O que você vai aprender:

• Compreender os fundamentos da inferência causal e a diferença entre correlação e causalidade;

• Utilizar os principais frameworks da área, incluindo Resultados Potenciais e Grafos Acíclicos Dirigidos (DAGs);

• Identificar e corrigir vieses comuns em estudos observacionais;

• Aplicar métodos clássicos como Matching, Propensity Score, Variáveis Instrumentais, Fixed Effects, Differences-in-Differences, Controle Sintético e Regressão Descontínua;

• Estimar efeitos heterogêneos de tratamento utilizando Meta-Learners;

• Aplicar técnicas modernas de Machine Learning Causal, incluindo Double Machine Learning e métodos Doubly Robust;

• Resolver problemas reais de avaliação de impacto com dados e estudos de caso práticos em Python.

Como funciona o curso:

• Mais de 20 aulas combinando teoria, intuição e implementação prática;

• Notebooks em Python e material de apoio para acompanhamento das aulas;

• Exercícios e exemplos guiados para consolidar os conceitos;

• Estudos de caso reais envolvendo políticas públicas, educação, saúde e negócios.

Para quem é:

• Cientistas e analistas de dados que desejam ir além da análise correlacional e realizar inferência causal;

• Profissionais que trabalham com experimentação, avaliação de impacto ou tomada de decisão baseada em dados;

• Pesquisadores, economistas e profissionais de áreas quantitativas que desejam aplicar métodos causais modernos;

• Qualquer pessoa interessada em entender como responder perguntas de causa e efeito utilizando dados.

⚠️ Pré-requisitos:

• Conhecimentos intermediários de Python  (caso não tenha, recomendamos também o combo de Python disponível no checkout);

• Familiaridade com estatística básica, regressão linear e análise de dados.

Caso não tenha esses pré-requisitos, sugerimos adquirir o EBA Estatística (Formação Completa). O módulo de causalidade está incluso nessa formação

Tempo de acesso: 1 ano.