📉 У Data Science ми часто грішимо тим, що згодовуємо алгоритмам купу змінних і щиро радіємо високим метрикам. Але коли бізнес приходить із питанням на кшталт: "Що буде з продажами, якщо ми піднімемо ціну на 10%?", класичні предиктивні моделі можуть відверто збрехати.
Тут на сцену виходить Causal Inference. Якщо ви хочете зануритись у цю тему і ваш робочий інструмент —
Python🐍, настійно рекомендую книгу "Causal Inference for The Brave and True".Що корисного розбирається всередині:
1️⃣ База: від логіки рандомізованих експериментів до глибокого розуміння bias.
2️⃣ Класика економетрики: Propensity Score, Instrumental Variables (IV), Difference-in-Differences (DiD).
3️⃣ Просунуті методи: Regression Discontinuity Design (RDD) та Synthetic Control.
А ще тут детально розбираються рівняння стандартної похибки середнього та пастки малих вибірок, про які я писав раніше.
🫶 Банка | 📺 Youtube | 🔗 Сайт