EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI:
• Ottenere una comprensione completa delle metodologie econometriche utilizzate nelle valutazioni delle politiche.
• Imparare come definire, identificare e stimare gli effetti causali nel contesto delle valutazioni delle politiche.
• Esplorare le connessioni tra l'econometria e l'inferenza causale in statistica e comprendere come questi concetti si relazionino tra loro.
• Sviluppare competenze pratiche nell'uso del software R per l'analisi econometrica di valutazione delle politiche.
• Discutere gli ultimi sviluppi di ricerca metodologica nell'inferenza causale.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: apprendimento di un approccio statistico ed econometrico avanzato.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Utilizzazione delle conoscenze e capacita di comprensione delle tecniche di stima su microdati applicate a casi pratici. Le metodologie consentono di poter formulare delle proposte concrete di policy; quanto appreso puo' essere utilizzato nell' ambito della ricerca e per possibili sviluppi lavorativi. Utlizzo di softwares dedicati: R.
AUTONOMIA DI GIUDIZIO: Quanto appreso puo' essere utilizzato per valutare in maniera critica i principali problemi di policy e valutarne l'impatto. Sviluppo di capacita' di analisi di microdati utile ai fini della preparazione di progetti di ricerca. Capacita' di trarre conclusioni rilevanti partendo da problemi e questioni di carattere pratico.
ABILITA' COMUNICATIVE: Saper presentare fatti e meccanismi complessi in maniera rigorosa a interlocutori specialisti e non.
CAPACITÀ DI APPRENDIMENTO: Al termine del corso gli studenti sapranno definire, identificare e stimare estimands causali nel contesto delle valutazioni delle politiche. Gli studenti devono essere in grado di estendere alle loro tesi di laurea le tecniche acquisite continuare a studiare ed elaborare progetti di ricerca in modo autonomo.
Learning Objectives
LEARNING OUTCOMES:
- Obtain a comprehensive understanding of econometric methodologies used in policy evaluations.
-Learn how to define, identify, and estimate causal effects in the context of policy evaluations.
-Explore the connections between econometrics and causal inference in statistics and understand how these concepts relate to each other.
-Develop practical skills in using the R software for econometric analysis of policy evaluations.
-Discuss the latest research developments in methodological causal inference.
KNOWLEDGE AND UNDERSTANDING:
Learning an advanced statistical and econometric approach.
APPLYING KNOWLEDGE AND UNDERSTANDING:
-Apply knowledge and understanding of the estimation techniques by utilizing microdata in policy evaluation scenarios.
-Applications will be based on widely recognized welfare programs.
-Develop skills in using the following software: R.
MAKING JUDGEMENTS:
-Develop microdata analysis skills useful for preparing research projects.
COMMUNICATION SKILLS:
-Learn to present facts, analyze data, and address economic problems rigorously for both specialist and non-specialist audiences.
LEARNING SKILLS:
-By the end of the course, students will be able to define, identify, and estimate causal estimands in the context of policy evaluations.
-Apply these research techniques to independently develop research projects and ideas.
Prerequisiti
Econometria e statistica.
Prerequisites
Econometrics and Statistics.
Programma
Una delle applicazioni centrali dell'economia è la valutazione delle politiche. Per valutare le politiche in maniera rigorosa è cruciale capire il concetto di causalità in econometria. La causalità è importante perché consente agli economisti di andare oltre le semplici correlazioni, fornendo una comprensione più profonda di come le variabili economiche interagiscono e si influenzano reciprocamente. Questa comprensione è essenziale per prendere decisioni economiche informate, progettare politiche efficaci e avanzare nella teoria economica. Ad esempio, aiuta a determinare se un aumento del salario minimo porti direttamente a cambiamenti nei livelli di occupazione. Questo corso approfondisce argomenti avanzati nell'inferenza causale, con particolare attenzione ai 'disegni irregolari' e agli studi osservazionali. I disegni irregolari rappresentano scenari complessi in cui le comuni assunzioni necessarie per stimare gli effetti causali non si applicano. Esempi di disegni irregolari includono esperimenti randomizzati influenzati dalla mancata “compliance” delle unità, così come studi osservazionali con variabili rilevanti omesse. Inoltre, si analizzeranno altri disegni irregolari, come il regression discontinuity design, in cui l'assegnazione del trattamento si basa su soglie specifiche, generando problemi di overlapping e altri metodi per dati panel con assunzioni di parallel trends o simili. La seconda parte del corso si focalizzerà sugli effetti di contaminazione. Qui, si supera l'assunzione comune di indipendenza tra le unità per indagare come il trattamento di un'unità possa riverberare sugli outcome delle altre. Verranno introdotte metodologie statistiche all'avanguardia progettate per stimare gli effetti di treatment spillover o di peer-influence, in particolare all'interno di cluster di unità o network.
