- Суть
- Методы Causal Inference для оценки эффектов на нерандомизированных данных в продуктовых задачах
- Уровень
- для практикующих
- На выходе
- Оценивать причинно-следственные эффекты на нерандомизированных данных; Применять CatBoost и XGBoost в причинно-следственном анализе; Учитывать ненаблюдаемые переменные при работе с панельными данными; Проводить A/A-симуляции и анализ остатков для проверки качества модели
- Навыки
- Линейная регрессия OLS · Two-Way Fixed Effects · Double Machine Learning · Difference-in-Differences · Синтетический контроль Causal Impact · Методы IPTW и DRE · Propensity Score · Инструментальные переменные
- Кому подойдёт
- Специалисты по Data Science; Продуктовые аналитики; Маркетинговые аналитики; Аналитики данных
- Знать заранее
- Уметь программировать на Python; Работать с Pandas и Numpy