доказательный ⎵ пробел
1.27K subscribers
181 photos
1 video
10 files
285 links
Про causal inference, данные для исследований и принятие решений на основе данных.

Чат: @evidence_chat
Download Telegram
Нобелевские лауреаты 2024: Дарон Аджемоглу, Джеймс Робинсон, Саймон Джонсон за изучение формирования институтов и их роли в процветании. Ура!
👍177👎3🤔1
#wylse

Одна из недавно вышедших статей исследователей Университета Висконсина успела наделать много шума. Профессор Панле Джиа Барвик с командой выпустили в свет работу, исследующую влияние использования людьми приложений на их результаты по академической успеваемости и совокупному денежному доходу: «Digital Distractions with Peer Influence: The Impact of Mobile App Usage on Academic and Labor Market Outcomes» (текст прилагаем).

Исследование проходит на выборке китайских граждан. Используются два основных набора данных, связанных через национальные идентификаторы личностей (аналог нашего ЕСИА): административные данные групп первокурсников университетов за 2018–2020 годы и подробные данные об использовании телефонов от крупных поставщиков телекоммуникационных услуг в тех же локациях за 2018–2021 годы. Как утверждают авторы, эти данные позволяют изучить влияние сверстников на использование приложений студентами, а также оценить влияние использования приложений на академические результаты и результаты на рынке труда. Также Панле и команда используют корпоративные геокодированные данные о местоположении из систем GPS мобильных телефонов и данные полевых исследований. @evidencespace со своей стороны, конечно, поднял бы вопрос о том, насколько деперсонифицированными являются эти данные, а также насколько этично в таком случае использовать их для исследовательского анализа. Но вот основные результаты проведенного исследования:


1. Использование мобильных приложений заразительно: увеличение использования приложений соседями по комнате на одно стандартное отклонение увеличивает использование студентом приложения в среднем на 4,4%.

2. Увеличение использования человеком приложений на одно стандартное отклонение снижает его средний балл на 36,2% от среднего стандартного отклонения внутри когорты. Но, самое главное, снижает уровень его заработной платы на 2,3%!

3. Использование приложений соседями по комнате оказывает как прямое, так и косвенное (через поведенческие побочные эффекты) негативное влияние на средний балл и заработную плату.

4. Распространение политики ограничения игр несовершеннолетних в Китае на студентов колледжей может повысить их заработную плату на 0,7%.

5. Частое использование приложений вытесняет время, проведенное в учебных аудиториях, а также увеличивает пропуски лекций и опоздания на них.

@evidencespace
😱6👍2😁2👎1
Скотт сожалеет, что нобелевская по экономике не ушла Виктору Черножукову, автору DoubleML, и попутно зовет всех на свои воркшопы, которые (теперь уже к нашему сожалению) почти бесплатны (1$) только для жителей Индии. Но напоминает, что у его проекта есть страница на гитхабе, где доступны тьюториалы и презентации воркшопов от всей банды Mixtape. Собственно, мы тоже напоминаем об этом репо, который с момента нашего последнего упоминания о нем обогатился новыми лабами и материалами.

@evidencespace
7👍5👨‍💻3
🟢 Вакансия:

Исследователь-аналитик (количественные исследования)


В проект по оценке результативности / эффективности мер государственной политики (policy evaluation) требуется аналитик с опытом проведения количественных исследований.

Что предстоит делать?

• Участвовать в разработке гипотез и дизайна исследования по оценке влияния мер и мероприятий на достижение запланированных эффектов
• Собирать и обрабатывать данные из открытых источников, оценивать их надежность для проверки гипотез
• Проводить количественные исследования (causal inference)
• Готовить доклады и аналитические материалы с результатами исследований
• Участвовать в разработке рекомендаций по итогам проведенного анализа

Мы бы хотели видеть в нашей команде количественного аналитика:

• С навыками работы с данными в R или Python (сбор и обработка, статистические библиотеки)
• С опытом проведения исследований в области causal inference
• С уровнем английского языка, позволяющего читать и анализировать научные статьи и доклады

Что мы можем предложить?

