Mga Causal Diagram para sa Pagsusuri ng Datos at Disenyo ng Pag-aaral

Ang pag-unawa kung bakit ang isang bagay ay nagiging sanhi ng iba ay ang sentro ng epektibong data science at pananaliksik, ngunit madalas na binabalewala ng tradisyonal na istatistika ang pinagbabatayang istrukturang sanhi (causal structure). Sa pamamagitan ng malinaw na pag-mapa ng iyong mga palagay, maiiwasan mo ang mga karaniwang pagkakamali at masisiguro na ang iyong mga konklusyon ay sinusuportahan ng matibay na lohika. Itinuturo sa iyo ng kursong ito kung paano gamitin ang mga causal diagram upang tulay ang agwat sa pagitan ng hilaw na datos at makabuluhang paghinuha (inference). Matututunan mong tukuyin ang mga pinagmumulan ng bias, piliin ang tamang mga variable para sa pagsasaayos (adjustment), at iparating ang kumplikadong mga ugnayan ng sanhi sa pamamagitan ng isang nakabalangkas at lohikal na balangkas. Ano ang matututunan mo: - Unawain ang mga pangunahing prinsipyo ng Directed Acyclic Graphs (DAGs) at causal logic - Tukuyin ang mga karaniwang pinagmumulan ng bias, kabilang ang confounding, selection bias, at measurement error - Ilapat ang mga panuntunan ng d-separation upang matukoy kung aling mga variable ang nangangailangan ng statistical adjustment - Iba-iba ang mediation, interaction, at common cause relationships - Magsanay sa pagsasalin ng mga tanong sa pananaliksik sa malinaw na mga istrukturang sanhi - Matuto ng mga modernong pamamaraan sa causal inference na pinagsasama ang graphical models sa potential outcomes Nagsisimula ang kurso sa mahahalagang terminolohiya at ang lohika ng causality bago lumipat sa mga praktikal na aplikasyon para sa disenyo ng pag-aaral at pagtuklas ng bias. Tutuklasin mo kung paano bigyang-kahulugan ang mga kumplikadong ugnayan at pinuhin ang iyong mga diskarte sa pagsusuri ng datos sa pamamagitan ng nakasulat na paliwanag at conceptual exercises. Ang kursong ito ay idinisenyo para sa mga nagsisimula sa statistics, data science, o pananaliksik na gustong lumampas sa correlation upang maunawaan ang tunay na cause-and-effect. Walang kinakailangang naunang karanasan sa causal modeling. Simulan ang pagbuo ng mas matatag at maaasahang mga modelo ng datos ngayon.