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 e degli interventi. L'analisi causale consente agli economisti di andare oltre le associazioni statistiche e di studiare come gli outcome cambierebbero in presenza di politiche o interventi alternativi. Questo è essenziale per progettare politiche efficaci, sostenere decisioni economiche informate e valutare spiegazioni alternative dei fenomeni osservati.
Il corso adotta il framework dei potential outcomes e pone particolare enfasi sulla distinzione tra estimand causali, assunzioni di identificazione, stimatori e procedure inferenziali. Il corso combina la tradizione statistica, che assume come punto di partenza gli esperimenti randomizzati e i meccanismi di assegnazione basati sul caso, con la tradizione econometrica, che studia contesti nei quali il trattamento e le variabili economiche possono essere determinati da scelte individuali, regole istituzionali o meccanismi di mercato.
Il corso tratta esperimenti randomizzati, studi osservazionali sotto unconfoundedness, endogeneità del trattamento, identificazione parziale, disegni quasi-sperimentali e contesti caratterizzati da interferenza ed effetti di spillover. Particolare attenzione è dedicata alla credibilità e all'interpretazione delle assunzioni richieste da ciascun disegno di ricerca, nonché alla loro implementazione empirica mediante R.
La prima parte introduce il framework dei potential outcomes e i metodi per gli esperimenti randomizzati.
La seconda parte considera gli studi osservazionali sotto unconfoundedness, includendo regressione, metodi basati sul propensity score, ponderazione, stima doubly robust e matching.
La terza parte esamina endogeneità del trattamento, identificazione parziale, variabili strumentali, regression discontinuity design e difference-in-differences.
La parte finale estende l'analisi agli spillover e all'interferenza negli esperimenti randomizzati e negli studi osservazionali.
Fondamenti dell'inferenza causale ed esperimenti randomizzati
Circa 8 ore
• Framework dei potential outcomes, estimand causali e SUTVA
• Meccanismi di assegnazione e principali disegni randomizzati
• Fisher Randomization Tests e permutation tests
• Inferenza design-based di Neyman e stima conservativa della varianza
• Stimatori di Horvitz-Thompson e metodi di imputazione
Stratificazione e aggiustamento via regressione negli esperimenti randomizzati
Circa 5 ore
• Esperimenti randomizzati stratificati e inferenza condizionale
• Bilanciamento delle covariate e stima stratificata
• Regression adjustment e stimatore di Lin
• Incertezza design-based e sampling-based
• Popolazione finita, superpopolazione e validità interna ed esterna
Studi osservazionali sotto unconfoundedness
Circa 7 ore
• Selection bias, unconfoundedness, overlap e identificazione mediante g-formula
• Outcome regression e metodi basati sul propensity score
• Inverse probability weighting e stima doubly robust
• Diagnostica di overlap e bilanciamento; trimming e truncation
• Matching con replacement
Variabili strumentali, endogeneità del trattamento, identificazione parziale e disegni quasi-sperimentali
Circa 10 ore
• Mancata compliance, variabili strumentali e Local Average Treatment Effects
• Assumption-free bounds
• Monotone restrictions
• Sharp Regression Discontinuity Designs: identificazione e stima polinomiale locale
• Selezione della bandwidth e inferenza con robust bias correction
• Testing e diagnostica per la validità del disegno RDD
• Difference-in-Differences: parallel trends, specificazioni event-study ed estensioni
Spillover e interferenza: esperimenti randomizzati e studi osservazionali
Circa 6 ore
• Interferenza, effetti di spillover ed exposure mappings
• Estimand causali sotto interferenza parziale e di network
• Effetti diretti, indiretti, totali e complessivi
• Esperimenti randomizzati a due stadi e stimatori randomization-based
• Stimatori IPW e applicazioni a cluster e social network
Program
One of the central applications of economics is the evaluation of policies and interventions. Causal analysis allows economists to move beyond statistical associations and investigate how outcomes would change under alternative policies or interventions. This is essential for designing effective policies, supporting economic decisions, and evaluating competing explanations of observed economic phenomena.
The course adopts the potential outcomes framework and emphasizes the distinction between causal estimands, identification assumptions, estimators, and inferential procedures. It combines the statistical tradition, which takes randomized experiments and chance-based assignment mechanisms as its starting point, with the econometric tradition, which studies settings in which treatments and economic variables may be determined by individual choices, institutional rules, or market mechanisms.
The course covers randomized experiments, observational studies under unconfoundedness, treatment endogeneity, partial identification, quasi-experimental designs, and settings with interference and spillover effects. Particular attention is devoted to the credibility and interpretation of the assumptions required by each research design, as well as to their empirical implementation using R.