• Работу с аналитическими проектами, построенными на высоких (академических) требованиях к исследованиям при их последующем влиянии на принятие государственных решений
• Профессиональное развитие в области оценки программ и проектов на основе доказательных подходов
Возможность участвовать в разработке предложений в части реализации государственной политики
• Возможность работать с большим объемом уникальных данных
• Возможность совместить научные интересы с практикой
• Возможность коммуникации с органами исполнительной власти, ключевыми представителями экспертного сообщества, научных и стратегических центров
• Конкурентную оплату труда (обсуждается по итогу отбора) и возможность работать как удаленно, так и в комфортабельном офисе в центре Москвы

◾️◾️◾️

Резюме и отклики на вакансию можно присылать на почту:
e-policy@ya.ru
Please open Telegram to view this post
VIEW IN TELEGRAM
11🔥4🤩2
Forwarded from Conspect
Один из самых, на мой взгляд, драматичных процессов в российском образовании - это сильное изменение образовательных траекторий, выражающееся в отказе от высшего образования. Оно происходит в виде снижения доли перехода из 9 класса в 10 класс - дети (вместе с родителями, конечно) выбирают СПО вместо старшей школы. Пять лет назад, в 2019 году, в 10 класс шли 54% городских школьников и 40% сельских, сейчас - 48% и 36%, то есть почти уже каждый третий.

Среди российского чиновничества и многих экспертов это движение считается очень хорошим - мол, все равно высшее образования это профанация, а тут сразу за станок. С одной стороны, чем плохо? С другой стороны - выпускники СПО сейчас намного реже, чем выпускники школ, поступают в вузы.
Среди первокурсников 2023 года, например, их только 13% (это с учетом заочного обучения - на очном еще меньше).

9 из 10 выпускников полной школы поступают в вузы - и только 2 из 10 выпускников СПО, считая тех, кто делает это через несколько лет после окончания колледжа.

На словах - в намерениях семьи - колледж может считаться способом "обойти ЕГЭ" и поступить в вуз через внутренние экзамены, но на деле молодые люди просто отказываются учиться дальше. Работа есть, зарплата есть - вуз подождет.

И хорошо, если колледж закончен. В СПО намного ниже, чем в вузах, "доходимость" - до конца СПО доползают примерно 80%, а по некоторым специальностям намного меньше.

Тренд на отказ от полной школы продолжается несколько лет. Сильнее всего он заметен в центральных регионах России. И особенно сильно - в сельских школах. В селах Владимирской области только 20% девятиклассников продолжают учебу в школе. За пять лет, с 2019 по 2023 год, здесь 8 человек из ста изменили свою образовательную траекторию в пользу СПО. То есть там, где было 30 человек в 10 классе, осталось 20, и так далее.

Из-за этого доля сельских школьников среди всех выпускников 11-х классов в России снижается и составляет уже меньше 20% при доле сельского населения 25%.

При этом изменения в регионах разные. В северных и многих окраинных они очень небольшие, а конверсия в 10 класс на удивление высокая - 60-70%. Думаю, что в отдаленных регионах она связана с недостатком СПО и их плохой транспортной доступностью, а не с желанием поступать в вуз.

В урбанизированных, с образованным населением и достаточно живыми экономиками регионах Среднего Поволжья переход в СПО намного более массовый - этому способствуют и доступность колледжей, и более привлекательный рынок труда.

Интересно, что минимальные изменения происходят в Москве. Несмотря на то что московские колледжи рекламируются изо всех сил и объективно выглядят намного лучше провинциальных, а поступление в 10 класс в московские школы, судя по жалобам родителей, становится сложнее год от года, изменения здесь не такие большие, чем в других развитых регионах России.

В общем, с одной стороны тренд, конечно, есть, и заметный. С другой - у него есть, на мой взгляд, два разных фактора. Один характерен для больших промышленных регионов, в которых, действительно, отказ от старшей школы поддерживается относительно неплохой структурой рынка профобразования и труда.

Второй - для регионов ЦФО и СЗФО, где на семьи влияют очевидные экономические дефициты. И надо ли там радоваться отказу от школы, большой вопрос, особенно если речь о сельской школе. Ведь в селе, где нет старшей школы, нет и хороших предметников, нет ролевой модели для младших подростков, так что возможности и желание детей получить больше образования будут убывать все быстрее и быстрее.

Данные сводов Минпроса, раскладка плиточной карты - Ивана Дианова.
🔥123😢3
👉 Новые данные: База показателей рождаемости россиянок

База содержит показатели рождаемости в России для календарного периода с 1946 по 2022 годов и для реальных когорт женщин, родившихся в 1932–1988 годов. Показатели рассчитаны на основе данных, полученных от Росстата. Данные представлены в формате *.xlsx.

