В этом году на «Летней Школе» снова заработает мастерская Дата-журналистики. Ее организует издание «Системный Блокъ». До этого мастерская проводилась в 2019 году — 5 лет назад

В этом году своими знаниями и данными вместе с журналистами Системного Блока поделятся ребята из «Если быть точным» @tochno_st, «Лаборатории университетской прозрачности» @uni_loup, Яндекс-исследований, Инфокультуры, Т-Ж, центра научной коммуникаций ИТМО, института Общей генетики РАН и не только.

В общем, если вы любите сосны и исследования, то можно отлично провести время в июле-августе на «Летней школе» на берегу Волги. В палатке.

Подать заявку на участие можно на странице мастерской (https://letnyayashkola.org/data-jour/) до 20 мая.

🎓Кому будет интересно?

Журналистам, дата-журналистам, студентам и выпускникам медийных и других гуманитарных специальностей, а также программистам, аналитикам данных и визуализаторам, кто готов попробовать себя в новой сфере.

✍🏼 Что будет?

Сначала лекции, а потом практика. Программа состоит из образовательной и проектной части.

В образовательной части мастерской участники узнают, каким данным можно верить и какими источниками пользоваться, как сделать материал интересным, какие бывают виды графиков и как визуализировать данные.

В проектной части вас ждет хакатон: 10 редакций пройдут полный цикл создания медиаматериала на базе подготовленных датасетов. Каждая команда завершит мастерскую с публикацией своего исследования в “Системном Блоке” или у партнеров.

📍Когда и где?

Даты проведения: с 21 июля по 5 августа 2024 года на Волге недалеко от Дубны.

Для всех тех, кто успел посмотреть лекции по экспериментам, выкладываем ссылку на бесплатную книгу по байесовскому анализу данных от Эндрю Гельмана. Книга с историей и, возможно, кто-то, безусловно, знает о ее существовании, но в нашем канале мы ее еще не выкладывали. Поэтому вот: Bayesian Data Analysis. К книге есть отдельный курс. Здесь всё, как вы любите: интерактивный формат, отдельный стэк лекций на aalto, репозитории с кодом на R и python, датасеты, а также задачи для самостоятельного решения. Читаем, смотрим, пишем код, проверяем себя - мы прекрасны! )

@evidencespace

Ранее мы уже рассказывали про развитие микросимуляционных моделей с открытым кодом, позволяющих моделировать эффекты от реформ в налоговом администрировании. Такие модели получают развитие, и вслед за Policy Simulation Library (PSL), которая - с последнего нашего упоминания о ней - заапгредилась в части новых библиотек (появились модели оценки поведенческих факторов населения при изменении подоходного налога, макроэкономические оценки общего равновесия, новые python-библиотеки Tax-Brain) к PSL подключился новый проект PolicyEngine, который использует репрезентативные микроданные опросов домохозяйств (US, UK) и позволяет пользователям моделировать системы налогообложения и льгот в США и Великобритании, предоставляя в том числе low-code платформы (подробнее на странице youtube проекта), которые дают возможность разрабатывать индивидуальные реформы налоговых льгот и видеть, как они влияют на население (бюджет домохозяйств, уровень бедности и неравенство).

Проекты, аналогичные PSL, кратно повышают ценность микроданных выборочных опросов населения, позволяя видеть потенциальные эффекты от планируемых реформ, повышая открытость данных и популяризируя культуру доказательной политики. К сожалению, на сегодняшний день такие решения на данных выборочных обследований Росстата имплементированы только в нескольких российских вузах, не являясь при этом открытыми. Зачастую эти решения выступают инструментами монополии на определенного рода экспертизу конкретного вуза. Отсутствует open-source площадка, где научные школы могли бы развивать подходы к микросимулированию налоговых (и не только) реформ в стране. Такая площадка могла бы стать хорошим проектом для организаций из научной отечественной институциональной среды. А солидарность исследовательских школ к подходам, порядку и механикам расчетов микросимуляционных моделей могла бы лечь в основу стандартов оценки реформ на уровне реализации госполитики. «Так поставим перед собою цель — высшее благо, чтобы стремиться к ней изо всех сил и иметь ее в виду в каждом деле, в каждом слове» )