The first part introduces the potential outcomes framework and methods for randomized experiments.
The second part considers observational studies under unconfoundedness, including regression, propensity-score methods, weighting, doubly robust estimation, and matching.
The third part examines treatment endogeneity, partial identification, instrumental variables, regression discontinuity designs, and difference-in-differences.
The final part extends the analysis to spillovers and interference in randomized experiments and observational studies.
Foundations of Causal Inference and Randomized Experiments
Approximately 8 hours
• Potential outcomes framework, causal estimands, and SUTVA
• Assignment mechanisms and main randomized designs
• Fisher Randomization Tests and permutation tests
• Neyman design-based inference and conservative variance estimation
• Horvitz-Thompson estimators and imputation methods
Stratification and Regression Adjustment in Randomized Experiments
Approximately 5 hours
• Stratified randomized experiments and conditional inference
• Covariate balance and stratified estimation
• Regression adjustment and Lin's estimator
• Design-based and sampling-based uncertainty
• Finite populations, superpopulations, and internal and external validity
Observational Studies under Unconfoundedness
Approximately 7 hours
• Selection bias, unconfoundedness, overlap, and identification through the g-formula
• Outcome regression and propensity-score methods
• Inverse probability weighting and doubly robust estimation
• Overlap and balance diagnostics; trimming and truncation
• Matching with replacement
Instrumental Variables, Treatment Endogeneity, Partial Identification, and Quasi-Experimental Designs
Approximately 10 hours
• Treatment non-compliance, instrumental variables, and Local Average Treatment Effects
• Assumption-free bounds
• Monotone restrictions
• Sharp Regression Discontinuity Designs: identification and local polynomial estimation
• Bandwidth selection and robust bias-corrected inference
• Testing and diagnostics for RDD validity
• Difference-in-Differences: parallel trends, event-study specifications, and extensions
Spillovers and Interference: Randomized Experiments and Observational Studies
Approximately 6 hours
• Interference, spillover effects, and exposure mappings
• Causal estimands under partial and network interference
• Direct, indirect, total, and overall effects
• Two-stage randomized experiments and randomization-based estimators
• IPW estimators and applications to clusters and social networks
Testi Adottati
Il corso non segue un unico manuale. I seguenti volumi costituiscono i principali riferimenti per le lezioni:
• Ding, P. (2023). A First Course in Causal Inference.
Pagina web: https://arxiv.org/abs/2305.18793
• Imbens, G. W., & Rubin, D. B. (2015). Causal Inference for Statistics, Social, and Biomedical Sciences: An Introduction. Cambridge University Press.
Pagina web: https://www.cambridge.org/core/books/causal-inference-for-statistics-social-and-biomedical-sciences/71126BE90C58F1A431FE9B2DD07938AB
• Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2019). A Practical Introduction to Regression Discontinuity Designs: Foundations. Cambridge University Press.
Books
The course does not follow a single textbook. The following books provide the main references for the lectures:
• Ding, P. (2023). A First Course in Causal Inference.
Web page: https://arxiv.org/abs/2305.18793
• Imbens, G. W., & Rubin, D. B. (2015). Causal Inference for Statistics, Social, and Biomedical Sciences: An Introduction. Cambridge University Press.
Web page: https://www.cambridge.org/core/books/causal-inference-for-statistics-social-and-biomedical-sciences/71126BE90C58F1A431FE9B2DD07938AB
• Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2019). A Practical Introduction to Regression Discontinuity Designs: Foundations. Cambridge University Press.
Bibliografia
LETTURE SUGGERITE
I seguenti riferimenti integrano i testi adottati. Le letture specifiche saranno indicate durante il corso.
• Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74, 235-267.
• Abadie, A., & Imbens, G. W. (2008). On the failure of the bootstrap for matching estimators. Econometrica, 76, 1537-1557.
• Abadie, A., & Imbens, G. W. (2011). Bias-corrected matching estimators for average treatment effects. Journal of Business & Economic Statistics, 29, 1-11.
• Abadie, A., Athey, S., Imbens, G. W., & Wooldridge, J. M. (2020). Sampling-based versus design-based uncertainty in regression analysis. Econometrica, 88, 265-296.
• Angrist, J. D., Imbens, G. W., & Rubin, D. B. (1996). Identification of causal effects using instrumental variables. Journal of the American Statistical Association, 91, 444-455.