Показатели рождаемости для календарного периода с 1946 по 2022 гг.:

• Возрастные коэффициенты рождаемости по однолетним группам возраста и порядку рождения
• СКР по порядку рождения
• Cредний возраст матери при рождении ребенка и средний возраст матери при рождении ребенка по порядку рождения

Показатели рождаемости для поколений женщин с 1932 года рождения:

• Возрастные коэффициенты рождаемости по однолетним группам возраста для женских когорт 1932-1988 г.р. для всех рождений и по очередности рождений
накопленные коэффициенты рождаемости к возрасту x по однолетним группам возраста для женских когорт 1932-1988 г.р. для всех рождений и по очередности рождений
• Накопленные коэффициенты рождаемости к возрастам 40, 45 и 50 лет для женских когорт 1932-1984 г.р. для всех рождений и по очередности рождений
• Средний возраст матери при рождении ребенка к возрастам 40, 45 и 50 лет для женских когорт 1932-1983 г.р. для всех рождений и по очередности рождений
• Таблицы рождаемости для женских когорт 1932-1988 г.р.
• Вероятности рождения ребенка следующей очередности к возрастам 40, 45 и 50 лет для женских когорт 1932-1984 г.р.
распределение женщин по итоговому числу детей к возрастам 40, 45 и 50 лет для женских когорт 1932-1984 г.р.

@evidencespace
👍96🔥3👎1
Forwarded from Рюмочная ИПП
Корпус текстов российского законодательства для исследователей

Мы обновили наш открытый корпус текстов российского законодательства RusLawOD (github, huggingface). Теперь он содержит более 280 тысяч документов — с начала современной российской государственности (1991 год) по декабрь 2023 года. Корпус включает как сами тексты, собранные из правительственного источника, так и их морфосинтаксическую разметку, которая позволяет изучать их лингвистические параметры (разметка сделана при помощи средств, опубликованных коллегами из ВШЭ). Подробности — в препринте.

Результаты наших исследований читаемости правовых актов изложены в аналитической записке и в статье в журнале «Право». Иллюстрация к этому посту — это тизер новой статьи, которая готовится к публикации в журнале «Правоведение».

***

В феврале основной автор наших работ по читаемости, Денис Савельев, будет рассказывать о методах обработки правовых текстов в программе ДПО Эмпирические методы в правовых исследованиях — присоединяйтесь!
🔥113👍2
#методы #сausal #inference #учебники #публикации

Ведущий научный сотрудник ЛССИ Борис Соколов недавно выложил в публичный доступ черновую версию своего обзора основных целевых величин (эстимандов), использующихся в статистическом каузальном анализе: АТЕ, АТТ, АТС и прочие тыквенные LATE с CATE. Хотя это ещё не полноценная статья, прошедшая рецензирование, данный текст может оказаться полезным как студентам, так и "взрослым" исследователям или прикладным аналитикам, применяющим соответствующие методы на практике - благо на русском языке литературы по теме откровенно мало.

P.S. Если вы найдёте в рукописи ошибки, неточности, упущения и т.д., или у вас будут иные идеи насчёт того, как её улучшить, можно написать напрямую автору на электронную почту - он открыт к обратной связи и конструктивной критике.
👍9🔥6🎉6
Хотите знать, что происходит в России на уровне районов? У нас есть для этого уникальный датасет! Сегодня мы его обновили – и сделали гораздо удобнее

Полгода назад мы опубликовали датасет с муниципальной статистикой. За это время его скачали несколько тысяч раз — это самый популярный набор в каталоге. Сегодня вышла новая версия. Вот что изменилось:

🔸Внесли данные за 2023 и 2024 годы, которые появились в базе Росстата в конце лета этого года. Теперь в датасете около 300 млн записей.

🔸Добавили 36 новых показателей — например, долю детей в детских садах и число индивидуальных предпринимателей в районе. Посмотреть все показатели и скачать таблицы с данными можно тут.

🔸Поправили ошибки прошлой версии. Например, исправили года и формы собственности — эти несостыковки были в исходных данных Росстата. А еще проверили 79% записей на аномальные значения и отметили их в отдельном столбце.

