Causal Inference для аналитика: A/B, DiD, IV, DML

О чём курс

Causal Inference (причинный вывод) — это набор методов, который отвечает на главный вопрос аналитика: «насколько РЕАЛЬНО изменился показатель именно из-за нашего действия — фичи, скидки, цены, рассылки, — а не из-за того, что нам повезло с выборкой, сезоном или самоотбором пользователей?» Корреляция этот вопрос не решает: пользователи с push-уведомлениями платят больше, но push чаще доходит до владельцев новых телефонов, а они и так платят больше.

Что внутри

• Потенциальные исходы, ATE/ATT, рандомизация, доверительные интервалы;
• Графы причинности (DAG), selection и confounding bias, подбор ковариатов (good/bad/neutral controls);
• Регрессия как причинный инструмент, ортогонализация (FWL) и Double Machine Learning;
• Matching, propensity score, баланс ковариат, IPW, doubly robust;
• Difference-in-Differences, fixed effects, и их современные модификации (Goodman-Bacon, event-study);
• Инструментальные переменные и полный 2SLS, слабые инструменты, RDD, синтетический контроль, CausalImpact;
• Гетерогенные эффекты (CATE), meta-learners и uplift-моделирование;
• Валидация оценок (плацебо/negative control, sensitivity, E-value, баланс ковариат) и разбор типичных ловушек (Симпсон, post-treatment bias, интерференция, p-hacking).

Формат

Каждая тема — интуиция и бытовой/бизнес-пример, визуализация (в т.ч. анимации), формула с расшифровкой и практика: квизы на понимание, задачи-соответствия «где конфаундер, где медиатор, где коллайдер», расчётные и code-задачи. В code-задачах разбор ввода уже написан за вас — вы пишете только саму формулу, поэтому задачи посильны каждому. После каждого блока — мини-тест «проверь себя», а завершается курс сквозным разбором бизнес-кейса от вопроса до честного вывода.

Автор

Разборы реальных задач аналитики, ML и SQL — в канале Заскуль питона (zasqlpython.ru).