Cursos

Inferência Causal
Local: Remoto
Professor: Thiago Moreira (UFMG)
thiagomoreira@ufmg.br
06/07/2026 a 10/07/2026
18:30 às 21:30
Total de Horas: 15
Valor: R$ 590,00
Ementa: A busca pelo estabelecimento de relações causais robustas é um empreendimento fundamental nas ciências sociais e em diversas disciplinas aplicadas. Este curso oferece uma introdução abrangente aos métodos e conceitos estatísticos desenvolvidos para esse tipo de inferência, distinguindo-os de simples associações ou correlações. O curso é baseado na estrutura de resultados potenciais, que fornece um arcabouço conceitual para definir e identificar os efeitos causais de intervenções ou exposições, comparando os resultados que teriam ocorrido sob diferentes condições. Inicialmente, a ideia é explorar o papel crucial dos experimentos randomizados, cuja atribuição aleatória de tratamentos a unidades contribui para a criação de grupos comparáveis, permitindo a estimação direta e não enviesada de efeitos causais, um princípio central nos trabalhos de Neyman e Fisher. Na segunda aula, abordaremos as técnicas de matching, alicerçadas em formas não paramétricas de lidar com covariáveis, com o objetivo de construir grupos comparáveis a partir de dados observacionais. Na terceira aula, introduziremos o uso de variáveis instrumentais, destacando suas condições de validade e seu papel na identificação de efeitos causais em contextos com endogeneidade. A técnica de Diferenças em Diferenças (Diff-in-Diff) é o assunto da aula 4: veremos como esse desenho permite a estimação causal ao analisarmos mudanças ao longo do tempo. Por último, dedicaremos uma aula à Regressão Descontínua (RDD), técnica direcionada a um ponto de corte para determinar a atribuição de um tratamento, gerando uma forma particular de randomização local.
Pré-requisitos: Conhecimento básico de estatística, de econometria e da linguagem de programação R.
Método de Ensino: A disciplina será pautada por aulas expositivas, leituras diárias e aplicação das técnicas ensinadas no software R. A leitura prévia dos textos é facultativa, mas amplamente indicada.
Avaliação: A avaliação da disciplina será baseada na aplicação das técnicas ensinadas em um exercício ao final do curso. É recomendado que as alunas e os alunos façam o trabalho em duplas.
Software: Neste curso usaremos o software R, a ferramenta mais popular de análise de dados para cientistas sociais atualmente. O software pode ser baixado gratuitamente. Recomendo também que as alunas e os alunos façam o download da interface gráfica Rstudio, que facilita a operacionalização do software.
Expectativas: Ao final do curso, as(os) estudantes terão uma compreensão das principais abordagens e desafios da inferência causal, tanto em contextos experimentais quanto observacionais.

Aula 1 – Resultados Potenciais e Experimentos Randomizados

Leitura Obrigatória
Gerber, A. S., & Green, D. P. (2012). Field experiments: Design, analysis, and interpretation. Norton & Company, cap. 2.

Leituras Complementares
Rosenbaum, P. (2017). Observation and experiment: An introduction to causal inference. Harvard University Press, cap. 2.

Imbens, G. W., & Rubin, D. B. (2015). Causal inference in statistics, social, and biomedical sciences. Cambridge University Press, caps. 1 e 2.

Aula 2 – Matching e Ajuste de Covariáveis

Leituras Obrigatórias
Rosenbaum, P. (2017). Observation and experiment: An introduction to causal inference. Harvard University Press, cap. 11.

Cinelli, Carlos, Andrew Forney, and Judea Pearl. 2022. “A Crash Course in Good and Bad Controls.” Sociological Methods & Research.

 

Leituras Complementares
Imbens, G. W., & Rubin, D. B. (2015). Causal inference in statistics, social, and biomedical sciences. Cambridge University Press, caps. 15, 16 e 18.

Rosenbaum, P. R. (2020). Modern algorithms for matching in observational studies. Annual Review of Statistics and Its Application, 7(1), 143-176.

Zubizarreta, J., Stuart, E., Small, D. & Rosebaum, P. (Eds). (2023). Handbook of matching and weighting adjustments for causal inference. CRC Press.

Aula 3 – Variáveis Instrumentais

Leitura Obrigatória
Huntington-Klein, N. 2021. The effect: An introduction to research design and causality. CRC Press, cap. 19.

Leituras Complementares
Mellon, Jonathan. 2024. “Rain, Rain, Go Away: 194 Potential Exclusion-restriction Violations for Studies Using Weather as an Instrumental Variable.” American Journal of Political Science.

Lal, Apoorva, Mackenzie Lockhart, Yiqing Xu, and Ziwen Zu. 2024. “How Much Should We Trust Instrumental Variable Estimates in Political Science? Practical Advice Based on 67 Replicated Studies.” Political Analysis.

Cinelli, C., & Hazlett, C. 2025. An omitted variable bias framework for sensitivity analysis of instrumental variables. Biometrika, 112(2).

Aula 4 – Diff-in-Diff

Leitura Obrigatória
Cunningham, S. (2021). Causal inference: The mixtape. Yale University Press, p. 259-283.

Leituras Complementares
Rosenbaum, P. (2017). Observation and experiment: An introduction to causal inference. Harvard University Press, p. 162-167.

Angrist, J. D., & Pischke, J. S. (2009). Mostly harmless econometrics: An empiricist’s companion. Princeton University Press, cap. 5.

Aula 5 – Regressão Descontínua

Leitura Obrigatória
Cattaneo, M; Titiunik, Rocío; & Vazquez-Bare, Gonzalo (2020). The Regression  Discontinuity Design. In: Sage Handbook of Research Methodsin Political Science & International Relations. Ed. by Luigi Curini and RobertJ Franzese Jr. Sage Publication.

Leituras complementares
Cunningham, S. (2021). Causal inference: The mixtape. Yale university press, p. 151-203.

Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2021). A practical introduction to regression discontinuity designs: Foundations. Cambridge University Press.

Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2024). A practical introduction to regression discontinuity designs: Extensions. Cambridge University Press.

Hanretty, C. (2024). How not to conduct a regression discontinuity design using a continuous measure of democracy. Party Politics. doi:10.1177/13540688241288465.