Aperçu du cours
Doel van de opleiding : Deze training is bedoeld voor data-analisten, wetenschappers, econometristen en business intelligence-specialisten die willen leren hoe causale verbanden kunnen worden vastgesteld in datasets en experimentele data-analyse effectief kan worden toegepast. De focus ligt op methoden voor causal inference, experimenteel ontwerp, A/B-testen en geavanceerde statistische modellen.
Prérequis
- Basiskennis van statistiek en data-analyse.
- Ervaring met Python, R of SQL voor dataverwerking is nuttig, maar niet verplicht.
- Basiskennis van regressiemodellen en probabilistische methoden is een pluspunt.
Fonctionnalités
- Causale verbanden identificeren en onderscheiden van correlatie.
- Methodologieën voor causal inference toepassen, zoals instrumentele variabelen en regressie-discontinuïteit.
- Experimentele data-analyse uitvoeren en evalueren met A/B-testen en randomisatie.
- Gegevens analyseren en interpreteren met geavanceerde statistische technieken.
- Machine learning combineren met causal inference voor diepgaandere inzichten.
Public ciblé
- Data-analisten en econometristen die geavanceerde causaliteitsanalyses willen uitvoeren.
- Business intelligence-specialisten en marketinganalisten die A/B-testen en experimenten willen optimaliseren.
- Wetenschappers en onderzoekers die werken met experimentele en observationele data.
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.
Instructeur