@evidencespace

Всем привет!
На майской конференции МТС у меня было выступление с докладом про Causal Inference (причинно-следственный анализ) по мотивам проекта, который мы реализовывали вместе с командой.
На примере оценки эффекта от нетаргетированной кампании рассказываю про этапы в работе по оценке эффекта от нетаргетированного предложения.
Этапы:
- построение причинно-следственного графа
- определение корректного набора переменных для оценки эффекта
- непосредственно оценка эффекта

Делюсь ссылкой. Будем рады вопросам😉

https://www.youtube.com/watch?v=oyQsIx-JjAU

#учебники #textbook #методы #methods #learning #Causal_Inference #CI

В преддверии стремительно (особенно для преподавателей) приближающейся летней школы ЛССИ по методам статистического причинно-следственного вывода (ака causal inference) публикуем небольшой список учебников и других образовательных ресурсов по теме, который читатели нашего канала могут найти для себя полезными.

Перечень, разумеется, далеко не полный: в этой области давно уже наступила технологическая текстовая сингулярность - пока прочитаешь один учебник, опубликуют ещё восемь. Представленные в списке источники отображают в первую очередь читательский опыт авторов курса, чьи память и свободное время ограничены и не позволяют объять необъятное. Поэтому не ругайтесь сильно, если мы упустили что-то интересное и важное - лучше просто напишите нам и поставьте в известность.

Итак, вот что мы рекомендуем:


Основные учебники

Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press. Доступен в электронном виде: https://mixtape.scunning.com/index.html

Hernán M., and J.M. Robins. (2020). Causal Inference: What if. Boca Raton: Chapman & Hall/CRC. Обновленный вариант препринта доступен в электронном виде (и с примерами кода, причём не только в R!): https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/


Дополнительные учебники:

Ding, P. (2024). A first course in causal inference. CRC Press. Препринт доступен в электронном виде: https://arxiv.org/abs/2305.18793. Много примеров в R, которые позволяют понять механику соответствующих расчётов в терминах кода. Может быть сложновато для новичков, но зато идеально для тех, кто хочет понять, как статистический причинно-следственный вывод работает «под капотом» с программно-вычислительной точки зрения.

Morgan, S. L., & Winship, C. (2015). Counterfactuals and causal inference. Cambridge University Press. Используют много каузальных диаграмм (DAGs/НАГов). Однако и стандартную перспективу Рубина и др., а также классические дизайны эти авторы излагают неплохо.

Imbens, G. W., & Rubin, D. B. (2015). Causal inference in statistics, social, and biomedical sciences. Cambridge University Press. Самый математически нагруженный учебник из всех. Для тех, кто любит формулы и доказательства, а также готов разбираться с ними без соответствующего кода. Зато написан нобелиатом вместе с крёстным отцом всей дисциплины.

Angrist, J., and J. Pischke. (2008). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press. Не баян, а Классика, но примерно гомеровских времён. База изложена понятно и достойно, хотя детали относительно конкретных методов во многом уже устарели.

Chernozhukov, V., Hansen, C., Kallus, N., Spindler, M., & Syrgkanis, V. (2024). Applied causal inference powered by ML and AI. Доступен в электронном виде (с примерами в Python и R): https://causalml-book.org/. Помимо классических тем (потенциальные исходы, стандартные обсервационные дизайны, НАГи) много внимания уделяется интеграции каузального вывода и методов машинного обучения с акцентом на сценарии с реально большими данными. Много математики, зато очень пригодится, если вы хотите решать по-настоящему сложные прикладные задачи. Также есть отличный сайт-компаньон, посвященный одному из семейств методов, рассматриваемых в книге: https://docs.doubleml.org/stable/

Deng, A. (2021). Causal Inference and Its Applications in Online Industry. Доступен в электронном виде: https://alexdeng.github.io/causal/. Это черновик, причём, насколько можно судить, заброшенный. Однако даёт хорошее представление о том, как с методами каузального вывода работают в онлайн-индустрии. Впрочем, будет полезен и для тех, кто планирует научную карьеру и интересуется онлайн-процессами и/или большими данными.