• Aronow, P. M., & Samii, C. (2017). Estimating average causal effects under general interference, with application to a social network experiment. Annals of Applied Statistics, 11, 1912-1947.
• Athey, S., & Imbens, G. W. (2017). The econometrics of randomized experiments. In Handbook of Economic Field Experiments, Vol. 1, 73-140.
• Calonico, S., Cattaneo, M. D., & Titiunik, R. (2014). Robust nonparametric confidence intervals for regression-discontinuity designs. Econometrica, 82, 2295-2326.
• Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2024). A Practical Introduction to Regression Discontinuity Designs: Extensions. Cambridge University Press.
• Crump, R. K., Hotz, V. J., Imbens, G. W., & Mitnik, O. A. (2009). Dealing with limited overlap in estimation of average treatment effects. Biometrika, 96, 187-199.
• Dehejia, R. H., & Wahba, S. (1999). Causal effects in nonexperimental studies: Reevaluating the evaluation of training programs. Journal of the American Statistical Association, 94, 1053-1062.
• DiTraglia, F. J. Lecture Notes on Treatment Effects, or Completely Innocuous Econometrics.
Pagina web: https://www.treatment-effects.com/treatment-effects.pdf
• Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
• 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.
• Gelman, A., & Imbens, G. W. (2019). Why high-order polynomials should not be used in regression discontinuity designs. Journal of Business & Economic Statistics, 37, 447-456.
• Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Econometrica, 69, 201-209.
• Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC.
Pagina web: https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
• Holland, P. W. (1986). Statistics and causal inference. Journal of the American Statistical Association, 81, 945-960.
• Hudgens, M. G., & Halloran, M. E. (2008). Toward causal inference with interference. Journal of the American Statistical Association, 103(482), 832-842.
• Imbens, G. W. (2004). Nonparametric estimation of average treatment effects under exogeneity: A review. Review of Economics and Statistics, 86, 4-29.
• Imbens, G. W. (2022). Causality in econometrics: Choice vs chance. Econometrica, 90(6), 2541-2566.
• Imbens, G. W., & Angrist, J. D. (1994). Identification and estimation of local average treatment effects. Econometrica, 62, 467-475.
• LaLonde, R. J. (1986). Evaluating the econometric evaluations of training programs with experimental data. American Economic Review, 76, 604-620.
• Lin, W. (2013). Agnostic notes on regression adjustments to experimental data: Reexamining Freedman's critique. Annals of Applied Statistics, 7, 295-318.
• Manski, C. F. (1990). Nonparametric bounds on treatment effects. American Economic Review, 80, 319-323.
• Manski, C. F. (2003). Partial Identification of Probability Distributions. Springer.
• Manski, C. F., & Pepper, J. V. (2000). Monotone instrumental variables: With an application to the returns to schooling. Econometrica, 68, 997-1010.
• Neyman, J. (1923/1990). On the application of probability theory to agricultural experiments. Statistical Science, 5, 465-472.
• Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70, 41-55.
• 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.
• Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66, 688-701.
• Vazquez-Bare, G. (2022). Identification and estimation of spillover effects in randomized experiments. Journal of Econometrics.
Bibliography
SUGGESTED READINGS
The following references complement the main textbooks. Specific readings will be indicated during the course.
• Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74, 235-267.
• Abadie, A., & Imbens, G. W. (2008). On the failure of the bootstrap for matching estimators. Econometrica, 76, 1537-1557.
• Abadie, A., & Imbens, G. W. (2011). Bias-corrected matching estimators for average treatment effects. Journal of Business & Economic Statistics, 29, 1-11.
• Abadie, A., Athey, S., Imbens, G. W., & Wooldridge, J. M. (2020). Sampling-based versus design-based uncertainty in regression analysis. Econometrica, 88, 265-296.
• Angrist, J. D., Imbens, G. W., & Rubin, D. B. (1996). Identification of causal effects using instrumental variables. Journal of the American Statistical Association, 91, 444-455.
• Aronow, P. M., & Samii, C. (2017). Estimating average causal effects under general interference, with application to a social network experiment. Annals of Applied Statistics, 11, 1912-1947.
• Athey, S., & Imbens, G. W. (2017). The econometrics of randomized experiments. In Handbook of Economic Field Experiments, Vol. 1, 73-140.
• Calonico, S., Cattaneo, M. D., & Titiunik, R. (2014). Robust nonparametric confidence intervals for regression-discontinuity designs. Econometrica, 82, 2295-2326.
• Cattaneo, M. D., Idrobo, N., & Titiunik, R. (2024). A Practical Introduction to Regression Discontinuity Designs: Extensions. Cambridge University Press.
