędu systematycznego 4. Zaskakująca skuteczność regresji liniowej Potrzebujesz tylko regresji liniowej Dlaczego potrzebujemy modeli? Regresja w testach A/B Korygowanie za pomocą regresji Teoria regresji Regresja liniowa pojedynczej zmiennej Wielozmiennowa regresja liniowa Twierdzenie Frischa-Waugha-Lovella i ortogonalizacja Etap eliminowania błędu systematycznego Etap eliminowania szumu Błąd standardowy estymatora regresji Ostateczny model wyników Podsumowanie na temat twierdzenia FWL Regresja jako model wyników Dodatniość prawdopodobieństwa i ekstrapolacja Nieliniowość w regresji liniowej Linearyzacja oddziaływania Nieliniowe twierdzenie FWL i eliminowanie błędu systematycznego Regresja z użyciem zmiennych zastępczych Eksperymenty warunkowo losowe Zmienne zastępcze Nasycony model regresji Regresja jako średnia ważona wariancją Odejmowanie średniej i efekty stałe Błąd systematyczny spowodowany pominiętą zmienną - zmienne zakłócające w kontekście regresji Neutralne zmienne kontrolne Zmienne kontrolne powodujące szum Dobór cech: kompromis między błędem systematycznym a wariancją 5. Wskaźnik skłonności Wpływ szkoleń menedżerskich Uwzględnianie zmiennych za pomocą regresji Wskaźnik skłonności Szacowanie wskaźnika skłonności Wynik skłonności i ortogonalizacja Technika PSM Wagi będące odwrotnością wskaźnika skłonności Wariancja w metodzie IPW Stabilizowane wagi oparte na wskaźniku skłonności Pseudopopulacje Błąd doboru Kompromis między błędem systematycznym a wariancją Dodatniość prawdopodobieństwa Identyfikacja oparta na projekcie a identyfikacja oparta na modelu Podwójnie odporna estymacja Oddziaływanie łatwe do modelowania Wynik łatwy do modelowania Uogólniony wskaźnik skłonności dla oddziaływania ciągłego Część III. Niejednorodność efektu i personalizacja 6. Niejednorodność efektu Od ATE do CATE Dlaczego predykcje nie są rozwiązaniem Obliczanie wartości CATE za pomocą regresji Ocena predykcji wartości CATE Ocena efektu na podstawie kwantyla z modelu Skumulowany efekt Skumulowany wzrost Transformacja celu Kiedy modele predykcyjne są dobre w porządkowaniu efektów? Krańcowo malejące zwroty Wyniki binarne Wykorzystanie wartości CATE do podejmowania decyzji 7. Systemy metauczące Systemy metauczące dla oddziaływania dyskretnego T-learner X-learner Systemy metauczące dla oddziaływania ciągłego S-learner Podejście DDML Część IV. Dane panelowe 8. Metoda różnicy w różnicach Dane panelowe Kanoniczna postać metody różnicy w różnicach Różnica w różnicach ze wzrostem wyniku Obliczanie różnicy w różnicach na podstawie błędu średniokwadratowego Różnica w różnicach z efektami stałymi Wiele przedziałów czasowych Wnioskowanie Założenia związane z identyfikacją Trendy równoległe Założenie o braku antycypacji i założenie o stabilnej wartości jednostki oddziaływania Ścisła egzogeniczność Brak czynników zakłócających zmiennych w czasie Brak sprzężenia zwrotnego Brak efektu przeniesienia i brak przesuniętej w czasie zmiennej zależnej Dynamika efektu w czasie Metoda różnicy w różnicach ze zmiennymi towarzyszącymi Podwójnie odporna wersja metody różnicy w różnicach Model oparty na wskaźniku skłonności Model zmiany wyników Łączenie wszystkich elementów Stopniowe wprowadzanie oddziaływania Niejednorodność efektu w czasie Zmienne towarzyszące 9. Metoda syntetycznej kontroli Zestaw danych dotyczących marketingu internetowego Reprezentacja macierzowa Metoda kontroli syntetycznej jako regresja pozioma Kanoniczna wersja metody kontroli syntetycznej Metoda kontroli syntetycznej ze zmiennymi towarzyszącymi Eliminowanie błędu systematycznego w metodzie kontroli syntetycznej Wnioskowanie Metoda syntetycznej różnicy w różnicach Jeszcze o metodzie różnicy w różnicach Jeszcze o metodzie syntetycznej kontroli Szacowanie wag związanych z czasem Metoda syntetycznej kontroli i metoda różnicy w różnicach Część V. Inne projekty eksperymentów 10. Eksperymenty geograficzne i eksperymenty z przełączaniem oddziaływania Eksperymenty geograficzne Projektowanie z syntetyczną grupą kontrolną Próba z losową grupą jednostek poddanych oddziaływaniu Wyszukiwanie losowe Eksperyment z przełączaniem oddziaływania Potencjalne wyniki dla sekwencji Szacowanie stopnia efektu przeniesienia Szacowanie oparte na projekcie Optymalny projekt eksperymentów z przełączaniem oddziaływania Odporna wariancja 11. Niezgodność ze schematem przydziału oddziaływania i zmienne instrumentalne Niezgodność Rozszerzanie notacji potencjalnych wyników Założenia związane z identyfikacją zmiennych instrumentalnych Pierwszy etap Postać zredukowana Dwuetapowa metoda najmniejszych kwadratów Błąd standardowy Dodatkowe zmienne kontrolne i instrumentalne Ręczne stosowanie dwuetapowej metody najmniejszych kwadratów Implementacja macierzowa Projekt z nieciągłością Założenia w projekcie z nieciągłością Efekt zamiaru oddziaływania Oszacowanie zmiennej instrumentalnej Skupiska wartości Najważniejsze zagadnienia 12. Dalsze kroki Odkrywanie relacji przyczynowych Sekwencyjne podejmowanie decyzji Przyczynowe uczenie ze wzmacnianiem Prognozowanie przyczynowe Adaptacja domeny