We have all heard the phrase “correlation does not equal causation.” What, then, does equal causation? This course aims to answer that question and more!
Over a period of 5 weeks, you will learn how causal effects are defined, what assumptions about your data and models are necessary, and how to implement and interpret some popular statistical methods. Learners will have the opportunity to apply these methods to example data in R (free statistical software environment).
At the end of the course, learners should be able to:
1. Define causal effects using potential outcomes
2. Describe the difference between association and causation
3. Express assumptions with causal graphs
4. Implement several types of causal inference methods (e.g. matching, instrumental variables, inverse probability of treatment weighting)
5. Identify which causal assumptions are necessary for each type of statistical method
So join us.... and discover for yourself why modern statistical methods for estimating causal effects are indispensable in so many fields of study!
A Crash Course in Causality: Inferring Causal Effects from Observational Data
proposé par
University of Pennsylvania
À propos de ce cours
4.8
100 notes
Compétences que vous acquerrez
Instrumental VariablePropensity Score MatchingCausal InferenceCausality
Programme du cours : ce que vous apprendrez dans ce cours
Semaine
1Welcome and Introduction to Causal Effects
This module focuses on defining causal effects using potential outcomes. A key distinction is made between setting/manipulating values and conditioning on variables. Key causal identifying assumptions are also introduced.
8 videos (Total 128 min), 3 quiz
8 vidéos
Confusion over causality19 min
Potential outcomes and counterfactuals13 min
Hypothetical interventions17 min
Causal effects19 min
Causal assumptions18 min
Stratification23 min
Incident user and active comparator designs14 min
3 exercices pour s'entraîner
Practice Quiz4 min
Practice Quiz4 min
Causal effects18 min
Semaine
2Confounding and Directed Acyclic Graphs (DAGs)
This module introduces directed acyclic graphs. By understanding various rules about these graphs, learners can identify whether a set of variables is sufficient to control for confounding.
8 videos (Total 86 min), 2 quiz
8 vidéos
Confounding6 min
Causal graphs9 min
Relationship between DAGs and probability distributions15 min
Paths and associations7 min
Conditional independence (d-separation)13 min
Confounding revisited9 min
Backdoor path criterion15 min
Disjunctive cause criterion9 min
2 exercices pour s'entraîner
Practice Quiz8 min
Identify from DAGs sufficient sets of confounders22 min
Semaine
3Matching and Propensity Scores
An overview of matching methods for estimating causal effects is presented, including matching directly on confounders and matching on the propensity score. The ideas are illustrated with data analysis examples in R.
12 videos (Total 171 min), 5 quiz
12 vidéos
Observational studies15 min
Overview of matching12 min
Matching directly on confounders13 min
Greedy (nearest-neighbor) matching17 min
Optimal matching10 min
Assessing balance11 min
Analyzing data after matching20 min
Sensitivity analysis10 min
Data example in R16 min
Propensity scores11 min
Propensity score matching14 min
Propensity score matching in R15 min
5 exercices pour s'entraîner
Practice Quiz6 min
Practice Quiz8 min
Matching12 min
Propensity score matching10 min
Data analysis project - analyze data in R using propensity score matching16 min
Semaine
4Inverse Probability of Treatment Weighting (IPTW)
Inverse probability of treatment weighting, as a method to estimate causal effects, is introduced. The ideas are illustrated with an IPTW data analysis in R.
9 videos (Total 119 min), 3 quiz
9 vidéos
More intuition for IPTW estimation9 min
Marginal structural models11 min
IPTW estimation11 min
Assessing balance9 min
Distribution of weights9 min
Remedies for large weights13 min
Doubly robust estimators15 min
Data example in R26 min
3 exercices pour s'entraîner
Practice Quiz6 min
IPTW18 min
Data analysis project - carry out an IPTW causal analysis8 min
Enseignant
Jason A. Roy, Ph.D.
Professor of BiostatisticsDepartment of Biostatistics and Epidemiology
À propos de University of Pennsylvania
The University of Pennsylvania (commonly referred to as Penn) is a private university, located in Philadelphia, Pennsylvania, United States. A member of the Ivy League, Penn is the fourth-oldest institution of higher education in the United States, and considers itself to be the first university in the United States with both undergraduate and graduate studies.
Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.
À quoi ai-je droit si j'achète le Certificat ?
Lorsque vous achetez un Certificat, vous bénéficiez d'un accès à tout le contenu du cours, y compris les devoirs notés. Lorsque vous avez terminé et réussi le cours, votre Certificat électronique est ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Quelle est la politique de remboursement ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
Coursera propose un accès universel à la meilleure formation au monde,
en partenariat avec des universités et des organisations du plus haut niveau, pour proposer des cours en ligne.
© 2018 Coursera Inc. Tous droits réservés.
