Representar e identificar relações causais por meio de grafos. Estimar o efeito causal de uma variável em outra. Inferência sobre o grafo causal.
1. Modelo estrutural causal2. Identificação e estimação causal em intervenções3. Contrafactuais4. Noções de estimação do grafo causal
1. Paradoxo de Simpson: apresentação e importância em inferência causal.2. Modelo estrutural causal: redes Bayesianas, confundidores, mediadores, colliders e d-separação.3. Identificação causal em intervenções: backdoor criterion, frontdoor criterion e do calculus.4. Estimação causal em intervenções: formula do ajuste, pesos por probabilidades inversas e ajuste duplamente robusto.5. Modelo de Resultados Potenciais: ligações entre Pearl e Rubin.6. Contrafactuais: definição e estimação.7. Aplicações: variáveis instrumentais, diff-in-diff, controle sintético, e regressão com descontinuidade.8. Descoberta causal: o algoritmo PC.
1. Glymour, M., Pearl, J., & Jewell, N. P. (2016). Causal inference in statistics: A primer. John Wiley & Sons.2. Pearl, J. (2009). Causality. Cambridge university press.3. Cunningham, S. (2021). Causal inference. In Causal Inference. Yale University Press.4. Hernán, M. A., & Robins, J. M. (2010). Causal inference.5. Peters, J., Janzing, D., & Schölkopf, B. (2017). Elements of causal inference: foundations and learning algorithms (p. 288). The MIT Press.6. Angrist, J. D., & Pischke, J. S. (2009). Mostly harmless econometrics: An empiricist's companion. Princeton university press.7. Spirtes, P., Glymour, C. N., Scheines, R., & Heckerman, D. (2000). Causation, prediction, and search. MIT press."