🔸Главное — добавили стабильные идентификаторы районов, которые учитывают изменения в муниципальной структуре с 2010 года. В 40% районов страны изменились границы муниципалитетов, их типы, названия и коды ОКТМО. Это усложняет сбор длинных рядов со значениями показателя в определенном районе. Теперь исследователи могут не тратить свое время на такую работу и сразу переходить к анализу данных.

Если у вас есть пожелания по форматам данных или новым наборам — напишите в бот @tochno_bot. Ваши замечания мы учтем в новых обновлениях.

⚫️Чтобы у нас получилось собирать больше датасетов — поддержите нас. Это можно сделать через Boosty или Patreon.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11👏3🎉32
#книга
Emil Hvitfeldt "Feature Engineering A-Z"
Открытая книга по предобработке данных и генерации признаков. Пока ещё до конца не дописана, но по деформации признаков, категориальным признакам, пропускам и текстовым признакам информация есть. Примеры кода на R и Python.

https://feaz-book.com/
🔥105
Хорошие новости: J-PAL продолжают запускать бесплатные курсы для специалистов в области оценки и #ebpm (об одном из них рассказывали ранее, надеемся, вы (как и мы) смогли принять участие и получили пользу от прошлого курса). Считаем это достойной практикой. В этот раз тема курса напрямую связана с прикладной областью J-PAL: борьба с бедностью - «The Challenges of Global Poverty». Среди тем: poverty traps (ловушки бедности) и эксперименты, влияние на доходы населения таких факторов как: здравоохранение, образование, питание, предпринимательство. Отдельный блок выделен институтам и политике.

Среди менторов курса Абхиджит Банерджи и Эстер Дюфло - лауреаты Нобелевской премии по экономике 2019 года (присуждена «за экспериментальный подход в борьбе с бедностью»). Курс стартует 21 января и продлится до 30 апреля 2025 года. Это уникальная возможность для всех, кто интересуется вопросами снижения уровня бедности и роста доходов.

➡️Регистрируйтесь вместе с нами.

@evidencespace
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥72👍1
Отличная обзорная лекция по причинно-следственному выводу от Лиззи Сильвер (дата-аналитика WSP) в рамках недавно прошедшей конференции PyCon AU 2024. В лекции Лиззи кратко рассказывает о причинно-следственных связях, а после проводит обзор нескольких программных пакетов python для построение таких связей:
➤ py-tetrad
causal-learn
➤ tigramite
➤ causalnex
➤ cdt (causal discovery toolbox)


Пакеты частично перекрываются, но имеют разные акценты: каждый реализует по крайней мере один алгоритм, не охватываемый другими пакетами, что делает их полезными в разных ситуациях. Репозиторий лекции здесь.

@evidencespace
🔥132👨‍💻2
🕵️‍♂️ Как найти причину? История развития причинного анализа

Причинно-следственный анализ стал одним из самых мощных инструментов современной науки. Сегодня он лежит в основе доказательной политики и помогает отвечать на вопросы о том, что действительно работает. Но откуда он появился? Давайте разберемся!

1. Философские истоки: как всё начиналось?

Идея причинности уходит корнями в философию 🤯 С древних времен люди пытались понять, как одно событие влияет на другое, но систематический подход появился лишь в XVIII-XIX веках

⭐️Дэвид Юм сомневался, что мы можем доказать истинные причинно-следственные связи. Мы видим только последовательность событий, а не сами причины
⭐️Джон Стюарт Милль предложил методы согласия и различия — логические основы для анализа причинности

Эти идеи не были математически формализованы, но задали направление для будущих поколений исследователей

2. Начало количественного подхода: статистическая революция XX века

С развитием статистики в начале XX века причинно-следственный анализ стал более строгим и количественным

⭐️Ежи Нейман предложил концепцию потенциальных исходов (potential outcomes). Каждый объект имеет два возможных результата: с воздействием и без него. Однако мы можем наблюдать только один из них. Этот факт носит название фундаментальная проблема причинного вывода (fundamental problem of causal inference)
⭐️Рональд Фишер популяризировал рандомизированные контролируемые эксперименты (Randomized controlled trial, RCT) 🎲 Показал, что случайное назначение групп позволяет устранить предвзятость и определить истинные несмещенные причинные эффекты

Эти идеи стали основой для строгого анализа данных в науке, включая исследования в сельском хозяйстве и медицине