La parte iniziale è dedicata all’esame di concetti generali e di contesto: "Introduction" (12 ore circa); una seconda parte è dedicata al seguente topic: "Instrumental Variable, Treatment Endogeneity, and other irregular designs" (12 ore circa) e una terza parte (12 ore circa) all'argomento: "Spillovers and Interference: Randomized Experiments and Observational Studies."
Introduction
· Potential Outcomes Framework
· Fisher’s Randomization Tests
· Permutation Tests for Cluster Randomized Experiments
· Fisher Randomization Tests for Multiple Outcomes
· Neyman Estimator for Completely Randomized Experiments
· Horvitz-Thomson Estimator
· Imputation-Based Estimation
· Stratification and Regression adjustment
· Observational studies and Unconfoundedness
Instrumental Variable, Treatment Endogeneity, and other irregular designs
· Treatment non-compliance
· Methods of Moments and Likelihood-based Inference
· Instrumental Variable in Observational Studies for Treatment Endogeneity
· Regression Discontinuity Deign
· Difference-in-Differences
Spillovers and Interference: Randomized Experiments and Observational Studies
· Definition of Interference and Spillover Effects
· Causal Estimands under Partial and Network Interference
· Two-Stage Randomized Experiments
· IPW and Randomization-based Estimators for Randomized Experiments
· IPW Estimator in Observational Studies
Program
One of the central applications of economics is the evaluation of policies and interventions.
Causality is important in econometrics because it enables economists to go beyond mere
correlations, providing a deeper understanding of how economic variables interact and influence each other. This understanding is essential for making sound economic decisions, designing effective policies, and advancing economic theory. For example, it helps determine whether an increase in the minimum wage directly leads to changes in employment levels. This course delves into advanced topics in causal inference, particularly focusing on 'irregular design’ and observation studies. Irregular designs represent complex scenarios where the standard assumptions required for estimating causal effects do not apply. Examples of irregular designs include randomized experiments affected by non-compliance, as well as observational studies with unmeasured confounding variables. Additionally, we explore other challenging irregular designs, such as regression discontinuity designs, where treatment assignment relies on specific thresholds, leading to issues of overlap and other methods for panel data with parallel trends or similar assumptions. In the course's second segment, our exploration extends to the realm of spillover effects. Here, we transcend the common assumption of independence between units and investigate how the treatment of one unit may reverberate onto the outcomes of others. We introduce cutting-edge statistical methodologies tailored for estimating spillover or peerinfluence effects, particularly within clusters of units or social networks.
The initial part focuses on general concepts and context: “Introduction” (approximately 12 hours).
The second part covers the following topic: “Instrumental Variable, Treatment Endogeneity, and other irregular designs” (approximately 12 hours).
The third part (approximately 12 hours) delves into the subject of “Spillovers and Interference: Randomized Experiments and Observational Studies”.
Introduction
· Potential Outcomes Framework
· Fisher’s Randomization Tests
· Permutation Tests for Cluster Randomized Experiments
· Fisher Randomization Tests for Multiple Outcomes
· Neyman Estimator for Completely Randomized Experiments
· Horvitz-Thomson Estimator
· Imputation-Based Estimation
· Stratification and Regression adjustment
· Observational studies and Unconfoundedness
Instrumental Variable, Treatment Endogeneity, and other irregular designs
· Treatment non-compliance
· Methods of Moments and Likelihood-based Inference
· Instrumental Variable in Observational Studies for Treatment Endogeneity
· Regression Discontinuity Deign
· Difference-in-Differences
Spillovers and Interference: Randomized Experiments and Observational Studies
· Definition of Interference and Spillover Effects
· Causal Estimands under Partial and Network Interference
· Two-Stage Randomized Experiments
· IPW and Randomization-based Estimators for Randomized Experiments
· IPW Estimator in Observational Studies
Testi Adottati
• Imbens, G. W., & Rubin, D. B. (2015). Causal inference in statistics, social, and
biomedical sciences. Cambridge University Press.
Web page: https://www.cambridge.org/core/books/causal-inference-for-statistics-socialand-biomedical-sciences/71126BE90C58F1A431FE9B2DD07938AB
• Ding, P. (2023). A First Course in Causal Inference. arXiv preprint arXiv:2305.18793.
Web page: https://arxiv.org/abs/2305.18793
• Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2023). A Practical Introduction to
Regression Discontinuity Designs: Extensions. ArXiv. /abs/2301.0895
• Roth, J., Sant’Anna, P. H., Bilinski, A., & Poe, J. (2023). What’s trending in difference-
in-differences? A synthesis of the recent econometrics literature. Journal of
Econometrics.
• Hudgens, M. G., & Halloran, M. E. (2008). Toward causal inference with interference.
Journal of the American Statistical Association, 103(482), 832-842.
• Aronow, P. M., & Samii, C. (2017). Estimating average causal effects under general
interference, with application to a social network experiment.
• Forastiere, L., Airoldi, E. M., & Mealli, F. (2021). Identification and estimation of
treatment and interference effects in observational studies on networks. Journal of the
American Statistical Association, 116(534), 901-918.
