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!
Offert par
A Crash Course in Causality: Inferring Causal Effects from Observational Data
Université de PennsylvanieÀ propos de ce cours
46,423 consultations récentes
Résultats de carrière des étudiants
33%
ont commencé une nouvelle carrière après avoir terminé ce cours
29%
ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Approx. 18 heures pour terminer
Anglais
Sous-titres : Anglais
Compétences que vous acquerrez
Instrumental VariablePropensity Score MatchingCausal InferenceCausality
Résultats de carrière des étudiants
33%
ont commencé une nouvelle carrière après avoir terminé ce cours
29%
ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Approx. 18 heures pour terminer
Anglais
Sous-titres : Anglais
Offert par
Université de Pennsylvanie
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.
Programme du cours : ce que vous apprendrez dans ce cours
4 heures pour terminer
Welcome 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.
4 heures pour terminer
8 vidéos (Total 128 min)
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 Quiz30 min
Practice Quiz30 min
Causal effects30 min
2 heures pour terminer
Confounding 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.
2 heures pour terminer
8 vidéos (Total 86 min)
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 Quiz30 min
Identify from DAGs sufficient sets of confounders30 min
5 heures pour terminer
Matching 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.
5 heures pour terminer
12 vidéos (Total 171 min)
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 Quiz30 min
Practice Quiz30 min
Matching30 min
Propensity score matching30 min
Data analysis project - analyze data in R using propensity score matching30 min
3 heures pour terminer
Inverse 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.
3 heures pour terminer
9 vidéos (Total 119 min)
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 Quiz30 min
IPTW30 min
Data analysis project - carry out an IPTW causal analysis30 min
Avis
Meilleurs avis pour A CRASH COURSE IN CAUSALITY: INFERRING CAUSAL EFFECTS FROM OBSERVATIONAL DATA
par JC20 nov. 2020
A high quality course that delivers what it says in the title. Well-paced introduction to the potential outcomes framework, with a nice balance of theoretical and practical aspects.
par WL16 mars 2019
Very easy to follow examples and great coverage for such an important topic! The delivery sometimes get repetitive and I wish we talked more about how the uncertainties are derived.
par MF27 déc. 2017
I really enjoyed this course, the pace could be more even in parts. Sometimes the pace could be more even and some more books/reference material for further study would be nice.
par FF29 nov. 2017
The material is great. Just wished the professor was more active in the discussion forum. Have not showed up in the forum for weeks. At least there should be a TA or something.
Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
À quoi ai-je droit si j'achète le Certificat ?
Is financial aid available?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
