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
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
📖 Обновление книги по причинно-следственному анализу

Мы постепенно возвращаемся с каникул и собираемся вновь начать радовать вас постами! 👋

А пока все отдыхали, 2 января Джейми Робинс и Мигель Эрнан опубликовали новую версию своей книги, посвящённой методам каузального анализа -- «Causal Inference: What If». Книга будет полезна всем, кто занимается изучением причинно-следственных связей: эпидемиологам, статистикам, психологам, экономистам, социологам, политологам и специалистам в области Data Science.

📥 Скачать актуальную версию книги бесплатно

Кроме того, вы можете пройти бесплатный онлайн-курс Мигеля Эрнана «Causal Diagrams: Draw Your Assumptions Before Your Conclusions», который доступен на платформе edX. В курсе вы научитесь использовать причинно-следственные диаграммы для улучшения проектирования исследований и анализа данных.

Что вы узнаете на курсе:
🟠Как перевести экспертные знания в причинно-следственную диаграмму
🟠Как строить диаграммы при разных предположениях
🟠Как выявлять распространённые типы смещения
🟠Как использовать диаграммы для корректного анализа данных

#канал_рекомендует
@causal_channel
Please open Telegram to view this post
VIEW IN TELEGRAM
👍92🔥1
Program Evaluation for Public Service 👨‍🎓

Andrew Heiss (Andrew Young School of Policy Studies, Georgia State University), известный нам, например, по материалам курса Data Visualization (актуализированная версия), изучающего принципы графического дизайна на основе R и ggplot2, поделился материалами курса Program Evaluation for Public Service. В этом курсе дается введение в область причинно-следственных связей (causal inference) с использованием R и tidyverse в применении к оценке эффективности социальных программ.

Для того, чтобы войти в курс дела, можно посмотреть подборку С чего начать свой путь в causal inference? и Оценка причинно-следственных связей от наших уважаемых коллег из МГУ им. М.В. Ломоносова, а также Causal Inference in R у нас на канале.
5🔥3👍1