Cursos

Inferência Causal
Local: FAFICH-UFMG
Professor: Thiago Moreira (UFMG)
thiagomoreira@ufmg.br
21/07/2025 a 25/07/2025
14:00 às 17:00
Total de Horas: 15
Valor: R$ 500,00
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. Em seguida, partiremos para desenhos de pesquisa com dados observacionais e mostraremos como a regressão linear pode ser utilizada para estimar os efeitos médios de tratamento e como o ajuste de covariáveis pode aumentar a precisão dessas estimativas. Introduziremos também o conceito de efeitos heterogêneos, reconhecendo que os efeitos causais podem variar entre diferentes indivíduos ou subgrupos. Os métodos de matching, alicerçados em formas não paramétricas de lidar com covariáveis, serão o assunto do nosso terceiro encontro. Abordaremos a técnica de Diferenças em Diferenças (Diff-in-Diff) na aula 4 e veremos como esse desenho nos permite uma 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 dos 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) alunas(os) terão uma compreensão das principais abordagens e desafios da inferência causal, tanto em contextos experimentais quanto observacionais.

Aula 1 – Resultados Potenciais e Experimentos Randomizados

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

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 – Regressão Linear e Ajuste de Covariáveis

Leitura Obrigatória
Gerber, A. S., & Green, D. P. (2012). Field experiments: Design, analysis, and interpretation. Norton & Company, cap. 4.

Leituras Complementares
Imbens, G. W., & Rubin, D. B. (2015). Causal inference in statistics, social, and biomedical sciences. Cambridge University Press, caps. 21 e 22.

Rosenbaum, P. (2017). Observation and experiment: An introduction to causal inference. Harvard University Press, cap. 5.

Aula 3 – Matching

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

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 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 Discontínua

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.