3. Революция в социальной науке: роль Принстона в 1970-х годах

В 1970-х годах Принстонский отдел трудовых отношений стал центром инноваций в эмпирической экономике 👍

⭐️Орли Ашенфельтер предложил метод разности разностей (Difference-in-Differences, DiD), который позволяет измерять влияние событий или программ, сравнивая изменения в двух группах — участвующих и не участвующих в программе
⭐️Роберт Лалонд показал, что традиционные методы, такие как обычный метод наименьших квадратов (Ordinary least squares, OLS), не всегда могут выявить истинные причинно-следственные связи. Это привело к повышению интереса к экспериментам и квазиэкспериментам

Принстонская школа сделала акцент на прозрачности и достоверности эмпирических исследований, критикуя недостатки существующих методов

4. Инструментальные переменные и Гарвардская теорема LATE

В 1980–1990-х годах развитие причинно-следственного анализа вышло на новый уровень благодаря междисциплинарному подходу 👋

⭐️Джошуа Ангрист использовал метод инструментальных переменных (Instrumental variables, IV), чтобы оценить эффект службы в армии на доходы. Его работа основывалась на случайной лотерее призыва, что сделало его результаты валидными и убедительными
⭐️Хидо Имбенс и Дональд Рубин совместно разработали теорему о локальной оценке эффекта воздействия (LATE, Local Average Treatment Effect), которая объясняет, как можно измерить эффекты в условиях несоблюдения назначения групп воздействия

Теорема LATE стала важной вехой, предоставив строгую теоретическую базу для анализа сложных данных и сделав инструментальные переменные доступными для широкой аудитории

5. Современные достижения: интеграция теории и практики

Сегодня причинно-следственный анализ — мощный инструмент для принятия решений

⭐️Доказательная политика (evidence-based policy): методы каузального анализа применяются повсеместно — от оценки образовательных программ до экономической политики
Много внимания ученых сосредаточено на разработке методов для оценки сложных дизайнов воздействия 👨‍💻
⭐️Слияние теории и эмпирики: объединение философии, статистики и экономики позволило сделать революционные открытия и решать сложные социальные задачи

Источник: подготовлено на основе материалов Скотта Канингема [1, 2, 3]

#канал_обозревает
#канал_рекомендует
@causal_channel
Please open Telegram to view this post
VIEW IN TELEGRAM
13👍6🎉4👏2
Рубрика "Мероприятия"

18 декабря в 16:30 по Москве состоится очередное заседание Общемосковского научного семинара "Математические методы анализа решений в экономике, бизнесе и политике". На семинаре выступят младший научный сотрудник Института проблем правоприменения при Европейском университете в Санкт-Петербурге Сергей Владимирович Бондарьков и ассоциированный профессор Института проблем правоприменения при Европейском университете в Санкт-Петербурге Дмитрий Анатольевич Скугаревский

Название доклада: Нефинансовая информация улучшает предсказание банкротств: применение закона Бенфорда и данных о литигации

Аннотация: Модели предсказания банкротства традиционно опираются на бухгалтерские отчеты компаний. Однако известно, что фирмы могут манипулировать отчетами — и одним из стимулов к этому может быть как раз плохое состояние дел. Мы относимся к этой проблеме, добавляя в модель новые предикторы: соответствие первых цифр значений в бухгалтерских отчетах закону Бенфорда и число не связанных с банкротством судебных разбирательств, в которые вовлечена фирма. Отклонения от закона Бенфорда могут указывать на манипуляции с данными, в то время как участие в судах может сигнализировать, что компания испытывает сложности с выполнением обязательств. Наше моделирование на панели из 2 миллионов российских компаний в 2012–2018 годах показывает, что судебные переменные имеют предсказательную способность, сопоставимую с традиционными финансовыми коэффициентами как для крупных компаний, так и для малых и средних предприятий (МСП). Меры соответствия закону Бенфорда, против ожиданий, не добавляют почти ничего к качеству модели. Чтобы приблизить практическую ценность предлагаемых улучшений, мы оцениваем ожидаемую максимальную прибыль (ОМП) кредиторов от использования модели, в которой к традиционным финансовым коэффициентам добавлены судебные переменные. В случае с кредитованием компаний, не относящихся к малому и среднему бизнесу (МСП), ОМП в 2018 году составила бы 845 миллионов долларов. В случае с МСП — лишь 14 миллионов, что ставит под сомнение целесообразность инвестиций в улучшение моделей банкротства для этого сегмента.