• Crump, R. K., Hotz, V. J., Imbens, G. W., & Mitnik, O. A. (2009). Dealing with limited overlap in estimation of average treatment effects. Biometrika, 96, 187-199.
• Dehejia, R. H., & Wahba, S. (1999). Causal effects in nonexperimental studies: Reevaluating the evaluation of training programs. Journal of the American Statistical Association, 94, 1053-1062.
• DiTraglia, F. J. Lecture Notes on Treatment Effects, or Completely Innocuous Econometrics.
Web page: https://www.treatment-effects.com/treatment-effects.pdf
• Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
• 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.
• Gelman, A., & Imbens, G. W. (2019). Why high-order polynomials should not be used in regression discontinuity designs. Journal of Business & Economic Statistics, 37, 447-456.
• Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Econometrica, 69, 201-209.
• Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC.
Web page: https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
• Holland, P. W. (1986). Statistics and causal inference. Journal of the American Statistical Association, 81, 945-960.
• Hudgens, M. G., & Halloran, M. E. (2008). Toward causal inference with interference. Journal of the American Statistical Association, 103(482), 832-842.
• Imbens, G. W. (2004). Nonparametric estimation of average treatment effects under exogeneity: A review. Review of Economics and Statistics, 86, 4-29.
• Imbens, G. W. (2022). Causality in econometrics: Choice vs chance. Econometrica, 90(6), 2541-2566.
• Imbens, G. W., & Angrist, J. D. (1994). Identification and estimation of local average treatment effects. Econometrica, 62, 467-475.
• LaLonde, R. J. (1986). Evaluating the econometric evaluations of training programs with experimental data. American Economic Review, 76, 604-620.
• Lin, W. (2013). Agnostic notes on regression adjustments to experimental data: Reexamining Freedman's critique. Annals of Applied Statistics, 7, 295-318.
• Manski, C. F. (1990). Nonparametric bounds on treatment effects. American Economic Review, 80, 319-323.
• Manski, C. F. (2003). Partial Identification of Probability Distributions. Springer.
• Manski, C. F., & Pepper, J. V. (2000). Monotone instrumental variables: With an application to the returns to schooling. Econometrica, 68, 997-1010.
• Neyman, J. (1923/1990). On the application of probability theory to agricultural experiments. Statistical Science, 5, 465-472.
• Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70, 41-55.
• 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.
• Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66, 688-701.
• Vazquez-Bare, G. (2022). Identification and estimation of spillover effects in randomized experiments. Journal of Econometrics.
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 trentesimi.
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’esposizione e la 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
Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni.
18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili imperfezioni; capacità di analisi, sintesi e autonomia di giudizio sufficienti.
21-23: conoscenza e comprensione degli argomenti routinaria; capacità di analisi e sintesi corrette con argomentazione logica coerente.
24-26: discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso.
27-29: conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio.
30-30L: ottimo livello di conoscenza e comprensione degli argomenti. Notevoli capacità di analisi, sintesi e 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.
Modalità di frequenza
Lezioni in aula, esercitazioni e applicazioni della metodologia basate su R.
Attendance Rules
Classroom Lectures, practices, and applications with R.
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.
TIZIANO ARDUINI
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
· Propensity Score
· Matching
Instrumental Variable, Treatment Endogeneity, and other irregular designs
· Treatment non-compliance
· Instrumental Variable in Observational Studies for Treatment Endogeneity
· Regression Discontinuity Deign
· Partial Identification
· 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
· Propensity Score
· Matching
Instrumental Variable, Treatment Endogeneity, and other irregular designs
· Treatment non-compliance
· Instrumental Variable in Observational Studies for Treatment Endogeneity
· Regression Discontinuity Deign
· Partial Identification
· 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
• Ding, P. (2023). A First Course in Causal Inference. arXiv preprint arXiv:2305.18793.
Web page: https://arxiv.org/abs/2305.18793
• 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
• 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
• Ding, P. (2023). A First Course in Causal Inference. arXiv preprint arXiv:2305.18793.
Web page: https://arxiv.org/abs/2305.18793
• 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
• 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'esposizione 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.
Modalità di frequenza
Lezioni in aula, esercitazioni e applicazioni della metodologia basate su R.
Attendance Rules
Classroom Lectures, practices, and applications with R.
TIZIANO ARDUINI
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.
Modalità di frequenza
Lezioni in aula, esercitazioni e applicazioni della metodologia basate su R.
Attendance Rules
Classroom Lectures, practices, and applications with R.
Prof.ssa Lucia Leonelli
