Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

Standart tahmin modelleri geçmiş korelasyonları öğrenir; ancak "fiyatı düşürürsek satış ne kadar artar?" ya da "bu kredi limit artışı temerrüdü nasıl etkiler?" gibi müdahale (intervention) sorularında korelasyon yanıltıcıdır. Bu program; nedensel grafikler (DAG), karıştırıcı değişkenler (confounders), seçim yanlılığı, propensity score eşleştirme/ağırlıklandırma (IPW), Double/Debiased Machine Learning (DML) ve Causal Forest ile bireysel etki (CATE) tahminini ele alır.

Rastgele deneyin mümkün olmadığı durumlar için Difference-in-Differences, Synthetic Control ve Instrumental Variables yöntemleri ile DoWhy ve EconML kütüphaneleri uygulamalı kullanılır. Katılımcılar gözlemsel kurum verisi üzerinde müdahale etkisi ve duyarlılık (refutation) raporu üretir.

Kimler Katılmalı?

  • Kıdemli veri bilimciler ve ekonomistler/ekonometristler
  • Fiyatlama, pazarlama etkisi, risk politikası ve ürün analitiği ekipleri
  • Strateji ve karar bilimi (decision science) uzmanları
  • Ön koşul: İstatistik, regresyon ve Python ile makine öğrenmesi deneyimi

Kazanımlar

  • İş problemini nedensel grafik (DAG) ile çizip karıştırıcı ve collider değişkenleri ayırmak
  • Gözlemsel veride IPW, Doubly Robust ve Double ML ile ortalama müdahale etkisini (ATE) tahmin etmek
  • EconML ve Causal Forest ile hangi müşteri/segmentin müdahaleden ne kadar etkileneceğini (CATE) bulmak
  • DiD ve Synthetic Control ile bölgesel veya zamansal politika değişikliklerini değerlendirmek
  • DoWhy refutation ve duyarlılık testleriyle nedensel tahminin sağlamlığını sınamak

Konular

Nedensel Çerçeve, Potansiyel Sonuçlar ve DAG
  • Tahmin vs müdahale, Simpson paradoksu ve seçim yanlılığı
  • Backdoor kriteri, confounder, mediator ve collider yapıları
Gözlemsel Veride ATE Tahmini
  • Propensity score, IPW ve Doubly Robust (AIPW) tahminleyiciler
  • Overlap (positivity) kontrolü ve ağırlık kırpma
Double ML ve Heterojen Etkiler (CATE)
  • EconML ile Double/Debiased ML ve meta-learner'lar (S/T/X/R-learner)
  • Causal Forest ile kişiselleştirilmiş politika ve fiyat esnekliği
Yarı-Deneysel (Quasi-Experimental) Yöntemler
  • Difference-in-Differences (DiD) ve paralel trend varsayımı
  • Synthetic Control, Regression Discontinuity ve Instrumental Variables
Doğrulama, Refutation ve Karar Politikası
  • DoWhy ile plasebo müdahale, rastgele ortak neden ve alt küme testleri
  • Maliyet kısıtı altında optimal hedefleme politikası öğrenme

Bu Kategorideki Diğer Eğitimler

Bizimle iletişime geçin