Blair, G., Coppock, A., & Humphreys, M. (2023). Research design in the social sciences: declaration, diagnosis, and redesign. Princeton University Press. Доступен в электронном виде: https://book.declaredesign.org/. Это не про причинно-следственный вывод в чистом виде, а про ex ante количественную оценку сильных и слабых сторон исследовательского дизайна с помощью статистических экспериментов, но идеи и принципы, изложенные в этой книге, окажут вам неоценимую помощь при анализе каузальных вопросов на практике.

Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal inference in statistics: A primer. John Wiley & Sons. Хорошее нетехническое введение в теорию направленных ациклических диаграмм (НАГов), но (мнение первого автора курса, а также, например, лауреата премии Шве́дского национа́льного ба́нка по экономи́ческим нау́кам па́мяти А́льфреда Но́беля Гвидо Имбенса) не особо полезное с точки зрения решения прикладных задач в социальных науках/оценке эффективности. То же самое замечание можно в целом предъявить и другим учебникам Пёрла и соавторов, да и математики в них больше, а их доступных бесплатных pdf-версий в информационно-телекоммуникационной сети «Интернет» – меньше.

Еще более дополнительные учебники

Вот ещё несколько учебников, которые могут кому-то оказаться полезными и доступны онлайн. Однако доступные ресурсы памяти и свободного времени у авторов ограничены, поэтому подробные отзывы предоставить [пока] не можем. Так что ограничимся ссылками:

Huntington-Klein, N. (2021). The effect: An introduction to research design and causality. Chapman and Hall/CRC. Доступен в электронном виде (с примерами в R, Python и Stata): https://theeffectbook.net/.

Barrett, M., D’Agostino McGowan, L. (2024). Causal Inference in R. Черновик. Доступен в электронном виде: https://www.r-causal.org/.

Bauer, P. (2020). Applied Causal Analysis (with R). Черновик. Доступен в электронном виде: https://bookdown.org/paul/applied-causal-analysis/.

Chabe-Ferre, S. (2024). Statistical Tools for Causal Inference. Черновик. Доступен в электронном виде: https://chabefer.github.io/STCI/.

Brumback, B.A. (2021). Fundamentals of causal inference: With R. Chapman and Hall/CRC.


P.S. И вот ещё немного полезных ссылок на закуску:

- Материалы курса (для политологов) Мэттью Блэквелла, прочитанного в Гарварде в 2022 году: https://mattblackwell.github.io/gov2003-f21-site/.

- Материалы курса (для политологов) Сайруса Самии, прочитанного в Нью-Йоркском университете (NYU) в 2024 году: https://cyrussamii.com/?page_id=3893.

-Материалы курса (для экономистов) Кирилла Боруcяка, прочитанного в Беркли в 2023 году: https://github.com/borusyak/are213.

- Материалы курса (для политологов) Косуке Имаи, прочитанного в Гарварде (NYU) в 2021 году: https://imai.fas.harvard.edu/teaching/cause.html

- Список пакетов R, в той или иной сфере затрагивающих проблематику статистического причинно-следственного вывода: https://cran.r-project.org/web/views/CausalInference.html.

- Личная страница Джуды Пёрла на сайте UCLA: https://bayes.cs.ucla.edu/jp_home.html. А также его блог, в котором в том числе публикуются интересные обзоры на свежую литературу: https://causality.cs.ucla.edu/blog/.