Détails
- 3 Sections
- 9 Lessons
- 3 Days
Expand all sectionsCollapse all sections
- Dag 1: Basisprincipes van Causal Inference en Experimenteel Ontwerp (7 uur)3
- 1.1Waarom causal inference? Het verschil tussen correlatie en causaliteit (2 uur) Problemen van simpele correlatie en bias in observatiegegevens. Overzicht van causale inferentie technieken en frameworks. Praktijk: Identificeren van causale en niet-causale verbanden in een dataset.
- 1.2Experimenteel ontwerp en A/B-testen (3 uur) Randomisatie en gecontroleerde experimenten. Opzetten van statistisch significante experimenten en sample size berekening. Praktijk: Ontwerpen en analyseren van een A/B-test in Python of R.
- 1.3Confounders en Bias verminderen (2 uur) Selectiebias en Simpson’s paradox. Het belang van propensity score matching en stratificatie. Praktijk: Corrigeren van bias in een dataset met propensity score matching.
- Dag 2: Geavanceerde Methoden voor Causal Inference (7 uur)3
- 2.1Instrumentele Variabelen (IV) en Regressie-Discontinuïteit (RDD) (3 uur) Wanneer en hoe IV-methoden worden toegepast. Identificatie en validatie van instrumentele variabelen. Praktijk: Toepassen van IV en RDD-analyse op economische of gezondheidsdata.
- 2.2DID (Difference-in-Differences) en Synthetic Control Methods (2 uur) Hoe je causale effecten schat bij beleidsveranderingen. Vergelijken van DID met andere methoden zoals fixed effects regressie. Praktijk: Uitvoeren van een DID-analyse in R of Python.
- 2.3Bayesiaanse causaliteit en causal inference in Machine Learning (2 uur) Bayesian Networks en probabilistische modellen. Toepassen van causal inference in AI en machine learning. Praktijk: Modelleren van een Bayesiaans netwerk voor causaliteitsanalyse.
- Dag 3: Toepassingen en Case Studies in Causal Inference (7 uur)3
- 3.1Praktische toepassingen in bedrijfscontext (3 uur) Hoe causal inference helpt bij marketing, gezondheidszorg en economisch onderzoek. KPI-optimalisatie en causaliteitsanalyse in bedrijfsdata. Praktijk: Analyseren van causaliteit in klantgedrag en bedrijfsresultaten.
- 3.2Causal inference en policy-evaluatie (2 uur) Hoe beleidsmakers causaliteit gebruiken voor effectbeoordeling van interventies. Gebruik van synthetic control methoden en RDD in beleidsanalyse. Praktijk: Evaluatie van een beleidseffect met causal inference.
- 3.3Case Study en Afsluiting (2 uur) Werken met echte datasets en complexere causaliteitsproblemen. Praktijk: Deelnemers presenteren een causale analyse en verdedigen hun bevindingen.
Waarom causal inference? Het verschil tussen correlatie en causaliteit (2 uur) Problemen van simpele correlatie en bias in observatiegegevens. Overzicht van causale inferentie technieken en frameworks. Praktijk: Identificeren van causale en niet-causale verbanden in een dataset.
Préc.
Confounders en Bias verminderen (2 uur) Selectiebias en Simpson’s paradox. Het belang van propensity score matching en stratificatie. Praktijk: Corrigeren van bias in een dataset met propensity score matching.
Suivant