Семинар состоится в онлайн формате на платформе Zoom 18 декабря (среда) в 16:30 по Москве.

Ссылка для подключения: https://us02web.zoom.us/j/86862557441?pwd=bXFTV1VsTksvcVRzd01QdFZwTDFwQT09

Идентификатор конференции: 868 6255 7441
Код доступа: 275177

Приглашаем всех желающих!
🔥7
🔥 Как понять причинность и изменить будущее науки? Judea Pearl на Cutter Lectures 🔥

6 декабря в рамках 176-й Cutter Lecture в Гарвардской школе общественного здравоохранения выступил Джудеа Перл — лауреат премии Алана Тьюринга и один из основоположников современной науки о причинно-следственных связях. Его лекция "The Science of Cause and Effect" была посвящена ключевым вопросам, связанным с разработкой моделей, способных интерпретировать сложные причинно-следственные связи, а также применению этих подходов в медицине и искусственном интеллекте

📝 О чем шла речь?
🟡 Понимание причинности. Перл обсудил рамочную концепцию, которая позволяет ответить на три типа вопросов: взаимосвязь (association), воздействие (intervention) и контрфакты (counterfactuals). Эти уровни анализа — основа так называемой иерархии или лестницы причинности (Pearl's Causal Ladder), которая формирует новое понимание данных и выводов
🟡 Графовые модели. Перл рассказал о своей работе с причинными графами, которые стали мощным инструментом для эпидемиологии и других наук. Эти графы помогают наглядно представлять сложные взаимосвязи между переменными и находить способы тестировать гипотезы
🟡Персонализированное принятие решений. Особое внимание было уделено применению причинного анализа в медицине, где он помогает прогнозировать, как конкретный пациент отреагирует на лечение, исходя из его уникальных характеристик, а не только средних статистических данных

👨‍🏫 Кто такой Джудеа Перл?
Джудеа Перл — профессор Университета Калифорнии в Лос-Анджелесе (UCLA) и директор Cognitive Systems Laboratory. Он автор ключевых книг, таких как "Causality" и "The Book of Why", которые заложили основы причинного анализа с использованием графов. Его исследования охватывают искусственный интеллект, философию науки и когнитивные системы. Перл является членом Национальной академии наук США и лауреатом престижных наград, включая премию Лондонской школы экономики и BBVA Frontiers of Knowledge Award

📊 О Cutter Lectures
Cutter Lectures проводятся с 1912 года и являются старейшей серией лекций в области эпидемиологии и профилактической медицины. Они посвящены глобальным вызовам в сфере общественного здоровья и собирают ведущих учёных и исследователей со всего мира. Лекции организуются Гарвардской школой общественного здравоохранения в память о докторе Джоне Кларенсе Каттере

#канал_рекомендует
@causal_channel
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11
📝 С чего начать свой путь в causal inference?

🟠Изучение новой сферы всегда проходит быстрее и эффективнее, когда рядом есть качественный проводник. Выбор литературы по причинно-следственному анализу довольно велик и очень быстро увеличивается. Обилие разных книг, учебников и хэндбуков может вызывать сложности и растерянность у начинающих 📖 Про то, с каким темпом появляются новые статьи, вообще молчим, но может расскажем в следующий раз 📖

🟠Несколько лет назад мы нашли отличную схему выбора, которая поможет вам определить, какая книга подходит именно вам, в зависимости от ваших целей, уровня подготовки и интересов, составленную Брэди Нилом. Она нам так понравилась, что мы решили её дополнить свежими изданиями, которых с тех пор появилось довольно много, и поделиться с вами (внутри ячеек издания отсортированы по году)

🟠Будем рады, если она поможет вам и станет путеводителем в этой динамичной и быстро меняющейся теме!

🟠Эти и другие полезные источники по эконометрике вы можете найти в нашем репозитории на гитхаб. Также на гитхабе есть материалы к некоторым нашим исследованиям и собранные нами данные

Дисклеймер: мы не читали все книги от начала до конца, но считаем, что достаточно с ними знакомы, чтобы учесть их специфику при составлении схемы

#канал_рекомендует
@causal_channel
Please open Telegram to view this post
VIEW IN TELEGRAM
8🔥7