Causal Inference 2026/2027

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

---