• Vazquez-Bare, G. (2022). Identification and estimation of spillover effects in randomized
experiments. Journal of Econometrics
Books
• Imbens, G. W., & Rubin, D. B. (2015). Causal inference in statistics, social, and
biomedical sciences. Cambridge University Press.
Web page: https://www.cambridge.org/core/books/causal-inference-for-statistics-socialand-biomedical-sciences/71126BE90C58F1A431FE9B2DD07938AB
• Ding, P. (2023). A First Course in Causal Inference. arXiv preprint arXiv:2305.18793.
Web page: https://arxiv.org/abs/2305.18793
• Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2023). A Practical Introduction to
Regression Discontinuity Designs: Extensions. ArXiv. /abs/2301.0895
• Roth, J., Sant’Anna, P. H., Bilinski, A., & Poe, J. (2023). What’s trending in difference-
in-differences? A synthesis of the recent econometrics literature. Journal of
Econometrics.
• Hudgens, M. G., & Halloran, M. E. (2008). Toward causal inference with interference.
Journal of the American Statistical Association, 103(482), 832-842.
• Aronow, P. M., & Samii, C. (2017). Estimating average causal effects under general
interference, with application to a social network experiment.
• Forastiere, L., Airoldi, E. M., & Mealli, F. (2021). Identification and estimation of
treatment and interference effects in observational studies on networks. Journal of the
American Statistical Association, 116(534), 901-918.
• Vazquez-Bare, G. (2022). Identification and estimation of spillover effects in randomized
experiments. Journal of Econometrics
Bibliografia
LETTURE SUGGERITE
• Hernán MA, Robins JM (2020). Causal Inference: What If. Boca Raton: Chapman &
Hall/CRC
Web page: https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
• DiTraglia, Lecture Notes on Treatment Effects (or Completely Innocuous Econometrics)
Web page: https://www.treatment-effects.com/treatment-effects.pdf
Bibliography
SUGGESTED READINGS
• Hernán MA, Robins JM (2020). Causal Inference: What If. Boca Raton: Chapman &
Hall/CRC
Web page: https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
• DiTraglia, Lecture Notes on Treatment Effects (or Completely Innocuous Econometrics)
Web page: https://www.treatment-effects.com/treatment-effects.pdf
Modalità di svolgimento
Lezioni frontali
Sessioni di Laboratorio. Utilizzo aule dedicate con postazioni PC
Esercitazioni Pratiche
Workshops (lezioni pratiche in aula) con presentazione dei risultati di progetti assegnati agli studenti
Lezioni incentrate sulla soluzione dei problemi (problem-solving)
Prendere appunti
Prendere in esame i testi di riferimento.
Leggere o studiare testi e altri materiali in particolare articoli relativi a reading lists suggerite dal docente
Teaching methods
Classroom Lectures;
Laboratory sessions, Exercises
Workshops and students discussions on specific projects assigned
Lessons focused on problem-solving
Analysis of referred readings and textbooks
Suggested articles and readings
Regolamento Esame
Il voto sarà espresso in tretesimi.
Al fine di acquisire la conoscenza della metodologia e interpretare correttamente i risultati: Esame scritto di teoria e applicazioni della metodologia con software R, peso: 70%;
Al fine di migliorare l'esposione e capacità di condurre un progetto di ricerca autonomo: Lavoro di gruppo per un progetto di ricerca, peso 30%.
Criteri per la formulazione del giudizio espresso in trentesimi:
o Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni.
o 18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti.
o 21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica coerente.
o 24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso.
o 27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi, sintesi. Buona autonomia di giudizio.
o 30-30L: Ottimo livello di conoscenza e comprensione degli argomenti. Notevoli capacità di analisi e di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale.
Exam Rules
The grade will be expressed in 30/30.
To acquire the knowledge of the methodology and correctly interpret the results: written exam on theory and applications of the methodology with R. weight: 70%;
To improve the presentation skills and the ability to conduct an independent research project: Group work for a research project, weight: 30%.
Evaluation criteria:
Failed: Significant deficiencies and/or inaccuracies in understanding the topics; limited abilities in analysis and synthesis, frequent generalizations.
18-20: Knowledge and understanding of the topics are barely sufficient with possible imperfections; adequate abilities in analysis, synthesis, and independent judgment.
21-23: Routine knowledge and understanding of the topics; correct abilities in analysis and synthesis with coherent logical reasoning.
24-26: Decent knowledge and understanding of the topics; good abilities in analysis and synthesis with rigorously expressed arguments.
27-29: Comprehensive knowledge and understanding of the topics; remarkable abilities in analysis, synthesis, and good independent judgment.
30-30L: Excellent level of knowledge and understanding of the topics. Outstanding abilities in analysis, synthesis, and independent judgment. Arguments expressed in an original manner.
Prof.ssa Lucia Leonelli
